Etapa de agente

A etapa de agente permite adicionar decisões baseadas em IA e geração de conteúdo diretamente no fluxo de trabalho do seu Canvas. Para informações mais gerais, consulte Agentes da Braze.

Pré-requisitos

As etapas de agente usam variáveis de contexto do Canvas para ingerir contexto relevante e gerar uma variável que pode ser utilizada no Canvas.

Como funciona

Quando um usuário chega a uma etapa de agente em um Canvas, a 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 na etapa.

Você pode usar essa variável de três formas principais:

• Tomada de decisão: Direcione os usuários por diferentes jornadas do Canvas com base na resposta do agente. Por exemplo, um agente de pontuação de leads pode retornar uma categoria de lead como “Sales Ready”, “Marketing Qualified” ou “Disqualified”. Você pode usar essa atribuição para disparar um alerta no Slack ou uma mensagem automatizada para leads “Sales Ready”, enquanto remove leads “Disqualified” da jornada.
• Personalização: Insira a resposta do agente diretamente em uma mensagem. Por exemplo, um agente pode analisar o feedback de um cliente e gerar um e-mail de acompanhamento empático que faz referência ao comentário do cliente e sugere uma resolução.
• Processamento de dados de usuários: Analise e padronize seus dados de usuários e, em seguida, armazene-os no perfil de usuário ou envie-os usando um webhook. Por exemplo, um agente pode retornar uma pontuação de sentimento ou uma atribuição de afinidade de produto. Você pode armazenar esses dados em um perfil de usuário para uso futuro.

Criando uma etapa de agente

Etapa 1: Adicionar uma etapa

Arraste e solte o componente Agent da barra lateral, ou selecione o botão de adição na parte inferior de uma etapa e selecione Agent.

Etapa 2: Escolher o agente

Selecione o agente que processará os dados nesta etapa. Escolha um agente existente. Para orientações de configuração, consulte Criar agentes personalizados.

Etapa 3: Definir a saída do 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.

O tipo de dado da variável de saída é definido no 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 Canvas. Veja alguns usos comuns para cada tipo:

Você pode usar uma variável de saída em todo o Canvas usando a mesma sintaxe de modelo que usaria com uma variável de contexto. Use o filtro de segmento Context Variable ou insira as respostas do agente diretamente usando Liquid: {{context.${response_variable_name}}} .

Para usar uma propriedade específica de uma variável de saída do tipo objeto, use a notação de ponto para acessar essa propriedade usando Liquid: {{context.${response_variable_name}.field_name}}

Etapa 4: Adicionar contexto adicional (opcional)

Você pode optar por incluir valores de contexto adicionais para a etapa de agente referenciar durante a execução. Você pode inserir qualquer valor com modelo Liquid que normalmente usaria em um Canvas.

Nota

O agente já recebe automaticamente o contexto configurado na seção Instructions. Variáveis Liquid que já foram configuradas lá não precisam ser inseridas novamente aqui.

Etapa 5: Testar o agente

Após configurar sua etapa de agente, você pode testar e pré-visualizar a saída desta etapa.

Tratamento de erros

• Se o modelo conectado retornar um erro de limite de taxa, a Braze faz até cinco novas tentativas com backoff exponencial.
• Se o agente falhar por qualquer outro motivo (como erro de timeout 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.
• Use valores padrão de Liquid para se proteger contra erros. Por exemplo, no modal Add Personalization, você pode inserir um valor padrão de Liquid como {{context.${response_variable_name}.push_title | default: 'Hello friend!'}} ou {{context.${response_variable_name}.push_body | default: 'Open our app to get your prize!'}}.
• As respostas são armazenadas em cache para entradas idênticas e podem ser reutilizadas para invocações idênticas repetidas dentro de alguns minutos.
  • Respostas que usam valores em cache ainda contam para o total e as invocações diárias.
• As etapas de agente podem levar tempo para processar um grande lote de usuários. Se você vir usuários que ainda estão pendentes nesta etapa, verifique seus registros para confirmar que as invocações estão acontecendo.

Analytics

Consulte as métricas a seguir para acompanhar o desempenho das suas etapas de agente:

Práticas recomendadas

Divida tarefas entre agentes para casos de uso complexos

Se você perceber que um agente está tendo dificuldades com a complexidade das tarefas que você está pedindo, divida o trabalho em mais de uma etapa de agente. Quando um único prompt mistura limpeza de dados, lógica de roteamento e redação completa de mensagens, esses objetivos competem entre si e a qualidade da saída pode variar.

O padrão a seguir usa três agentes para um exemplo de viagens: alguém pesquisou no seu app recentemente, mas não fez a reserva, e você quer um texto de redirecionamento que o incentive a concluir a compra.

• O agente 1 resume o contexto do Canvas. Ele lê campos como nível de fidelidade, última cidade pesquisada e comportamento de pesquisa de alta intenção, e retorna um resumo curto e estruturado como uma variável de saída que as etapas seguintes podem reutilizar.
• O agente 2 retorna um valor de roteamento que seu Canvas pode usar para ramificação. Use um número, booleano ou objeto estruturado para que a saída corresponda à forma como você faz a ramificação. Mapeie esse valor para uma etapa de Jornadas do público ou Divisão de decisão. Por exemplo, considere jornadas separadas para mensagens baseadas em fidelidade versus mensagens baseadas em ofertas.
• O agente 3 redige o texto da mensagem gerada apenas nas ramificações onde você deseja. Passe o resumo do agente 1 (e qualquer contexto específico da ramificação) para que este agente se concentre no tom e nos limites do canal, em vez de normalizar entradas e escolher estratégias no mesmo prompt.

Use a etapa Jornadas do experimento para testar jornadas com agentes em pequena escala

Para testar o desempenho e o consumo de créditos do seu agente em comparação com suas jornadas existentes, adicione uma etapa de Jornadas do experimento para que apenas parte do seu público entre na ramificação que contém sua etapa de agente.

Por exemplo, usando cerca de 25.000 invocações, envie 2.000 usuários por dia por uma jornada com o agente e envie o restante para uma jornada de controle ou uma jornada sem o agente. Colete dados por 1 a 2 semanas e compare indicadores-chave de desempenho (KPIs), contra-métricas e consumo de créditos do agente entre as jornadas antes de aumentar o tráfego para a ramificação habilitada com agente.

Perguntas frequentes

Quando devo usar uma etapa de agente?

De modo geral, recomendamos usar uma etapa de agente quando você deseja alimentar dados contextuais específicos em um LLM e fazer com que ele atribua de forma agêntica uma variável de contexto do Canvas de maneira inteligente, em uma escala impossível para humanos.

Digamos que você está enviando uma mensagem personalizada para recomendar um novo sabor de sorvete a um usuário que anteriormente pediu chocolate e morango. Veja a diferença entre usar uma etapa de agente e a Recomendação de item de IA:

• Etapa de agente: Usa LLMs para tomar uma decisão qualitativa sobre o que o usuário pode querer com base nas instruções e nos dados de contexto 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.
• Recomendação de item de IA: Usa modelos de machine learning para prever os produtos que um usuário tem maior probabilidade de querer com base em eventos passados do usuário, como compras. Neste exemplo, a Recomendação de item de IA sugeriria um sabor (baunilha) com base nos dois pedidos anteriores do usuário (chocolate e morango) e em como esses se comparam aos comportamentos de outros usuários no seu espaço de trabalho.

Como as etapas de agente usam os dados de entrada?

Uma etapa de agente analisa os dados de contexto que o agente está configurado para usar, bem como qualquer contexto adicional que é fornecido ao agente.

Artigos relacionados

• Visão geral dos agentes da Braze
• Criar agentes personalizados
• Implantar agentes
• Referência para agentes