Créer des agents personnalisés

Découvrez comment créer des agents personnalisés, ce qu’il convient de préparer avant de commencer et comment les mettre en œuvre dans les domaines de la communication, de la prise de décision et de la gestion des données. Pour des informations plus générales, consultez Agents Braze.

Prérequis

Avant de commencer, vous aurez besoin des éléments suivants :

• L’autorisation d’accéder à la Console Agent dans votre espace de travail. Vérifiez auprès de vos administrateurs Braze si vous ne voyez pas cette option.
• L’autorisation de créer et de modifier des agents IA personnalisés.
• Une idée de ce que vous souhaitez que l’agent accomplisse. Les Braze Agents peuvent prendre en charge les actions suivantes :
  • Communication personnalisée : générer des lignes d’objet, des titres, du contenu in-app ou tout autre texte.
  • Routage des utilisateurs : router les utilisateurs dans Canvas en fonction de leur comportement, de leurs préférences ou de leurs attributs personnalisés.
  • Gestion des données : calculer des valeurs, enrichir des entrées de catalogue ou actualiser des champs de profil.

Fonctionnement

Lorsque vous créez un agent, vous définissez son objectif et établissez des garde-fous pour encadrer son comportement. Une fois en production, l’agent peut être déployé dans Braze pour générer du contenu personnalisé, prendre des décisions en temps réel ou mettre à jour des champs de catalogue. Pendant la création de votre agent, vous pouvez l’enregistrer en tant que brouillon et le modifier à tout moment depuis le tableau de bord. Chaque enregistrement crée une nouvelle version que vous pouvez consulter dans l’onglet Historique des versions.

Les cas d’usage suivants illustrent quelques façons de tirer parti des agents personnalisés.

Créer un agent

Étape 1 : Choisir un type d’agent

Pour créer un agent, commencez par choisir votre type d’agent :

1. Accédez à Agent Console.
2. Choisissez Canvas Step Agents ou Catalog Agents.

Étape 2 : Choisir comment créer un agent

Sélectionnez Create agent, puis choisissez l’une des options suivantes :

• Custom agent pour créer un agent à partir de zéro
• Une option dans Create an agent with Operator pour utiliser BrazeAI Operator afin d’appliquer un modèle de départ

Si vous utilisez Operator, examinez et approuvez ses modifications dans le chat avant de passer à l’étape suivante.

Étape 3 : Configurer les détails

Ensuite, configurez les détails de votre agent :

1. Saisissez un nom et une description pour aider votre équipe à comprendre son objectif.
2. (facultatif) Ajoutez des tags pour filtrer votre agent.
3. Choisissez le modèle que votre agent utilisera.
4. Si vous n’utilisez pas le modèle Braze Auto, sélectionnez le niveau de réflexion du modèle. Vous pouvez choisir entre minimal, faible, moyen ou élevé. Nous recommandons de commencer par Minimal et de tester les réponses de votre agent, puis d’ajuster ce paramètre selon les besoins.
5. Définissez une limite quotidienne d’invocations. Par défaut, cette valeur est fixée à 250 000, mais elle peut être augmentée jusqu’à 1 000 000. Si vous souhaitez augmenter la limite au-delà de 1 000 000, contactez votre gestionnaire de la satisfaction client pour en savoir plus. Définissez la limite suffisamment élevée pour la taille d’audience prévue après vos tests. Une limite trop basse entraîne des échecs liés à la limite quotidienne (qui ne consomment pas de crédits mais appliquent des valeurs de secours ou laissent la sortie à null).

Le champ Daily action credit cost limit spécifie le nombre maximum de crédits que cet agent peut consommer par jour. Braze le calcule à partir du ratio de crédits par invocation de votre espace de travail pour le modèle sélectionné (issu de votre contrat, affiché sur la page Credit Ratios) multiplié par la limite quotidienne d’invocations. L’estimation se met à jour lorsque vous changez de modèle ou de limite d’invocations.

Pour gérer les coûts, diminuez la limite quotidienne d’invocations. Pour les modèles BYO (bring-your-own), vous pouvez également passer à un modèle moins coûteux ou réduire le niveau de réflexion. Braze Auto ne prend pas en charge l’ajustement du niveau de réflexion. Suivez l’utilisation réelle dans Settings > Billing > Credits Usage > Agent Console.

Étape 4 : Rédiger les instructions

Donnez des instructions à l’agent. Si vous avez utilisé un modèle Operator, examinez les instructions pré-remplies et modifiez-les selon les besoins.

Incluez des instructions sur ce que l’agent doit faire dans des scénarios inattendus ou ambigus. Cela minimise le risque que la confusion de l’agent entraîne des erreurs. Par exemple, plutôt que de demander à l’agent uniquement des valeurs de sentiment « positif » ou « négatif », demandez-lui de renvoyer « incertain » s’il ne parvient pas à se décider.

Consultez la section Rédaction des instructions pour les bonnes pratiques et les Exemples pour vous inspirer dans la formulation des consignes de votre agent.

Ajouter du contexte

Important

Les agents ne reçoivent que les données que vous transmettez explicitement : ils ne parcourent pas les profils utilisateur et ne vous avertissent pas lorsque des données requises sont manquantes. Utilisez Liquid dans vos instructions, sélectionnez + Agent context, ajoutez des étapes de contexte en amont dans Canvas, ou transmettez du contexte supplémentaire via l’étape Agent. Pour une liste complète des sources de données et des conseils de conception, consultez Quelles données les agents reçoivent.

Sélectionnez + Agent context pour choisir ce que votre agent peut consulter. Cela inclut :

• Sources de connaissances : donnez à l’agent accès aux données de catalogue. Créez une source de connaissances à partir d’un catalogue, puis ajoutez-la comme contexte de l’agent afin qu’il puisse interroger et récupérer les lignes et champs nécessaires.
• Appartenance à un Segment : permettez à l’agent de personnaliser les réponses en fonction des Segments auxquels un utilisateur appartient. Vous pouvez sélectionner jusqu’à cinq Segments.
• Directives de marque : référencez les directives de voix et de style de la marque que l’agent doit suivre. Par exemple, si vous souhaitez que votre agent génère du contenu SMS encourageant les utilisateurs à s’inscrire à un abonnement en salle de sport, vous pouvez utiliser ce champ pour référencer vos directives prédéfinies au ton audacieux et motivant.
• Fichiers de contexte : téléchargez des documents de référence (PDF, TXT, MD, CSV) que l’agent pourra consulter à chaque invocation. Sélectionnez + Agent context > Upload files, ajoutez un ou plusieurs fichiers, puis enregistrez l’agent pour les télécharger.
• Tout le contexte Canvas : analysez toutes les données de contexte Canvas d’un utilisateur lorsque cet agent est invoqué, y compris les variables qui ne sont pas référencées dans la section Instructions.
• Données d’interaction utilisateur : fournissez à l’agent les données récentes d’ouvertures, de clics et de conversions de chaque utilisateur pour les Campaigns et Canvas.

Conseil

Pour les agents Canvas, vous pouvez utiliser Liquid dans vos instructions pour référencer des attributs utilisateur, tels que le prénom et le nom, ou des attributs personnalisés. Toute variable Liquid présente dans les instructions de l’agent est automatiquement transmise à l’étape Agent lorsqu’un utilisateur entre dans cette étape. Consultez Quelles données les agents reçoivent pour savoir comment transmettre délibérément le contexte Canvas et les données de profil.

Étape 5 : Sélectionner la sortie

Dans la section Output, vous pouvez organiser et définir la sortie de l’agent à l’aide de schémas basiques ou de schémas avancés. Si vous avez utilisé un modèle Operator, examinez le schéma de sortie pré-rempli et modifiez-le selon les besoins.

Pour de meilleurs résultats, assurez-vous que ce que vous spécifiez dans la section Output correspond aux instructions de l’agent que vous avez saisies à l’étape 4. Par exemple, si vous avez mentionné dans les instructions de l’agent que vous souhaitez un objet avec deux chaînes de caractères, assurez-vous de spécifier un objet avec deux chaînes de caractères dans la section Output. Si les instructions de votre agent ne correspondent pas à la sortie spécifiée, l’agent risque de se retrouver confus, d’expirer ou de générer des sorties indésirables.

Conseil

Lorsque vous utilisez un schéma de sortie avancé, ajoutez un champ de type chaîne de caractères nommé explanation si vous souhaitez que l’agent renvoie son raisonnement en plus de ses autres sorties. Indiquez à l’agent dans vos instructions de remplir le champ explanation lorsque cela vous aide à examiner ou déboguer les réponses.

Configurer les valeurs de secours

Les valeurs de secours sont disponibles uniquement pour les Canvas Step Agents. Dans la section Output d’un Canvas Step Agent, vous pouvez définir les valeurs que Braze utilise lorsqu’une invocation d’agent échoue, par exemple lorsque le LLM expire ou renvoie une erreur de clé API invalide. Les valeurs de secours fonctionnent comme les valeurs par défaut de personnalisation. Vous pourriez définir une ligne d’objet statique ou un message court qui fournit tout de même une sortie utile aux utilisateurs lorsque l’agent ne peut pas s’exécuter.

Les Catalog Agents ne prennent pas en charge la configuration de valeurs de secours dans Agent Console.

Pour les agents Canvas, les valeurs de secours prennent en charge le templating Liquid afin que vous puissiez référencer des attributs utilisateur ou des variables de contexte dans le texte de secours.

Les champs de secours s’adaptent au format de sortie de votre Canvas Step Agent :

Lorsqu’un Canvas Step Agent avec des valeurs de secours s’exécute dans une étape Agent, Braze effectue le rendu de la valeur de secours par utilisateur et la stocke dans la variable de sortie au lieu de null. Si vous ne configurez pas de valeurs de secours, les invocations échouées laissent la sortie Canvas non définie (null).

Pour le comportement en runtime, consultez Gestion des erreurs et comportement de secours.

Étape 6 : Tester l’agent

Le volet Preview est une instance de l’agent qui s’affiche sous forme de panneau côte à côte dans l’expérience de configuration. Vous pouvez utiliser cette section pour tester l’agent pendant que vous le créez ou le mettez à jour, afin de l’expérimenter de manière similaire aux utilisateurs finaux. Cette étape vous aide à confirmer qu’il se comporte comme prévu et vous donne l’occasion de peaufiner avant la mise en production.

1. Dans le champ Test your agent, saisissez des données client d’exemple ou des réponses client, tout ce qui reflète des scénarios réels que votre agent devra gérer.
2. Prévisualisez la réponse de l’agent pour un utilisateur aléatoire, un utilisateur existant ou un utilisateur personnalisé.
3. Sélectionnez Simulate response. L’agent s’exécutera en fonction de votre configuration et affichera sa réponse.

Remarque

Les exécutions de test comptent dans votre limite quotidienne d’invocations.

Examinez la sortie d’un œil critique. Posez-vous les questions suivantes :

• Le contenu est-il conforme à l’image de marque ?
• La logique de décision oriente-t-elle les clients comme prévu ?
• Les valeurs calculées sont-elles exactes ?

Si quelque chose semble incorrect, mettez à jour la configuration de l’agent et testez à nouveau. Exécutez plusieurs entrées différentes pour voir comment l’agent s’adapte à divers scénarios, en particulier les cas limites comme l’absence de données ou les réponses invalides.

Conseil

Évitez de dire à l’agent exactement ce que vous ne voulez pas qu’il fasse. Les LLM peuvent tout de même générer ce contenu si vous le mentionnez dans les instructions.

Étape 7 : Utiliser votre agent

Votre agent est maintenant prêt à être utilisé ! Pour plus de détails, consultez Déployer des agents.

Modèles d’agents créés avec Operator

Operator peut préconfigurer les instructions, les champs de sortie et le contexte pour les modèles de départ suivants de la Console des agents. Choisissez un modèle dans Operator ou demandez à Operator d’en appliquer un par son nom.

Modèles d’agents d’étape Canvas

Modèles d’agents de catalogue

Ressources associées

• Référence pour les agents
• Questions fréquemment posées
• Webinaire Braze sur l’IA en action : 3 nouveaux cas d’usage pour la personnalisation 1:1