Skip to content

에이전트 콘솔의 Braze 에이전트

Braze 에이전트는 Braze 내에서 생성할 수 있는 AI 기반 도우미입니다. 에이전트는 콘텐츠를 생성하고, 지능적인 결정을 내리며, 데이터를 보강하여 보다 개인화된 고객 경험을 제공할 수 있도록 합니다.

에이전트 콘솔의 Braze 에이전트에 대한 개요를 보려면 이 동영상을 시청하세요.

Braze 에이전트를 사용해야 하는 이유

Braze 에이전트는 팀이 추가 작업 없이 더 스마트하고 개인화된 경험을 제공할 수 있도록 도와줍니다. 단순히 프롬프트에 응답하는 것이 아니라 맥락을 이해하고, 의사결정을 내리며, 목표를 향해 행동하는 자율 에이전트로 작동합니다.

실제로 에이전트는 제목란이나 제품 내 텍스트와 같은 메시지 카피를 자동으로 생성할 수 있으므로, 모든 고객이 자신에게 맞춤화된 것처럼 느끼는 커뮤니케이션을 받게 됩니다. 또한 실시간으로 적응하여 선호도, 행동 또는 기타 데이터를 기반으로 사람들을 다양한 Canvas 경로로 라우팅할 수 있습니다.

메시징을 넘어, 에이전트는 제품 및 프로필 필드 값을 계산하거나 생성하여 카탈로그를 보강하고, 데이터를 최신 상태로 동적으로 유지할 수 있습니다. 반복적이거나 복잡한 작업을 대신 처리함으로써, 팀이 수동 설정 대신 전략과 창의성에 집중할 수 있도록 해줍니다. Braze 에이전트는 백그라운드 프로세스라기보다는 협력자에 가깝게 작동하여, 문제를 해결하고 대규모로 효과를 전달할 수 있도록 도와줍니다.

Braze 에이전트와 다른 BrazeAI 기능을 사용해야 하는 경우

사용자의 특정 맥락을 활용하여 실시간으로 콘텐츠를 개인화할 때 에이전트를 사용하세요. 예를 들어, 에이전트가 특정 사용자의 좋아하는 아이스크림 맛이 초콜릿이고 좋아하는 토핑이 거미 젤리라는 것을 알고 있다면, 해당 사용자가 Canvas를 통과할 때 그 조합에 맞는 푸시 카피를 작성할 수 있습니다.

그러나 에이전트는 시행착오를 통해 학습하지 않으며, 측정하고 극대화하려는 궁극적인 마케팅 목표에 대한 개념이 없습니다. 전환을 유도하는 카피를 일반적으로 작성하도록 지시하더라도, 에이전트 작성의 전환 영향을 “모니터링”하고 해당 데이터를 향후 에이전트 호출에 다시 통합하는 메커니즘이 없습니다. 이를 보상 기반 AI 의사결정이 아닌 “감각적” 의사결정이라고 생각할 수 있습니다.

반면, 다른 BrazeAI 도구들은 측정 중인 측정기준을 극대화하도록 설계되어 있습니다. 예를 들어, 에이전트는 사용자의 특성이 특정 이벤트를 수행하거나 특정 제품을 좋아할 가능성이나 성향에 어떻게 영향을 미치는지 질적으로 평가하는 데 매우 뛰어납니다. 그러나 에이전트는 시행착오를 통해 학습하지 않기 때문에 가능성을 예측하는 정확도를 측정하고 시간이 지남에 따라 신호를 개선하는 방법을 알지 못합니다. 따라서 예측의 정확도와 시간에 따른 개선 측면에서 판단하면 Predictive Suite가 에이전트 단계보다 더 나은 성능을 발휘합니다.

기능

Braze 에이전트의 기능은 다음과 같습니다:

  • 유연한 설정: Braze에서 제공하는 LLM을 사용하거나 자체 AI 모델 제공업체(예: OpenAI, Anthropic, Google Gemini 또는 Databricks Mosaic)를 연결할 수 있습니다.
  • 원활한 통합: 캔버스 단계 또는 카탈로그 필드에 에이전트를 직접 배포할 수 있습니다.
  • 테스트, 로그 및 버전 기록: 출시 전에 샘플 입력으로 테스트하여 에이전트의 출력을 미리 확인할 수 있습니다. 에이전트가 실행될 때마다 해당 실행의 입력 및 출력을 포함한 로그를 확인할 수 있습니다. Version history 탭을 사용하여 이전 버전과 지침 변경 사항의 인라인 비교를 검토할 수 있습니다.
  • 사용량 제어: 일일 한도를 통해 성능과 비용을 관리할 수 있습니다.

Braze 에이전트 소개

에이전트는 동작 방식을 정의하는 지침(시스템 프롬프트)으로 구성됩니다. 에이전트가 실행되면 사용자의 지침과 명시적으로 전달된 데이터를 함께 사용하여 응답을 생성합니다. 에이전트는 구성된 데이터—Liquid 변수, 에이전트 컨텍스트 선택, Canvas 컨텍스트 변수, 컨텍스트 단계 값—이외의 사용자 데이터에는 접근할 수 없습니다. 에이전트는 프로필을 검색하거나 데이터가 누락되었을 때 경고를 보내지 않습니다. 에이전트가 수신하는 데이터를 참조하세요.

핵심 개념

용어 정의
모델 에이전트의 “두뇌”로, 이 경우 대규모 언어 모델(LLM)을 의미합니다. 입력을 해석하고, 응답을 생성하며, 추론을 수행합니다. 더 강력한 모델(더 관련성 높은 데이터로 학습된 모델)은 에이전트를 더 유능하고 다재다능하게 만듭니다.
지침 에이전트에게 제공하는 규칙 또는 가이드라인(시스템 프롬프트)입니다. 에이전트가 실행될 때마다 어떻게 동작해야 하는지를 정의합니다. 명확한 지침은 에이전트를 더 신뢰성 있고 예측 가능하게 만듭니다.
컨텍스트 에이전트가 배포된 곳에서 런타임에 전달되는 데이터로, 사용자 프로필 필드나 카탈로그 행 등이 해당됩니다. 이 입력은 에이전트가 출력을 생성하는 데 사용하는 정보를 제공합니다.
Canvas 컨텍스트 변수 특정 Canvas를 통한 사용자 여정 내에서 생성하고 사용할 수 있는 임시 데이터입니다.
출력 변수 캔버스 단계에서 에이전트가 사용될 때 생성하는 출력입니다. 출력 변수는 에이전트의 결과를 저장하여 콘텐츠를 개인화하거나 워크플로 경로를 안내합니다. 출력 변수는 문자열, 숫자 또는 불리언 데이터 유형일 수 있습니다.
호출 에이전트의 단일 실행입니다. 일일 한도에 포함됩니다.
출력 형식 에이전트 응답의 사전 정의된 데이터 구조입니다.
지식 소스 카탈로그를 에이전트의 지침에서 직접 참조하는 것보다 더 정확하게 카탈로그에서 데이터를 검색하는 데 사용되는 에이전트 컨텍스트의 한 유형입니다.

제한 사항

다음 제한 사항이 적용됩니다:

  • 각 에이전트는 기본적으로 일일 호출 한도가 250,000회이며, 최대 1,000,000회까지 증가시킬 수 있습니다. 이 한도를 늘리고 싶으시면 고객 성공 매니저에게 문의하세요.
  • Agent Console에는 각 에이전트에 대한 일일 액션 크레딧 비용 한도가 표시됩니다. 이는 모델의 호출당 크레딧 비율과 일일 호출 한도를 기반으로 한 일일 예상 최대 크레딧입니다. 일일 호출 및 크레딧 한도를 참조하세요.
  • 기본적으로 각 실행은 20초 이내에 완료되어야 합니다. 20초가 지나면 에이전트는 사용되는 위치에서 null 응답을 반환합니다.
    • 에이전트가 지속적으로 시간 초과가 발생하는 경우, Braze 계정 매니저에게 문의하여 이 한도를 늘리세요.
  • 입력 데이터는 요청당 25KB로 제한됩니다. 더 긴 입력은 잘립니다.

모범 사례

에이전트가 가장 큰 투자수익률(ROI)을 이끌어낼 수 있는 고가치 사용 사례를 타겟팅하고, 반응할 가능성이 높은 오디언스를 선택하세요. 규모가 작더라도 기회가 높은 오디언스가 기회가 낮은 대규모 오디언스보다 더 나은 성과를 내는 경우가 많습니다. 예를 들어, 에이전트가 생성한 카피를 전체 사용자 기반에 보내는 것보다, 최근 검색했지만 전환하지 않은 사용자를 리타겟팅하는 것이 효과적입니다.

규모를 확장하기 전에 ROI를 검증하려면, 실험 경로 단계를 사용하여 오디언스의 일부만 에이전트 단계를 통해 전송하세요. 소규모 테스트에서 좋은 결과가 나오면, 에이전트를 전체 타겟 오디언스로 확장하고 일일 호출 한도를 높여 전송 중간에 호출이 제한되지 않도록 하세요. 전체 오디언스로 확장하기 전에 예상 크레딧 소비량이 적절한지 확인하세요. 배포에 대한 자세한 안내는 커스텀 에이전트 배포를 참조하세요.

오류 처리

Canvas 단계 에이전트 또는 카탈로그 에이전트 호출 중에 연결된 모델이 LLM 제공업체로부터 사용량 제한 오류를 반환하면, Braze는 지수 백오프를 사용하여 요청을 지속적으로 재시도합니다.

다른 실패(시간 초과 또는 잘못된 API 키 등)의 경우, 에이전트에 Agent Console에서 대체 값이 구성되어 있지 않으면 Canvas 단계 에이전트 출력은 null로 설정됩니다(Canvas 단계 에이전트만 해당). 카탈로그 에이전트는 사용량 제한 이외의 실패에 대해 재시도하지 않습니다. 에이전트가 일일 호출 한도에 도달하면, Braze는 구성된 대체 값이 있을 경우 이를 적용하고, 그렇지 않으면 출력을 null로 설정합니다.

사용량 제한 오류, 모델 사용 불가, 일일 호출 한도 실패는 Braze 크레딧을 소비하지 않습니다. 시간 초과는 크레딧을 소비합니다. 크레딧이 소비되는 시점을 참조하세요.

많은 사용자가 동시에 에이전트 단계에 진입하면, 호출 흐름 제어로 인해 처리 시간이 길어질 수 있습니다. 호출이 실패할 때 사용자가 여전히 출력을 받을 수 있도록 Agent Console에서 Canvas 단계 에이전트의 대체 값을 구성하거나, 다운스트림 메시지 단계에서 기본 Liquid 값을 사용하세요.

Braze 제공 LLM에 데이터가 어떻게 사용되고 전송되나요?

Braze가 Braze 제공 LLM을 활용한다고 명시한 BrazeAI 기능을 통해 AI 출력(“출력”)을 생성하기 위해, Braze는 사용자의 시스템 프롬프트 또는 기타 적용 가능한 입력(“입력”)을 Braze 제공 LLM으로 전송합니다. 해당 Braze 제공 LLM으로 전송된 데이터는 Braze 제공 LLM을 교육하거나 개선하는 데 사용되지 않습니다. 사용자와 Braze 간에, 출력은 사용자의 지적 재산입니다. Braze는 해당 출력에 대해 저작권 소유권을 주장하지 않습니다. Braze는 출력을 포함한 AI 생성 콘텐츠 전반에 대해 어떠한 종류의 보증도 제공하지 않습니다.

“Auto”로 식별되는 Braze Agents용 Braze 제공 LLM은 Google Gemini 모델을 사용합니다. Google은 Braze를 통해 제출된 입력 및 출력을 55일 동안 보유하며, 그 이후 데이터는 삭제됩니다.

다음 단계

Braze 에이전트에 대해 알게 되었으니, 다음 단계를 진행할 준비가 되었습니다:
New Stuff!