에이전트 단계
에이전트 단계를 사용하면 AI 기반 의사결정 및 콘텐츠 생성을 Canvas 워크플로에 직접 추가할 수 있습니다. 보다 일반적인 정보는 Braze 에이전트를 참조하세요.
전제 조건
에이전트 단계는 Canvas 컨텍스트 변수를 사용하여 관련 컨텍스트를 수집하고, Canvas에서 활용할 수 있는 변수를 출력합니다.
작동 방식
사용자가 Canvas에서 에이전트 단계에 도달하면, Braze는 구성한 입력 데이터(전체 컨텍스트 또는 선택한 필드)를 선택한 에이전트에 전송합니다. 에이전트는 모델과 지시 사항을 사용하여 입력을 처리한 후 출력을 반환합니다. 해당 출력은 단계에서 정의한 출력 변수에 저장됩니다.
이 변수를 세 가지 주요 방식으로 활용할 수 있습니다:
- 의사 결정: 에이전트의 응답을 기반으로 사용자를 서로 다른 Canvas 경로로 라우팅합니다. 예를 들어, 리드 스코어링 에이전트가 “영업 준비 완료”, “마케팅 검증 완료”, 또는 “부적격”과 같은 리드 카테고리를 반환할 수 있습니다. 이 할당을 사용하여 “영업 준비 완료” 리드에 대해 Slack 알림이나 자동 메시지를 트리거하고, “부적격” 리드는 여정에서 제외할 수 있습니다.
- 개인화: 에이전트의 응답을 메시지에 직접 삽입합니다. 예를 들어, 에이전트가 고객 피드백을 분석하여 고객의 의견을 참조하고 해결 방안을 제안하는 공감적인 후속 이메일을 생성할 수 있습니다.
- 사용자 데이터 처리: 사용자 데이터를 분석하고 표준화한 후 고객 프로필에 저장하거나 웹훅을 사용하여 전송합니다. 예를 들어, 에이전트가 감성 점수 또는 제품 친밀도 할당을 반환할 수 있습니다. 해당 데이터를 고객 프로필에 저장하여 향후 활용할 수 있습니다.
Agent 단계 만들기
1단계: 단계 추가
사이드바에서 Agent 구성 요소를 끌어다 놓거나, 단계 하단에 있는 더하기 버튼을 선택한 다음 Agent를 선택합니다.
2단계: 에이전트 선택
이 단계에서 데이터를 처리할 에이전트를 선택합니다. 설정 방법은 커스텀 에이전트 만들기를 참조하세요.
에이전트 목록에서 각 에이전트에는 일일 호출 한도가 표시됩니다. 한도 위에 마우스를 올리면 사용된 비율과 한도 대비 오늘 사용된 호출 수를 포함하여 오늘의 진행 상황을 확인할 수 있습니다.
3단계: 에이전트 출력 설정
에이전트 출력은 “출력 변수”라고 하며, 쉽게 액세스할 수 있도록 컨텍스트 변수에 저장됩니다. 출력 변수를 정의하려면 변수에 이름을 지정합니다.
출력 변수의 데이터 유형은 에이전트 콘솔에서 설정합니다. 에이전트 출력은 문자열, 숫자, 불리언 또는 객체로 저장할 수 있습니다. 따라서 Canvas에서 텍스트 개인화와 조건 로직 모두에 유연하게 활용할 수 있습니다. 다음은 각 유형의 일반적인 사용 사례입니다.
| 데이터 유형 | 일반적인 사용 사례 |
|---|---|
| 문자열 | 메시지 개인화(제목란, 카피, 응답) |
| 숫자 | 점수 산정, 임곗값, 오디언스 경로에서의 라우팅 |
| 불리언 | 결정 분할에서의 예/아니오 분기 |
| 객체 | 이 섹션의 앞부분에서 다룬 데이터 유형 중 하나 이상을 단일 LLM 호출로 예측 가능한 데이터 구조에 활용 |
컨텍스트 변수와 동일한 템플릿 구문을 사용하여 Canvas 전체에서 출력 변수를 사용할 수 있습니다. Context Variable Segment 필터를 사용하거나, Liquid를 사용하여 에이전트 응답을 직접 템플릿에 적용합니다: {{context.${response_variable_name}}}.
객체 출력 변수의 특정 속성정보를 사용하려면 Liquid에서 점 표기법을 사용하여 해당 속성정보에 액세스합니다: {{context.${response_variable_name}.field_name}}
4단계: 선택적 단계 지침 추가
에이전트가 이 단계에 특화되어 알아야 하지만 에이전트의 기본 지침에서 아직 다루지 않은 내용에 대한 선택적 단계 지침을 포함할 수 있습니다. Canvas에서 일반적으로 사용하는 Liquid 템플릿 값을 입력할 수 있습니다.
5단계: 에이전트 테스트
Agent 단계는 두 가지 방법으로 테스트할 수 있습니다.
단계 내 미리보기(Canvas 빌더): 단계를 구성한 후 단계 미리보기를 사용하여 랜덤 사용자, 기존 사용자 또는 커스텀 사용자에 대한 에이전트 출력을 확인합니다. 이 방법은 전체 Canvas 경로를 실행하지 않고 단계를 단독으로 테스트합니다.
Canvas 테스트(전체 여정): Canvas 하단에서 Canvas 테스트를 선택하여 사용자 경로를 포괄적으로 미리봅니다. 테스트가 Agent 단계에 도달하면 Braze는 에이전트 “{agentName}”을(를) 실행하시겠습니까?라고 묻습니다.
- 예를 선택하면 선택적으로 컨텍스트를 추가한 다음 응답 시뮬레이션을 선택하여 미리보기 사용자에 대해 에이전트를 호출합니다. 테스트 사용자의 프로필과 업스트림에서 이미 설정된 Canvas 컨텍스트를 보완하기 위해 일반 언어로 샘플 입력(예: 장바구니 내용 또는 메시지 텍스트)을 설명할 수 있습니다.
- 아니오를 선택하면 실시간 호출을 건너뛰고 대신 에이전트 콘솔에서 구성한 에이전트의 대체 출력을 사용합니다.
응답 시뮬레이션의 호출은 에이전트의 일일 호출 한도에 포함되며 에이전트 콘솔 > 로그에 표시됩니다. Canvas 테스트의 전체 동작에 대해서는 사용자 경로 미리보기를 참조하세요.
오류 처리
Braze가 에이전트 실패, 사용량 제한 오류 및 호출 흐름 제어를 처리하는 방법에 대해서는 에이전트 배포의 오류 처리 및 대체 동작과 Braze 에이전트의 오류 처리를 참조하세요.
- 연결된 모델이 LLM 공급자로부터 사용량 제한 오류를 반환하면, Braze는 호출이 성공하거나 완료할 수 없다고 판단할 때까지 지수 백오프를 사용하여 요청을 지속적으로 재시도합니다. 이후 사용자는 다음 캔버스 단계로 진행합니다.
- 기타 실패(예: 타임아웃 오류 또는 잘못된 API 키)가 발생하거나 에이전트가 일일 호출 한도에 도달하면, 에이전트 콘솔에서 대체 값이 설정되어 있지 않은 한 출력 변수는
null로 설정됩니다. 대체 값이 설정된 경우, Braze는 사용자별로 Liquid를 사용하여 대체 값을 렌더링하고 그 결과를 출력 변수에 저장합니다. 일일 한도로 인해 호출이 차단된 경우에도 마찬가지입니다. - 대체 값을 설정하지 않은 경우, 다운스트림 메시지 단계에서 기본 Liquid 값을 사용하여 null 출력을 처리하세요. 예를 들어, 개인화 추가 Modal에서
{{context.${response_variable_name}.push_title | default: 'Hello friend!'}}또는{{context.${response_variable_name}.push_body | default: 'Open our app to get your prize!'}}와 같은 기본 Liquid 값을 입력할 수 있습니다. - 동일한 입력에 대한 응답은 캐시되며, 몇 분 이내에 반복되는 동일한 호출에 재사용될 수 있습니다.
- 캐시된 값을 사용하는 응답도 총 호출 수 및 일일 호출 수에 포함됩니다.
- 에이전트 단계는 대량의 사용자를 처리하는 데 시간이 걸릴 수 있습니다. Braze는 호출 흐름 제어에 따라 호출을 대기줄에 넣으므로, 대량 발송 시 사용자가 대기 상태로 남아 있을 수 있습니다. 로그를 확인하여 호출이 진행되고 있는지 확인하세요.
분석
에이전트 단계의 성능을 추적하려면 다음 측정기준을 참조하세요:
| 측정기준 | 설명 |
|---|---|
| 진입 | 사용자가 에이전트 단계에 진입한 횟수입니다. |
| 다음 단계로 진행 | 에이전트 단계를 통과한 후 플로우의 다음 단계로 진행한 사용자 수입니다. |
| Canvas 종료 | 에이전트 단계를 통과한 후 Canvas를 종료한 사용자 수입니다. |
모범 사례
복잡한 사용 사례에서는 에이전트 간에 작업을 분할하세요
에이전트가 요청한 작업의 복잡성을 감당하기 어려운 경우, 작업을 둘 이상의 에이전트 단계로 분할하세요. 하나의 프롬프트에 데이터 정리, 라우팅 로직, 전체 메시지 작성을 함께 포함하면 목표가 서로 충돌하여 출력 품질이 일정하지 않을 수 있습니다.
다음 패턴은 여행 예시에 세 개의 에이전트를 사용합니다. 최근 앱에서 검색했지만 예약하지 않은 사용자에게 결제를 유도하는 리타겟팅 카피를 보내려는 경우입니다.
- 에이전트 1은 Canvas 컨텍스트를 요약합니다. 로열티 등급, 마지막으로 검색한 구/군/시, 높은 의도의 검색 행동 등의 필드를 읽고, 이후 단계에서 재사용할 수 있는 짧은 구조화된 요약을 출력 변수로 반환합니다.
- 에이전트 2는 Canvas에서 분기할 수 있는 라우팅 값을 반환합니다. 숫자, 불리언 또는 구조화된 객체를 사용하여 출력이 분기 방식과 일치하도록 하세요. 해당 값을 오디언스 경로 또는 결정 분할 단계에 매핑하세요. 예를 들어, 로열티 중심 메시징과 할인 중심 메시징을 위한 별도의 경로를 고려해 보세요.
- 에이전트 3은 생성된 메시지 텍스트를 원하는 분기에서만 작성합니다. 에이전트 1의 요약(및 분기별 컨텍스트)을 전달하여 이 에이전트가 동일한 프롬프트에서 입력 정규화와 전략 선택을 수행하는 대신 톤과 채널 제한에 집중할 수 있도록 하세요.
실험 경로 단계를 사용하여 소규모로 에이전트 여정을 테스트하세요
기존 여정 대비 에이전트의 성능과 크레딧 소비를 테스트하려면 실험 경로 단계를 추가하여 오디언스의 일부만 에이전트 단계가 포함된 분기에 진입하도록 하세요.
예를 들어, 하루에 수천 명의 사용자만 에이전트가 있는 경로로 보내고 나머지는 대조군 경로 또는 에이전트가 없는 경로로 보내는 것부터 시작할 수 있습니다. 1~2주간 데이터를 수집하고 경로 간 KPI, 카운터 측정기준, 에이전트 크레딧 소비를 비교하세요. 이렇게 하면 에이전트 활성화 분기로 트래픽을 늘리기 전에 확신을 쌓고 투자수익률을 증명할 수 있으며, 호출 소비를 제한하면서 진행할 수 있습니다.
자주 묻는 질문
Agent 단계는 언제 사용해야 하나요?
일반적으로, 특정 상황별 데이터를 LLM에 제공하고 사람이 처리하기 어려운 규모로 Canvas 컨텍스트 변수를 지능적으로 할당하고자 할 때 Agent 단계를 사용하는 것을 권장합니다.
이전에 초콜릿과 딸기를 주문한 사용자에게 새로운 아이스크림 맛을 추천하는 개인화된 메시지를 보내는 경우를 예로 들어 보겠습니다. Agent 단계와 AI 아이템 추천의 차이점은 다음과 같습니다.
- Agent 단계: LLM을 사용하여 에이전트에 제공된 지침과 상황별 데이터 포인트를 기반으로 사용자가 원할 수 있는 것에 대해 정성적 결정을 내립니다. 이 예시에서 Agent 단계는 사용자가 다양한 맛을 시도해 보고 싶어할 가능성에 기반하여 새로운 맛을 추천할 수 있습니다.
- AI 아이템 추천: 머신 러닝 모델을 사용하여 구매와 같은 과거 사용자 이벤트를 기반으로 사용자가 가장 원할 가능성이 높은 제품을 예측합니다. 이 예시에서 AI 아이템 추천은 사용자의 이전 두 번의 주문(초콜릿과 딸기)과 워크스페이스 내 다른 사용자의 행동과의 비교를 기반으로 맛(바닐라)을 제안합니다.
Agent 단계는 입력 데이터를 어떻게 사용하나요?
Agent 단계는 에이전트가 사용하도록 구성된 상황별 데이터와 단계에 추가한 선택적 단계 지침을 분석합니다.