Référence des agents

Lorsque vous créez des agents personnalisés, reportez-vous à cet article pour en savoir plus sur les paramètres clés, tels que les instructions et les schémas de sortie. Pour une configuration étape par étape, consultez Créer des agents personnalisés. Pour une introduction, consultez Agents Braze et la Foire aux questions.

Modèles

Lorsque vous configurez un agent, vous pouvez choisir le modèle qu’il utilise pour générer des réponses. Deux options s’offrent à vous : utiliser un modèle fourni par Braze ou apporter votre propre clé API.

Important

Le modèle Auto fourni par Braze est optimisé pour des modèles dont les capacités de raisonnement sont suffisantes pour effectuer des tâches telles que la recherche dans un catalogue ou la vérification d’appartenance à un Segment. Lorsque vous utilisez d’autres modèles, nous vous recommandons de tester pour confirmer que votre modèle fonctionne bien pour votre cas d’usage. Vous devrez peut-être ajuster vos instructions pour fournir différents niveaux de détail ou un raisonnement étape par étape selon la vitesse et les capacités de chaque modèle.

Option 1 : Utiliser un modèle fourni par Braze

C’est l’option la plus simple, sans configuration supplémentaire. Braze fournit un accès direct aux grands modèles de langage (LLM). Pour utiliser cette option, sélectionnez Auto, qui utilise les modèles Gemini.

Important

Si vous ne voyez pas Braze Auto comme option dans le menu déroulant Model lors de la création d’un agent, contactez votre gestionnaire du succès des clients pour savoir comment devenir éligible à l’utilisation du modèle Braze Auto.

Option 2 : Apporter votre propre clé API

Avec cette option, vous pouvez connecter votre compte Braze à des fournisseurs tels qu’OpenAI, Anthropic ou Google Gemini. Si vous apportez votre propre clé API d’un fournisseur de LLM, les coûts de jetons sont facturés directement par votre fournisseur, et non par Braze.

Nous vous recommandons de tester régulièrement les modèles les plus récents, car les modèles anciens peuvent être abandonnés ou dépréciés après quelques mois. Assurez-vous de disposer de crédits suffisants auprès de votre fournisseur pour exécuter vos agents à grande échelle. Vous pouvez également vous inscrire aux notifications de l’Agent Console dans les Préférences de notification pour être alerté lorsque Braze détecte qu’un modèle n’est plus disponible ou rencontre des problèmes de facturation avec votre fournisseur de LLM.

Pour configurer cette option :

1. Accédez à Partner Integrations > Technology Partners et trouvez votre fournisseur.
2. Saisissez votre clé API du fournisseur.
3. Sélectionnez Save.

Ensuite, vous pouvez retourner à votre agent et sélectionner votre modèle.

Lorsque vous utilisez un LLM fourni par Braze, les fournisseurs de ce modèle agissent en tant que sous-traitants de Braze, soumis aux conditions de l’Addendum sur le traitement des données (DPA) entre vous et Braze. Si vous choisissez d’apporter votre propre clé API, le fournisseur de votre abonnement LLM est considéré comme un fournisseur tiers dans le cadre du contrat entre vous et Braze.

Niveaux de raisonnement

Certains fournisseurs de LLM peuvent vous permettre d’ajuster le niveau de raisonnement d’un modèle sélectionné. Les niveaux de raisonnement définissent la profondeur de réflexion que le modèle utilise avant de répondre, allant de réponses rapides et directes à des chaînes de raisonnement plus longues. Cela affecte la qualité des réponses, la latence et l’utilisation des jetons.

Nous vous recommandons de commencer avec Minimal et de tester les réponses de votre agent. Vous pouvez ensuite ajuster le niveau de raisonnement à Faible ou Moyen si vous constatez que l’agent peine à fournir des réponses précises. Dans de rares cas, un niveau de raisonnement Élevé peut être nécessaire, bien que ce niveau puisse entraîner des coûts de jetons élevés et des temps de réponse plus longs ou un risque accru d’erreurs de délai d’attente. Si votre agent peine à concilier un raisonnement en plusieurs étapes avec des temps de réponse raisonnables, envisagez de décomposer votre cas d’usage en plusieurs agents pouvant collaborer dans un Canvas ou un catalogue.

Braze utilise les mêmes plages d’adresses IP pour les appels LLM sortants que pour le contenu connecté. Les plages sont répertoriées dans la liste d’autorisation d’adresses IP du contenu connecté. Si votre fournisseur prend en charge la liste d’autorisation d’adresses IP, vous pouvez restreindre la clé à ces plages afin que seul Braze puisse l’utiliser.

Important

Lorsque vous utilisez un LLM fourni par Braze, les fournisseurs de ce modèle agissent en tant que sous-traitants de Braze, soumis aux conditions de l’Addendum sur le traitement des données (DPA) entre vous et Braze. Si vous choisissez d’apporter votre propre clé API, le fournisseur de votre abonnement LLM est considéré comme un fournisseur tiers dans le cadre du contrat entre vous et Braze.

Déterminer quel modèle utiliser

Chaque fournisseur de LLM offre un mélange légèrement différent de capacités de modèle, de coûts et de niveaux de raisonnement. Voici quelques recommandations générales et bonnes pratiques :

• Pour optimiser les coûts, privilégiez les tests sur les modèles à faible coût de jetons avant ceux à coût plus élevé. N’utilisez des modèles plus coûteux que si les modèles à faible coût peinent avec le cas d’usage ou génèrent des résultats incohérents ou inexacts.
• Pour optimiser la vitesse et les performances, privilégiez les tests sur les niveaux de raisonnement bas avant les niveaux supérieurs. N’utilisez des niveaux de raisonnement plus élevés que si les niveaux inférieurs peinent avec le cas d’usage ou génèrent des résultats incohérents ou inexacts.
• Si les modèles à faible coût ou les niveaux de raisonnement bas peinent avec le cas d’usage ou génèrent des résultats incohérents ou inexacts, envisagez de passer à des modèles plus coûteux ou à des niveaux de raisonnement supérieurs.
• Pendant les tests, veillez à trouver le juste équilibre entre fiabilité et précision d’une part, et utilisation de jetons et durée d’invocation d’autre part.
• Chaque cas d’usage peut avoir un modèle et un niveau de raisonnement optimaux différents. Nous vous recommandons de tester de manière approfondie pour vérifier la qualité constante sans dépassement de délai.

Contrôles du flux d’invocation

Les contrôles de flux d’invocation suivants s’appliquent par espace de travail :

• Modèle fourni par Braze : 5 000 invocations par minute
• Clé API personnelle : 5 000 invocations par minute

Lorsque de nombreux utilisateurs atteignent une étape Agent simultanément, Braze met les invocations en file d’attente selon ces limites, de sorte que le traitement peut prendre plus de temps lors d’envois à fort volume.

Limites quotidiennes d’invocations et de crédits

Chaque agent dispose d’une limite quotidienne d’invocations (250 000 par défaut ; 1 000 000 maximum, sauf si votre contrat autorise un volume supérieur). Chaque invocation (y compris les aperçus dans l’Agent Console et les exécutions Test Canvas utilisant Simulate response) est comptabilisée dans cette limite.

Dans l’Agent Console, la Daily action credit cost limit estime le nombre maximum de crédits qu’un agent peut consommer par jour. Braze multiplie le ratio de crédits par invocation de votre espace de travail pour le modèle sélectionné par la limite quotidienne d’invocations.

Quand les crédits sont consommés

Braze ne facture des crédits que pour les invocations qui aboutissent. Les crédits ne sont pas consommés lorsqu’une invocation échoue en raison de :

• Une erreur de limitation du débit du fournisseur de LLM (y compris les tentatives de renvoi qui échouent finalement)
• L’indisponibilité du modèle sélectionné
• L’atteinte de la limite quotidienne d’invocations de l’agent

Les crédits sont consommés lorsqu’une invocation dépasse le délai d’attente, même si l’agent ne renvoie pas de résultat exploitable.

Surveiller l’utilisation des crédits

Accédez à Settings > Billing > Credits Usage > Agent Console pour consulter la consommation de crédits, le nombre d’invocations et les ratios de crédits par agent.

Les ratios de crédits proviennent de votre contrat et apparaissent dans le tableau de bord Credits Usage (onglets Credit Ratios et Agent Console). L’estimation est mise à jour lorsque vous modifiez le modèle ou la limite d’invocations.

Pour gérer vos dépenses, réduisez la limite quotidienne d’invocations. Pour les modèles avec clé API personnelle, vous pouvez également choisir un modèle moins coûteux ou réduire le niveau de raisonnement pour diminuer les coûts de jetons du fournisseur. Braze Auto ne permet pas d’ajuster le niveau de raisonnement.

Erreurs de limitation du débit

Si le fournisseur de LLM renvoie une erreur de limitation du débit lors d’une invocation d’agent dans une étape Canvas ou un agent de catalogue, Braze retente continuellement la requête en utilisant des délais exponentiels jusqu’à ce que l’appel aboutisse ou que Braze détermine qu’il ne peut pas être complété.

Lorsque les tentatives de renvoi de Canvas ou de catalogue sont épuisées, le panneau de détails Logs affiche Error et le message du fournisseur (tel que Rate limit exceeded) dans Output. Les tentatives de renvoi sont visibles dans les logs, y compris la toute première invocation, quel que soit son résultat final. Pour un utilisateur donné, si quatre tentatives de renvoi sont nécessaires pour obtenir un succès, vous pouvez rechercher l’ID utilisateur et voir les cinq entrées (l’originale plus les quatre tentatives) dans les Logs, et l’originale ainsi que les trois premières tentatives afficheront Error avec Rate limit exceeded.

Les erreurs de limitation du débit ne consomment pas de crédits Braze, y compris les tentatives échouées affichées dans les Logs.

Rédaction des instructions

Les instructions sont les règles ou directives que vous donnez à l’agent (prompt système). Elles définissent comment l’agent doit se comporter à chaque exécution. Les instructions système peuvent atteindre 25 Ko.

Si vous avez créé votre agent avec BrazeAI Operator en utilisant un modèle de départ, examinez les instructions pré-remplies et modifiez-les selon vos besoins.

Voici quelques bonnes pratiques générales pour vous aider à démarrer avec la rédaction de prompts :

1. Commencez par la fin en tête. Énoncez l’objectif en premier.
2. Donnez au modèle un rôle ou un persona (« Vous êtes un … »).
3. Définissez un contexte et des contraintes clairs (audience, longueur, ton, format).
4. Demandez une structure (« Renvoyer du JSON/une liste à puces/un tableau… »).
5. Montrez, ne dites pas. Incluez quelques exemples de haute qualité.
6. Décomposez les tâches complexes en étapes ordonnées (« Étape 1… Étape 2… »).
7. Encouragez le raisonnement (« Réfléchissez aux étapes en interne, puis fournissez une réponse finale concise », ou « expliquez brièvement votre décision »).
8. Testez, inspectez et itérez. De petits ajustements peuvent entraîner des gains de qualité importants.
9. Gérez les cas limites, ajoutez des garde-fous et ajoutez des instructions de refus.
10. Mesurez et documentez ce qui fonctionne en interne pour la réutilisation et la mise à l’échelle.

Exemples

Pour les configurations de départ dans la console Agent, consultez Modèles d’agent créés avec Operator.

Pour des exemples complets d’instructions que vous pouvez copier ou adapter, consultez la bibliothèque de cas d’usage pour les Braze Agents.

Utilisation de Liquid

Inclure du Liquid dans les instructions de votre agent peut ajouter une couche supplémentaire de personnalisation dans sa réponse. Vous pouvez spécifier la variable Liquid exacte que l’agent reçoit et l’inclure dans le contexte de votre prompt. Par exemple, au lieu d’écrire explicitement « prénom », vous pouvez utiliser l’extrait Liquid {{${first_name}}} :

1
Tell a one-paragraph short story about this user, integrating their {{${first_name}}}, {{${last_name}}}, and {{${city}}}. Also integrate any context you receive about how they are currently thinking, feeling, or doing. For example, you may receive {{context.${current_emotion}}}, which is the user's current emotion. You should work that into the story.

Dans la section Logs de la console Agent, vous pouvez consulter les détails de l’entrée et de la sortie de l’agent pour comprendre quelle valeur est rendue à partir du Liquid.

Quelles données les agents reçoivent

Le contexte d’un agent n’est pas une mémoire conversationnelle ouverte. Contrairement à un assistant de chat, un agent ne voit que les données que vous lui transmettez explicitement au moment de l’invocation — il ne parcourt pas les profils utilisateur, n’infère pas les champs manquants et ne vous signale pas lorsqu’une information requise est absente.

Concevez chaque agent comme un pipeline entrée-sortie délibéré. Connectez chaque point de données dont l’agent a besoin en utilisant une ou plusieurs des méthodes suivantes :

1. Liquid dans les instructions : Intégrez les attributs utilisateur ({{${first_name}}}) et les variables de contexte Canvas ({{context.${variable_name}}}) directement dans le prompt de l’agent.
2. + Contexte de l’agent : Sélectionnez des catalogues, l’appartenance à un Segment, les directives de marque, All Canvas Context ou les données d’interaction utilisateur dans la console Agent.
3. Étapes de contexte : Définissez ou mettez à jour les variables context.* en amont dans le Canvas avant l’exécution d’une étape Agent.
4. Contexte supplémentaire sur l’étape Agent : Transmettez à l’agent, au moment de l’envoi, toute valeur supplémentaire modélisée en Liquid qui n’est pas déjà spécifiée via les autres méthodes, depuis la configuration de l’étape.

Assurez-vous soit d’intégrer ces variables de contexte en Liquid dans les instructions de l’agent, soit de sélectionner Add All Canvas Context. Si une valeur n’est pas transmise par l’un de ces canaux, l’agent ne la reçoit pas. Listez les entrées requises dans vos instructions ou dans les prérequis des cas d’usage, et vérifiez les entrées dans Console Agent > Logs après les tests.

Pour les Catalog Agents, utilisez les champs dans la section Sortie plutôt que le schéma JSON ; vous pouvez toujours rédiger des instructions qui demandent au modèle une sortie clé-valeur correspondant à ces noms de champs.

Pour plus de détails sur les bonnes pratiques de prompting, consultez les guides des fournisseurs de modèles suivants :

• OpenAI
• Anthropic
• Gemini

Sorties

Si vous avez créé votre agent avec BrazeAI Operator en utilisant un modèle de départ, vérifiez le schéma de sortie pré-rempli et modifiez-le si nécessaire.

Schémas de base

Les schémas de base sont une sortie simple qu’un agent renvoie. Il peut s’agir d’une chaîne de caractères, d’un nombre, d’un booléen, d’un tableau de chaînes de caractères ou d’un tableau de nombres.

Par exemple, si vous souhaitez collecter des scores de satisfaction utilisateur à partir d’un sondage de retour simple pour déterminer le degré de satisfaction de vos clients après avoir reçu un produit, vous pouvez sélectionner Number comme schéma de base pour structurer le format de sortie.

Important

Les tableaux ne sont disponibles que pour les agents d’étape Canvas, pas pour les agents de catalogue.

Schémas avancés

Les options de schémas avancés incluent la structuration manuelle des champs ou l’utilisation de JSON.

• Champs : une approche sans code pour imposer une sortie d’agent que vous pouvez utiliser de manière cohérente.
• JSON : une approche par code pour créer un format de sortie précis, où vous pouvez imbriquer des variables et des objets au sein du schéma JSON. Disponible uniquement pour les agents d’étape Canvas, pas pour les agents de catalogue.

Nous recommandons d’utiliser des schémas avancés lorsque vous souhaitez que l’agent renvoie une structure de données contenant plusieurs valeurs définies de manière structurée, plutôt qu’une sortie à valeur unique. Cela permet de mieux formater la sortie en tant que variable de contexte cohérente.

Sortie de secours

Les valeurs de secours ne sont disponibles que pour les agents d’étape Canvas. Dans la section Output de la console d’agent pour un agent d’étape Canvas, vous pouvez définir les valeurs que Braze utilise lorsqu’un appel échoue.

Pour les schémas JSON, Braze lit le schéma et génère un champ de saisie pour chaque propriété afin que vous puissiez définir une valeur de secours par clé. Pour les schémas de type Fields, vous saisissez une valeur de secours pour chaque champ. Pour les schémas de base, vous saisissez une seule valeur de secours. Les agents d’étape Canvas prennent en charge Liquid dans les valeurs de secours.

Pour les étapes de configuration, consultez Configurer les valeurs de secours. Pour le comportement en exécution dans Canvas, consultez Gestion des erreurs et comportement de secours.

Par exemple, vous pouvez utiliser un format de sortie au sein d’un agent conçu pour créer un exemple d’itinéraire de voyage pour un utilisateur en fonction d’un formulaire qu’il a soumis. Le format de sortie vous permet de définir que chaque réponse de l’agent doit revenir avec des valeurs pour tripStartDate, tripEndDate et destination. Chacune de ces valeurs peut être extraite des variables de contexte et placée dans une étape de message pour la personnalisation à l’aide de Liquid.

• champs
• schéma json

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
{
  "type": "object",
  "properties": {
    "sentiment": {
      "type": "string"
    },
    "reasoning": {
      "type": "string"
    }
  },
  "required": [
    "sentiment",
    "reasoning"
  ]
}

Catalogues et champs

Choisissez des catalogues spécifiques qu’un agent peut consulter afin de lui fournir le contexte nécessaire pour comprendre vos produits et autres données non liées aux utilisateurs lorsque c’est pertinent. Les agents utilisent des outils pour trouver uniquement les éléments pertinents et les envoyer au LLM afin de minimiser la consommation de jetons. Pour une meilleure récupération des catalogues, créez une source de connaissances et ajoutez-la comme contexte d’agent au lieu d’attacher le catalogue directement.

Lorsque vous déployez un Catalog Agent sur un champ de catalogue, activez le contrôle d’entrée obligatoire et choisissez quelles colonnes sélectionnées doivent être renseignées avant que l’agent ne s’exécute. L’agent ignore une ligne uniquement lorsque l’une de ces colonnes obligatoires est vide ou manquante — par exemple, un champ gender qui n’a pas encore été rempli. Les colonnes sélectionnées sont obligatoires par défaut, mais vous pouvez retirer des colonnes qui peuvent être vides sans bloquer l’exécution. Cela évite de gaspiller des jetons sur des données incomplètes.

Les Catalog Agents respectent également l’ordre des colonnes lorsque les champs d’entrée dépendent les uns des autres. Si la colonne D doit être générée à partir des colonnes B et C, l’agent ne s’exécute pas sur la colonne D tant que B et C ne contiennent pas de valeurs pour cette ligne.

Pour les scénarios de déploiement et les exemples, consultez Utiliser les Catalog Agents et Bonnes pratiques pour les Catalog Agents.

Contexte d’appartenance au Segment

Vous pouvez sélectionner jusqu’à cinq Segments que l’agent pourra consulter pour vérifier l’appartenance de chaque utilisateur lorsqu’il est utilisé dans un Canvas. Supposons que votre agent ait accès à l’appartenance au Segment « Loyalty Users » et qu’il soit utilisé dans un Canvas. Lorsque les utilisateurs entrent dans une étape Agent, l’agent peut vérifier si chaque utilisateur est membre de chacun des Segments que vous avez spécifiés dans la console de l’agent, et utiliser l’appartenance (ou la non-appartenance) de chaque utilisateur comme contexte pour le LLM.

Directives de marque

Vous pouvez sélectionner des directives de marque que votre agent devra respecter dans ses réponses. Par exemple, si vous souhaitez que votre agent génère du texte SMS pour encourager les utilisateurs à s’inscrire à un abonnement en salle de sport, vous pouvez utiliser ce champ pour faire référence à vos directives prédéfinies audacieuses et motivantes.

Historique d’interaction spécifique à l’utilisateur

Les données d’interaction d’un utilisateur incluent les Campaign et les messages Canvas récemment reçus par canal, le contenu de chaque message et si l’utilisateur a interagi avec chacun d’entre eux. Vous pouvez inclure ces données en tant que contexte spécifique à l’utilisateur qu’un agent peut consulter lorsqu’il est invoqué pour un utilisateur dans un Canvas. L’historique d’interaction spécifique à l’utilisateur peut aider à influencer un agent pour qu’il rédige des textes qui résonnent avec chaque utilisateur lorsque sa mission est de rédiger des messages personnalisés.

Historique des versions

La Console des agents enregistre une nouvelle version chaque fois que vous enregistrez des modifications apportées à l’agent. L’onglet Historique des versions répertorie chaque version enregistrée et les modifications entre les enregistrements.

1. Ouvrez l’agent dans la Console des agents.
2. Sélectionnez l’onglet Historique des versions.
3. Sélectionnez une version pour examiner sa configuration.

Pour inspecter les modifications d’une version, sélectionnez Voir. Braze affiche un diff en ligne de style code qui met en évidence les ajouts et les suppressions. Le contenu supprimé apparaît avec un style barré en rouge.

Si vous devez restaurer les instructions d’une version précédente, ouvrez Voir pour cette version, copiez le texte des instructions et collez-le dans votre champ Instructions actuel.

Conseil

Dans la vue du diff en ligne, appuyez sur ⌘ + A (macOS) ou Ctrl + A (Windows) pour sélectionner toutes les instructions sans le balisage de suppression en rouge, afin de pouvoir copier et restaurer le texte propre.

Dupliquer des agents

Dupliquez un agent pour tester des améliorations ou des itérations côte à côte avec l’original. Utilisez l’historique des versions pour consulter ou restaurer des configurations antérieures. Pour dupliquer un agent :

1. Survolez la ligne de l’agent et sélectionnez le menu .
2. Sélectionnez Dupliquer.

Archiver des agents

À mesure que vous créez des agents personnalisés, vous pouvez organiser la page Agent Management en archivant les agents qui ne sont pas activement utilisés. Pour archiver un agent :

1. Survolez la ligne de l’agent et sélectionnez le menu .
2. Sélectionnez Archive.