Passo do Agente
O passo do Agente permite que você adicione decisões e geração de conteúdo impulsionadas por IA diretamente no seu fluxo de trabalho do Canva. Para mais informações gerais, veja Braze Agents.

Como funciona?
Quando um usuário chega a um passo do Agente em um Canva, o Braze envia os dados de entrada que você configurou (contexto completo ou campos selecionados) para o agente escolhido. O agente então processa a entrada usando seu modelo e instruções, e retorna uma saída. Essa saída é armazenada na variável de saída que você definiu no passo.
Você pode então usar essa variável de três maneiras principais:
- Decisões: Roteie usuários por diferentes caminhos do Canva com base na resposta do agente. Por exemplo, um agente de pontuação de leads pode retornar um número entre 1 e 10. Você pode usar essa pontuação para decidir se deve continuar enviando mensagens a um usuário ou removê-lo da jornada.
- Personalização: Insira a resposta do agente diretamente em uma mensagem. Por exemplo, um agente poderia analisar o feedback do cliente e gerar um e-mail de acompanhamento empático que faz referência ao comentário do cliente e sugere uma resolução.
- Processando dados de usuários: Analise e padronize seus dados de usuários, depois armazene-os no perfil do usuário ou envie-os usando um webhook. Por exemplo, um agente poderia retornar uma pontuação de sentimento ou atribuição de afinidade de produto. Você pode armazenar esses dados em um perfil de usuário para uso futuro.
Pré-requisito
Os passos do Agente usam variáveis de contexto do Canva para ingerir contexto relevante e gerar uma variável que pode ser aproveitada no Canva.
Criando um passo de Agente
Etapa 1: Adicionar um passo
Arraste e solte o componente Agente da barra lateral, ou selecione o botão de mais na parte inferior de um passo e selecione Agente.
Etapa 2: Escolha seu agente
Selecione o agente que processará os dados nesta etapa. Escolha um agente existente. Para orientações de configuração, veja Criar agentes personalizados.
Etapa 3: Defina a saída do seu agente
As saídas do agente são chamadas de “variáveis de saída” e são armazenadas em uma variável de contexto para fácil acesso. Para definir a variável de saída, dê um nome à variável.
Observe que o tipo de dado da variável de saída é definido a partir do Console do Agente. As saídas do agente podem ser salvas como strings, números, booleanos ou objetos. Isso as torna flexíveis tanto para personalização de texto quanto para lógica condicional no seu Canva. Aqui estão alguns usos comuns para cada tipo:
| Tipo de dados | Usos comuns |
|---|---|
| String | Personalização de mensagens (linhas de assunto, cópias, respostas) |
| Número | Pontuação, limites, roteamento em Caminhos do Público |
| Booleano | Divisões de Sim/Não em Divisões de Decisão |
| Objeto | Aproveite um ou mais dos tipos de dados acima com uma única chamada LLM em uma estrutura de dados previsível |
Você pode usar uma variável de saída em todo o Canva usando a mesma sintaxe de modelo que usaria com uma variável de contexto. Use o filtro de segmento Variável de Contexto, ou modele as respostas do agente diretamente usando Liquid: {{context.${response_variable_name}}} .
Para usar uma propriedade específica de uma variável de saída de objeto, use a notação de ponto para acessar essa propriedade usando Liquid: {{context.${response_variable_name}.field_name}}

Etapa 4: Adicione qualquer contexto adicional (opcional)
Você pode decidir incluir valores de contexto adicionais para a etapa do agente referenciar quando for executada. Você pode inserir quaisquer valores de Liquid que normalmente usaria em um Canva.
Observe que o agente já está recebendo automaticamente o contexto configurado na seção Instruções. As variáveis Liquid que já foram configuradas lá não precisam ser reintroduzidas aqui.

Etapa 5: Teste o agente
Após configurar sua etapa de Agente, você pode testar e visualizar a saída desta etapa.

Tratamento de erros
- Se o modelo conectado retornar um erro de limite de frequência, o Braze tenta novamente até cinco vezes com retrocesso exponencial.
- Se o agente falhar por qualquer outro motivo (como um erro de tempo limite ou chave de API inválida), a variável de saída é definida como
null.- Se um agente atingir seu limite diário de invocações, a variável de saída é definida como
null. Se você estiver usando a saída de um agente em uma etapa de Mensagem, considere usar valores padrão de Liquid.
- Se um agente atingir seu limite diário de invocações, a variável de saída é definida como
- As respostas são armazenadas em cache para entradas idênticas e podem ser reutilizadas para invocações idênticas repetidas dentro de alguns minutos.
- As respostas que usam valores em cache ainda contam para o total e as invocações diárias.
Análise de dados
Consulte as seguintes métricas para acompanhar como suas etapas de Agente estão se saindo:
| Métrico | Descrição |
|---|---|
| Entraram | O número de vezes que os usuários entraram na etapa do Agente. |
| Avançaram para a etapa seguinte | O número de usuários que prosseguiram para a próxima etapa no fluxo após passar pela etapa do Agente. |
| Saíram do canva | O número de usuários que saíram do Canva após passar pela etapa do Agente. |
Perguntas frequentes
Quando devo usar uma etapa de Agente?
Em geral, recomendamos usar uma etapa de Agente quando você deseja fornecer dados contextuais específicos a um LLM e fazer com que ele atribua uma variável de contexto do Canva de forma inteligente em uma escala impossível para humanos.
Vamos supor que você esteja enviando uma mensagem personalizada para recomendar um novo sabor de sorvete a um usuário que anteriormente pediu chocolate e morango. Aqui está a diferença entre usar uma etapa de Agente e recomendações de itens de IA:
- Etapa de Agente: Usa LLMs para tomar uma decisão qualitativa sobre o que o usuário pode querer com base nas instruções e pontos de dados contextuais fornecidos ao agente. Neste exemplo, uma etapa de Agente pode recomendar um novo sabor com base na possibilidade de o usuário querer experimentar sabores diferentes.
- Recomendações de itens de IA: Usa modelos de machine learning para prever os produtos que um usuário é mais provável de querer com base em eventos passados do usuário, como compras. Neste exemplo, as recomendações de itens de IA sugeririam um sabor (baunilha) com base nos dois pedidos anteriores do usuário (chocolate e morango) e como esses se comparam aos comportamentos de outros usuários em seu espaço de trabalho.
Como as etapas de Agente usam dados de entrada?
Uma etapa de Agente analisa os dados contextuais que o agente está configurado para usar, bem como qualquer contexto adicional que seja fornecido ao agente.
Editar esta página no GitHub