Braze Agents no Console do agente

Os Braze Agents são assistentes alimentados por IA que você pode criar dentro da Braze. Os agentes podem gerar conteúdo, tomar decisões inteligentes e enriquecer seus dados para que você possa oferecer experiências mais personalizadas aos clientes.

Importante

São necessários créditos de mensagem ou créditos de ação para acessar e usar os Braze Agents. Se você não tem créditos de ação no momento e deseja usar os Braze Agents, entre em contato com seu gerente de conta para saber as próximas etapas.

Assista a este vídeo para ter uma visão geral dos Braze Agents no Console do agente.

Por que usar os Braze Agents?

Os Braze Agents ajudam sua equipe a entregar experiências personalizadas sem adicionar trabalho extra. Eles entendem o contexto, tomam decisões e agem em direção a um objetivo, em vez de apenas responder a um único prompt.

Na prática, os agentes podem criar automaticamente textos de mensagens — como linhas de assunto ou textos dentro do produto — para que cada cliente receba uma comunicação que pareça feita sob medida. Eles também podem se adaptar em tempo real, direcionando pessoas por diferentes jornadas do Canvas com base em preferências, comportamentos ou outros dados.

Além do envio de mensagens, os agentes podem enriquecer seus catálogos calculando ou gerando valores de campos de produto e perfil, mantendo seus dados atualizados e dinâmicos. Ao assumir tarefas repetitivas ou complexas, eles liberam sua equipe para focar em estratégia e criatividade em vez de configuração manual. Os Braze Agents funcionam mais como colaboradores do que como processos em segundo plano — ajudando você a resolver problemas e gerar impacto em escala.

Quando usar os Braze Agents versus outros recursos do BrazeAI

Use agentes quando precisar raciocinar sobre o contexto de um único usuário no momento do envio — incluindo texto livre ou uma decisão de julgamento. Por exemplo, se um agente sabe que o sabor de sorvete favorito de um usuário específico é chocolate e a cobertura favorita é ursinhos de goma, ele pode escrever o texto do push para essa combinação conforme o usuário avança pelo Canvas.

Os Braze Agents raciocinam sobre o contexto que você fornece. Eles não aprendem se o resultado funcionou ou não, então não melhoram sozinhos com base nos resultados.

Use outros recursos do BrazeAI quando precisar de aprendizado a partir de resultados medidos:

Dica

Se uma regra baseada em dados limpos responde à pergunta, use uma etapa padrão do Canvas. Execuções de agentes consomem créditos. Para saber como os Braze Agents diferem dos agentes de decisão no Decisioning Studio, consulte Braze Agent versus agente de decisão.

Para uma comparação completa dos recursos do BrazeAI, consulte BrazeAI.

Recursos

Os recursos dos Braze Agents incluem:

• Configuração flexível: Use um LLM fornecido pela Braze ou conecte seus próprios provedores de modelos de IA (como OpenAI, Anthropic, Google Gemini ou Databricks Mosaic).
• Integração integrada: Implante agentes diretamente em etapas do Canvas ou campos de catálogo.
• Testes, logs e histórico de versões: Visualize a prévia da saída do seu agente testando com entradas de amostra antes de lançar. Consulte os logs de cada execução do agente, incluindo a entrada e a saída dessa execução. Use a guia Version history para revisar versões anteriores e comparações de alterações nas instruções.
• Controles de uso: Limites diários ajudam a gerenciar performance e custos.
• Agentic Standards: Defina regras e conjuntos de regras no Agent Console e, em seguida, execute uma avaliação agêntica antes de lançar uma Campaign ou Canvas para verificar diretrizes da marca, convenções organizacionais e requisitos técnicos.

Sobre os Braze Agents

Os agentes são configurados com instruções (prompts de sistema) que definem como eles se comportam. Quando um agente é executado, ele usa suas instruções junto com quaisquer dados que você passa explicitamente para gerar uma resposta. Eles não podem acessar dados de usuários além do que você configurar — variáveis Liquid, seleções de contexto do agente, variáveis de contexto do Canvas e valores de etapa de contexto. Os agentes não pesquisam perfis nem alertam quando há dados ausentes. Consulte Quais dados os agentes recebem.

Conceitos-chave

Limitações

As seguintes limitações se aplicam:

• Cada agente tem um limite diário padrão de 250.000 execuções, que pode ser aumentado até um máximo de 1.000.000 de execuções por dia. Entre em contato com o seu gerente de sucesso do cliente se tiver interesse em aumentar esse limite.
• O Agent Console mostra um Limite diário de custo de créditos de ação para cada agente — o máximo estimado de créditos por dia com base na proporção de créditos por execução do seu modelo e no limite diário de execuções. Consulte Limites diários de execução e créditos.
• Por padrão, cada execução deve ser concluída em 20 segundos. Após 20 segundos, o agente retorna uma resposta null onde é utilizado.
  • Se seus agentes estiverem atingindo o tempo limite de forma consistente, entre em contato com o gerente da sua conta Braze para aumentar esse limite.
• Os dados de entrada são limitados a 25 KB por solicitação. Entradas mais longas são truncadas.

Melhores práticas

Priorize casos de uso de alto valor em que os agentes possam gerar o maior retorno sobre o investimento (ROI), e escolha públicos com maior probabilidade de resposta. Um público menor e com alta oportunidade frequentemente supera um público grande com baixa oportunidade — por exemplo, redirecionar usuários que pesquisaram recentemente mas não converteram, em vez de enviar textos gerados por agentes para toda a sua base de usuários.

Para validar o ROI antes de escalar, use uma etapa de Experiment Paths para enviar apenas parte do seu público por uma etapa de agente. Quando um teste em pequena escala apresentar bons resultados, escale o agente para todo o seu público-alvo e aumente o limite diário de invocações para que as invocações não sejam limitadas no meio do envio. Confirme que você está confortável com o consumo estimado de créditos antes de escalar para todo o seu público. Para mais orientações sobre implantação, consulte Implantar agentes personalizados.

Tratamento de erros

Se o modelo conectado retornar um erro de limite de frequência do provedor de LLM durante uma invocação de Canvas Step Agent ou Catalog Agent, a Braze faz novas tentativas contínuas usando backoff exponencial.

Para outras falhas (como timeout ou chave de API inválida), a saída do Canvas Step Agent é definida como null, a menos que o agente tenha valores de fallback configurados no Agent Console (somente Canvas Step Agents). Agentes de catálogo não fazem novas tentativas para falhas que não sejam de limite de frequência. Se um agente atingir seu limite diário de invocações, a Braze aplica os valores de fallback configurados quando presentes; caso contrário, a saída é definida como null.

Erros de limite de frequência, indisponibilidade do modelo e falhas de limite diário de invocações não consomem créditos da Braze. Timeouts consomem créditos. Consulte Quando os créditos são consumidos.

Quando muitos usuários entram em uma etapa de agente ao mesmo tempo, o processamento pode demorar mais por causa dos controles de fluxo de invocação. Configure valores de fallback no Agent Console para Canvas Step Agents para que os usuários ainda recebam uma saída quando uma invocação falhar, ou use valores padrão de Liquid nas etapas de mensagem posteriores.

Como meus dados são usados e enviados para LLMs fornecidos pela Braze?

Para gerar resultados de IA por meio de recursos de IA da Braze que a Braze identifica como utilizando LLMs fornecidos pela Braze (“Resultado”), a Braze enviará seu prompt de sistema ou qualquer outra entrada, conforme aplicável (“Entrada”), para o LLM fornecido pela Braze. Os dados enviados ao LLM fornecido pela Braze aplicável não são usados para treinar ou melhorar o LLM fornecido pela Braze. Entre você e a Braze, o Resultado é sua propriedade intelectual. A Braze não reivindicará direitos autorais sobre esse Resultado. A Braze não oferece garantia de qualquer tipo em relação a qualquer conteúdo gerado por IA de modo geral, incluindo o Resultado.

O LLM fornecido pela Braze para Braze Agents, identificado como “Auto”, utiliza modelos Google Gemini. O Google retém Entradas e Resultados enviados por meio da Braze por 55 dias, após os quais os dados são excluídos.

Próximas etapas

Agora que você conhece os Braze Agents, está pronto para as próximas etapas:

• Criar agentes personalizados
• Implantar agentes personalizados
• Agentic Standards
• Conversational Agents