에이전트 단계

에이전트 단계를 사용하면 AI 기반 의사결정 및 콘텐츠 생성을 Canvas 워크플로에 직접 추가할 수 있습니다. 보다 일반적인 정보는 Braze 에이전트를 참조하세요.

필수 조건

에이전트 단계는 Canvas 컨텍스트 변수를 사용하여 관련 컨텍스트를 수집하고 Canvas에서 활용할 수 있는 변수를 출력합니다.

작동 방식

사용자가 Canvas에서 에이전트 단계에 도달하면, Braze는 설정한 입력 데이터(전체 컨텍스트 또는 선택한 필드)를 선택한 에이전트에 전송합니다. 그러면 에이전트가 모델과 지침을 사용하여 입력을 처리하고 출력을 반환합니다. 해당 출력은 단계에서 정의한 출력 변수에 저장됩니다.

이 변수는 세 가지 주요 방식으로 사용할 수 있습니다:

• 의사결정: 에이전트의 응답에 따라 사용자를 다른 Canvas 경로로 라우팅합니다. 예를 들어, 리드 스코어링 에이전트가 “Sales Ready”, “Marketing Qualified” 또는 “Disqualified”와 같은 리드 카테고리를 반환할 수 있습니다. 이 할당을 사용하여 “Sales Ready” 리드에 대해 Slack 알림이나 자동 메시지를 트리거하고, “Disqualified” 리드는 여정에서 제외할 수 있습니다.
• 개인화: 에이전트의 응답을 메시지에 직접 삽입합니다. 예를 들어, 에이전트가 고객 피드백을 분석하고 고객의 의견을 참조하며 해결 방안을 제안하는 공감적인 후속 이메일을 생성할 수 있습니다.
• 사용자 데이터 처리: 사용자 데이터를 분석하고 표준화한 다음 고객 프로필에 저장하거나 웹훅을 사용하여 전송합니다. 예를 들어, 에이전트가 감성 점수나 제품 친밀도 할당을 반환할 수 있습니다. 해당 데이터를 고객 프로필에 저장하여 향후 사용할 수 있습니다.

에이전트 단계 생성

1단계: 단계 추가

사이드바에서 에이전트 구성요소를 드래그 앤 드롭하거나, 단계 하단의 플러스 버튼을 선택한 다음 에이전트를 선택합니다.

2단계: 에이전트 선택

이 단계에서 데이터를 처리할 에이전트를 선택합니다. 기존 에이전트를 선택하세요. 설정 안내는 커스텀 에이전트 생성을 참조하세요.

3단계: 에이전트 출력 설정

에이전트 출력은 “출력 변수”라고 하며, 쉽게 접근할 수 있도록 컨텍스트 변수에 저장됩니다. 출력 변수를 정의하려면 변수에 이름을 지정하세요.

출력 변수의 데이터 유형은 에이전트 콘솔에서 설정됩니다. 에이전트 출력은 문자열, 숫자, 부울 또는 오브젝트로 저장할 수 있습니다. 이를 통해 Canvas에서 텍스트 개인화와 조건 로직 모두에 유연하게 활용할 수 있습니다. 각 유형의 일반적인 사용 사례는 다음과 같습니다:

데이터 유형	일반적인 사용 사례
문자열	메시지 개인화(제목란, 카피, 응답)
숫자	스코어링, 임계값, 오디언스 경로에서의 라우팅
부울	결정 분할에서의 예/아니오 분기
오브젝트	예측 가능한 데이터 구조에서 단일 LLM 호출로 위의 데이터 유형 중 하나 이상을 활용

컨텍스트 변수와 동일한 템플릿 구문을 사용하여 Canvas 전체에서 출력 변수를 사용할 수 있습니다. Context Variable Segment 필터를 사용하거나, Liquid를 사용하여 에이전트 응답을 직접 템플릿화할 수 있습니다: {{context.${response_variable_name}}} .

오브젝트 출력 변수에서 특정 등록정보를 사용하려면, Liquid에서 점 표기법을 사용하여 해당 등록정보에 접근합니다: {{context.${response_variable_name}.field_name}}

4단계: 추가 컨텍스트 추가(선택 사항)

에이전트 단계가 실행될 때 참조할 추가 컨텍스트 값을 포함할 수 있습니다. Canvas에서 일반적으로 사용하는 모든 Liquid 템플릿 값을 입력할 수 있습니다.

5단계: 에이전트 테스트

에이전트 단계를 설정한 후, 이 단계의 출력을 테스트하고 미리볼 수 있습니다.

오류 처리

• 연결된 모델이 사용량 제한 오류를 반환하면, Braze는 지수 백오프를 사용하여 최대 5회까지 재시도합니다.
• 에이전트가 다른 이유(예: 타임아웃 오류 또는 잘못된 API 키)로 실패하면, 출력 변수는 null로 설정됩니다.
  • 에이전트가 일일 호출 한도에 도달하면, 출력 변수는 null로 설정됩니다.
• 오류에 대비하여 기본 Liquid 값을 사용하세요. 예를 들어, Add Personalization 모달에서 {{context.${response_variable_name}.push_title | default: 'Hello friend!'}} 또는 {{context.${response_variable_name}.push_body | default: 'Open our app to get your prize!'}}와 같은 기본 Liquid 값을 입력할 수 있습니다.
• 동일한 입력에 대한 응답은 캐시되며, 몇 분 이내에 반복되는 동일한 호출에 재사용될 수 있습니다.
  • 캐시된 값을 사용하는 응답도 총 호출 수 및 일일 호출 수에 포함됩니다.
• 에이전트 단계는 대량의 사용자를 처리하는 데 시간이 걸릴 수 있습니다. 이 단계에서 아직 대기 중인 사용자가 보이면, 로그를 확인하여 호출이 진행되고 있는지 확인하세요.

분석

에이전트 단계의 성과를 추적하려면 다음 측정기준을 참조하세요:

측정기준	설명
진입	사용자가 에이전트 단계에 진입한 횟수입니다.
다음 단계로 진행	에이전트 단계를 통과한 후 플로우의 다음 단계로 진행한 사용자 수입니다.
Canvas 종료	에이전트 단계를 통과한 후 Canvas를 종료한 사용자 수입니다.

모범 사례

복잡한 사용 사례에서는 에이전트 간에 작업을 분할하세요

에이전트가 요청하는 작업의 복잡성으로 인해 어려움을 겪고 있다면, 작업을 둘 이상의 에이전트 단계로 분할하세요. 하나의 프롬프트에서 데이터 정리, 라우팅 로직, 전체 메시지 작성을 혼합하면 목표가 서로 경쟁하여 출력 품질이 달라질 수 있습니다.

다음 패턴은 여행 예시에 세 개의 에이전트를 사용합니다: 누군가가 최근 앱에서 검색했지만 예약하지 않았고, 결제를 유도하는 리타겟팅 카피를 원하는 경우입니다.

• 에이전트 1은 Canvas 컨텍스트를 요약합니다. 로열티 등급, 마지막 검색 도시, 높은 의도의 검색 행동 등의 필드를 읽고, 이후 단계에서 재사용할 수 있는 짧은 구조화된 요약을 출력 변수로 반환합니다.
• 에이전트 2는 Canvas에서 분기할 수 있는 라우팅 값을 반환합니다. 출력이 분기 방식과 일치하도록 숫자, 부울 또는 구조화된 오브젝트를 사용하세요. 해당 값을 오디언스 경로 또는 결정 분할 단계에 매핑합니다. 예를 들어, 로열티 중심 메시징과 할인 중심 메시징에 대해 별도의 경로를 고려해 보세요.
• 에이전트 3은 원하는 분기에서만 생성된 메시지 텍스트를 작성합니다. 에이전트 1의 요약(및 분기별 컨텍스트)을 전달하여 이 에이전트가 동일한 프롬프트에서 입력을 정규화하고 전략을 선택하는 대신 톤과 채널 제한에 집중하도록 합니다.

실험 경로 단계를 사용하여 에이전트 여정을 소규모로 테스트하세요

기존 여정 대비 에이전트의 성과와 크레딧 소비를 테스트하려면, 실험 경로 단계를 추가하여 오디언스의 일부만 에이전트 단계가 포함된 분기에 진입하도록 하세요.

예를 들어, 하루에 수천 명의 사용자를 에이전트가 있는 경로로 보내고 나머지는 대조군 경로 또는 에이전트가 없는 경로로 보낼 수 있습니다. 1~2주간 데이터를 수집하고 경로 간 핵심 성과 지표(KPI), 반대 측정기준, 에이전트 크레딧 소비를 비교하세요. 이렇게 하면 에이전트 활성화 분기로의 트래픽을 늘리기 전에 신뢰를 구축하고 ROI를 입증할 수 있으며, 호출 소비를 제한하면서 진행할 수 있습니다.

자주 묻는 질문

에이전트 단계는 언제 사용해야 하나요?

일반적으로, 특정 상황별 데이터를 LLM에 제공하고 사람이 처리할 수 없는 규모로 Canvas 컨텍스트 변수를 지능적으로 할당하도록 하려는 경우 에이전트 단계를 사용하는 것을 권장합니다.

예를 들어, 이전에 초콜릿과 딸기를 주문한 사용자에게 새로운 아이스크림 맛을 추천하는 개인화된 메시지를 보낸다고 가정해 보겠습니다. 에이전트 단계와 인공지능 항목 추천을 사용하는 경우의 차이점은 다음과 같습니다:

• 에이전트 단계: LLM을 사용하여 에이전트에 제공된 지침과 컨텍스트 데이터 포인트를 기반으로 사용자가 원할 수 있는 것에 대해 정성적인 결정을 내립니다. 이 예에서 에이전트 단계는 사용자가 다른 맛을 시도하고 싶어할 가능성을 기반으로 새로운 맛을 추천할 수 있습니다.
• 인공지능 항목 추천: 머신 러닝 모델을 사용하여 구매와 같은 과거 사용자 이벤트를 기반으로 사용자가 가장 원할 가능성이 높은 제품을 예측합니다. 이 예에서 인공지능 항목 추천은 사용자의 이전 두 주문(초콜릿과 딸기)과 워크스페이스 내 다른 사용자의 행동을 비교하여 맛(바닐라)을 제안합니다.

에이전트 단계는 입력 데이터를 어떻게 사용하나요?

에이전트 단계는 에이전트가 사용하도록 설정된 컨텍스트 데이터와 에이전트에 제공된 추가 컨텍스트를 분석합니다.

관련 문서

• Braze 에이전트 개요
• 커스텀 에이전트 생성
• 에이전트 배포
• 에이전트 참조