Questions fréquemment posées sur les agents

Cet article répond aux questions fréquemment posées sur les agents Braze.

Général

Quelle est la différence entre un Braze Agent et un agent décisionnel ?

Un Braze Agent raisonne sur le contexte d’un utilisateur unique dans une étape du Canvas ou un champ de catalogue. Un agent décisionnel dans Decisioning Studio apprend à partir des résultats mesurés sur l’ensemble de votre population. Pour en savoir plus, consultez Braze Agent et agent décisionnel.

Quelle est la différence entre les Braze Agents et BrazeAI Operator ?

Operator travaille avec vous dans le tableau de bord pendant que vous construisez votre parcours. Les Braze Agents s’exécutent au moment de l’envoi et produisent un résultat différent pour chaque utilisateur. Pour en savoir plus, consultez Générer du contenu.

Quelle est la différence entre les Canvas Step Agents et les Catalog Agents ?

Lors de la création d’un agent, vous indiquez si vous souhaitez créer un Canvas Step Agent ou un Catalog Agent. Cela détermine les types d’instructions et d’options que l’agent peut prendre en charge. Les Canvas Step Agents traitent les utilisateurs en temps réel au sein des parcours, tandis que les Catalog Agents enrichissent les données de catalogue en ajoutant ou en mettant à jour des colonnes avec des informations traitées.

Quels sont les avantages d’utiliser le modèle Auto par rapport à un modèle apporté par vos soins (BYO) ?

Les avantages du modèle Auto de Braze comprennent :

• Aucune récupération ni saisie de clés API ni configuration d’intégration requise
• Routage automatique de chaque invocation vers le modèle le plus efficace pour accomplir la tâche

Où puis-je consulter ma consommation actuelle d’agents ?

Accédez à Paramètres > Facturation > Utilisation des crédits > Agent Console pour voir la consommation de crédits, le nombre d’invocations et les ratios de crédits par agent. Consultez Limites quotidiennes d’invocations et de crédits pour plus de détails.

Puis-je utiliser des instructions Liquid conditionnelles dans les instructions d’un agent ?

Non, tenter d’écrire des blocs Liquid comme des instructions {% if %} peut entraîner une erreur de validation. Les agents peuvent gérer différents scénarios via des descriptions en langage naturel dans le prompt.

Les agents peuvent-ils accéder aux données utilisateur au-delà des attributs Liquid spécifiques ou du contexte Canvas que je leur transmets ?

Non. Les agents reçoivent uniquement les points de données utilisateur spécifiques qui leur sont transmis via Liquid dans les instructions, les sélections + Agent context, les étapes de contexte en amont dans Canvas, ou le contexte supplémentaire de l’étape Agent. Les agents ne peuvent pas rechercher dans les profils utilisateur des attributs que vous ne les avez pas configurés pour recevoir.

Les agents ne peuvent pas non plus vous avertir lorsque des données requises sont manquantes : ils poursuivent avec ce qui se trouve dans le prompt. Traitez la configuration d’un agent comme une conception délibérée entrée-sortie : transmettez chaque champ dont l’agent a besoin et vérifiez les entrées dans Agent Console > Logs. Pour plus d’informations, consultez Quelles données les agents reçoivent.

Résolution des problèmes

Pourquoi mon agent n’a-t-il pas suivi mes instructions ou mes règles ?

Rédigez des instructions positives et explicites autant que possible. Indiquez à l’agent ce qu’il doit faire et formulez toute restriction en termes concrets. Par exemple : « Si {{product_name}} est vide, traitez-le comme s’il n’avait jamais été fourni. »

Utilisez Operator pour examiner votre prompt. Operator parcourt vos instructions et explique où l’agent a probablement divergé.

Pourquoi mon agent de catalogue a-t-il ignoré certaines lignes ?

Les agents de catalogue ignorent une ligne lorsqu’une colonne que vous avez marquée comme requise pour l’exécution est vide ou manquante — par exemple, un champ gender qui n’a pas été renseigné. Après avoir sélectionné les colonnes d’entrée, activez le contrôle d’entrée requise pour le champ du catalogue et choisissez quelles colonnes doivent contenir des valeurs avant l’exécution de l’agent ; les colonnes sélectionnées sont marquées comme requises par défaut, mais vous pouvez retirer celles qui peuvent être vides sans bloquer l’invocation. Cela évite de gaspiller des jetons sur des données incomplètes.

L’agent respecte également les dépendances entre colonnes. Si une colonne de sortie dépend d’autres colonnes (par exemple, la colonne D nécessite des valeurs dans les colonnes B et C), l’agent ne s’exécute pas tant que ces colonnes en amont ne sont pas renseignées pour cette ligne.

Pour plus de détails, consultez les bonnes pratiques pour les agents de catalogue.

Les invocations d’agent échouées consomment-elles des crédits ?

Cela dépend du type d’échec :

Consultez Quand les crédits sont consommés pour plus de détails.

Mon agent peine avec une tâche complexe. Comment puis-je améliorer ses performances ?

Si vous constatez que l’agent peine avec les tâches que vous lui demandez d’accomplir, envisagez une approche par sous-agents. Par exemple, vous pourriez utiliser trois agents pour effectuer les opérations suivantes :

• L’agent 1 standardise et transforme les données de contexte Canvas non structurées entrantes.
• L’agent 2 fait référence à un catalogue de détails d’articles et identifie les articles susceptibles d’être pertinents.
• L’agent 3 fait référence à un autre catalogue contenant différentes descriptions possibles pour chaque article et identifie la description d’article la plus pertinente pour l’utilisateur afin de l’insérer dans un e-mail.

Qu’est-ce qui pourrait provoquer des timeouts fréquents d’un agent personnalisé ?

Un agent personnalisé peut expirer si :

• Les instructions de l’agent sont incomplètes ou contradictoires
• Les instructions de l’agent ne couvrent pas tous les scénarios ou n’incluent pas de condition de repli (par exemple, « Si toutes les entrées sont vides, renvoyer ‘Could not personalize’ »)
• Les instructions de l’agent lui demandent de produire un format de sortie différent de celui spécifié dans l’onglet Output (par exemple, si les instructions demandent une chaîne de caractères, mais que dans l’onglet Output la sortie est définie comme un nombre)
• La tâche de l’agent est trop complexe et bénéficierait d’une approche par sous-agents

Comment réduire les timeouts

Si votre agent expire souvent, essayez les mesures suivantes avant de contacter votre gestionnaire de compte pour demander une limite de timeout plus élevée :

• Choisissez un modèle plus simple ou moins coûteux : Les modèles plus rapides terminent généralement dans la fenêtre de timeout par défaut. Consultez Déterminer quel modèle utiliser.
• Réduisez le niveau de réflexion (modèles BYO uniquement) : Commencez à Faible et n’augmentez que si la qualité de la sortie en souffre. Consultez Niveaux de réflexion.
• Simplifiez le prompt : Supprimez les instructions redondantes, raccourcissez les exemples et restreignez le schéma de sortie. Utilisez Operator pour examiner et affiner vos instructions.
• Divisez les workflows complexes en plusieurs agents : Si le cas d’usage comporte plusieurs sous-étapes (par exemple, classifier l’intention, puis générer le texte), utilisez des agents distincts en séquence dans Canvas ou le catalogue au lieu d’un seul agent qui fait tout. Consultez l’approche par sous-agents.

Remarque

Les timeouts consomment des crédits Braze même lorsque l’agent ne renvoie aucune sortie exploitable. Consultez Quand les crédits sont consommés.

Pour les agents d’étape Canvas, configurez des valeurs de repli dans la console d’agent afin que les utilisateurs reçoivent tout de même une sortie lorsqu’une invocation échoue.

Pourquoi mon agent a-t-il fonctionné correctement en test mais ne reçoit-il aucune donnée propre à l’utilisateur lorsque je le lance dans un Canvas ?

Si votre agent fonctionne correctement pendant les tests mais ne reçoit pas de données propres à l’utilisateur dans un Canvas en production, essayez les étapes de résolution suivantes :

• Assurez-vous que les données propres à l’utilisateur que vous souhaitez transmettre à l’agent sont saisies sous forme de variables Liquid dans les instructions de l’agent.
• Si vous disposez de données importantes dans le contexte Canvas, utilisez l’option Add all Canvas context dans la configuration de l’agent pour vous assurer que l’agent reçoit l’intégralité du contexte Canvas.
• Assurez-vous que tout contexte Canvas auquel vous souhaitez que l’agent accède est bien stocké en tant que contexte Canvas. Utilisez une étape de contexte avant l’étape de l’agent pour stocker ces données.

Conformité

Agent Console est-il conforme au RGPD et au CCPA ?

Oui. Lorsqu’un client utilise le modèle Braze Auto (propulsé par Gemini), Google agit en tant que sous-traitant de Braze, soumis aux conditions de l’accord de traitement des données (DPA) entre le client et Braze.

Agent Console est-il conforme à la HIPAA ?

Oui. Lors de l’utilisation du modèle Braze Auto, nous disposons d’un accord HIPAA spécifique, le Business Associate Addendum (BAA), avec Google couvrant Gemini, qui alimente notre modèle Auto.

Notre BAA s’applique uniquement aux clients utilisant le modèle Braze Auto. Si les clients utilisent leur propre clé LLM, Braze n’envoie pas d’informations de santé protégées (PHI) soumises à la HIPAA à un LLM en leur nom ; les clients les envoient directement. Dans ce cas, le BAA entre Braze et Google ne s’applique pas. Le traitement des données via leur propre clé LLM est régi par le contrat du client et tout BAA qu’il a conclu directement avec son fournisseur de LLM.