Criação de agentes personalizados

Saiba como criar agentes personalizados, o que preparar antes de começar e como colocá-los para trabalhar em mensagens, decisões e gerenciamento de dados. Para obter mais informações gerais, consulte Agentes do Braze.

Pré-requisitos

Antes de começar, você precisará do seguinte:

• Acesso ao Console do agente em seu espaço de trabalho. Verifique com os administradores do Braze se você não encontrar essa opção.
• Permissão para criar e editar agentes de IA personalizados.
• Uma ideia do que você deseja que o agente realize. Os Agentes Braze podem suportar as seguintes ações:
  • Mensagens: Gere linhas de assunto, manchetes, textos no produto ou outros conteúdos.
  • Tomada de decisões: Encaminhe os usuários no Canvas com base em comportamento, preferências ou atributos personalizados.
  • Gerenciamento de dados: Calcular valores, enriquecer entradas de catálogo ou atualizar campos de perfil.

Como funciona

Ao criar um agente, você define a sua finalidade e estabelece as diretrizes de como ele deve se comportar. Depois de entrar em operação, o agente pode ser implantado no Braze para gerar cópias personalizadas, tomar decisões em tempo real ou atualizar campos do catálogo. Você pode pausar ou atualizar um agente a qualquer momento no painel.

Criar um agente

Para criar seu agente personalizado:

1. Vá para Console do agente > Gerenciamento de agentes no painel do Braze.
2. Selecione Criar agente.
3. Insira um nome e uma descrição para ajudar sua equipe a entender a finalidade.
4. Escolha o modelo que seu agente usará.

Interface do Console do Agente para criar um agente personalizado no Braze. A tela exibe campos para inserir o nome e a descrição do agente e selecionar um modelo.]( /docs/pt-br/assets/img/ai_agent/create_custom_agent.png?f59d05649740353579935bb7b0d55601 )

1. Dê instruções ao agente. Consulte as instruções de escrita para obter orientação.
2. Teste a saída do agente e ajuste as instruções conforme necessário.
3. Quando estiver pronto, selecione Create Agent para ativar o agente.

Próxima etapa

Seu agente agora está pronto para ser usado! Para obter detalhes, consulte Implantação de agentes.

Referência

Modelos

Ao configurar um agente, você escolherá o modelo que ele usará para gerar respostas. Você tem duas opções:

Opção 1: Use um modelo alimentado pelo Braze

Essa é a opção mais simples, sem necessidade de configuração adicional. O Braze fornece acesso direto a modelos de linguagem grandes (LLM). Para usar essa opção, selecione Auto.

Opção 2: Traga sua própria chave de API

Com essa opção, você pode conectar sua conta Braze a provedores como OpenAI, Anthropic, AWS Bedrock ou Google Gemini. Se você trouxer sua própria chave de API de um provedor de LLM, os custos serão cobrados diretamente pelo provedor, não pelo Braze.

Para configurar isso:

1. Vá para Partner Integrations > Technology Partners e encontre seu provedor.
2. Digite sua chave de API do provedor.
3. Selecione Salvar.

Em seguida, você pode retornar ao seu agente e selecionar seu modelo.

Instruções de escrita

Instruções são as regras ou diretrizes que você fornece ao agente (prompt do sistema). Eles definem como o agente deve se comportar sempre que for executado. As instruções do sistema podem ter até 10 KB.

• best practices
• examples

1
2
3
4
5
6
7
From the survey text, classify overall sentiment toward product quality, delivery, and price as Positive, Neutral, or Negative
Always output a single string with just one label.
If any category is missing or unclear, treat it as Neutral.
If sentiment across categories is mixed, return Neutral.

Example Input: “The product works great, but shipping took forever and the cost felt too high.”
Example Output: Neutral

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
You are a customer research AI for a retail brand.  
Input: one open-text survey response from a user.  
Output: A single structured JSON object with:  
- sentiment (Positive, Neutral, Negative)  
- topic (Product, Delivery, Price, Other)  
- action_recommendation (Route: High-priority follow-up | Low-priority follow-up | No action)  

Rules:  
- Always return valid JSON.  
- If the topic is unclear, default to Other.  
- If sentiment is mixed, default to Neutral.  
- If sentiment is Negative and topic = Product or Delivery → action_recommendation = High-priority follow-up.  
- Otherwise, action_recommendation = Low-priority follow-up.  

Example Input:  
"The product works great, but shipping took forever and the cost felt too high."  

Example Output:  
{  
  "sentiment": "Neutral",  
  "topic": "Delivery",  
  "action_recommendation": "High-priority follow-up"  
}  

Testando seu agente

O painel de visualização em tempo real é uma instância do agente que aparece como um painel lado a lado na experiência de configuração. Você pode usá-lo para testar o agente enquanto estiver criando ou atualizando-o para experimentá-lo de forma semelhante à dos usuários finais. Essa etapa ajuda a confirmar que ele está se comportando da maneira esperada e lhe dá a chance de fazer ajustes finos antes de entrar em operação.

Console do agente mostrando o painel de visualização ao vivo para testar um agente personalizado. A interface exibe um campo de entradas de amostra com dados de clientes de exemplo, um botão Executar teste e uma área de resposta em que a saída do agente é exibida.]( /docs/pt-br/assets/img/ai_agent/custom_agent_test.png?cbcb4a30220153b8c967916bb89219ee )

1. No campo Sample inputs (Entradas de amostra), insira dados de exemplo de clientes ou respostas de clientes - qualquer coisa que reflita cenários reais com os quais seu agente lidará.
2. Selecione Executar teste. O agente será executado com base em sua configuração e exibirá sua resposta. As execuções de teste contam para o seu limite diário e total de invocações.

Analise o resultado com um olhar crítico. Considere as seguintes perguntas:

• O texto está de acordo com a marca?
• A lógica da decisão encaminha os clientes como pretendido?
• Os valores calculados são precisos?

Se algo parecer errado, atualize a configuração do agente e teste novamente. Execute algumas entradas diferentes para ver como o agente se adapta aos cenários, especialmente em casos extremos, como ausência de dados ou respostas inválidas.