- يغطي Agent Bricks وAI Playground وMLflow كل شيء بدءًا من النموذج الأولي وحتى النشر باستخدام الحوكمة في Unity Catalog.
- توفر ResponsesAgent تدفقًا متعدد الوكلاء وتتبعات غنية متكاملة مع MLflow وAI Gateway.
- يؤدي النشر باستخدام deploy() إلى إنشاء نقاط نهاية آمنة، مع إمكانية التتبع والمراجعة في الوقت الفعلي.
لم يعد بناء وكلاء الذكاء الاصطناعي في Databricks حكرًا على المتخصصين التقنيين: فبفضل بيئات التطوير المرئية مثل AI Playground ، والأتمتة باستخدام Agent Bricks، وأطر عمل MLflow، يمكنك الآن الانتقال بسلاسة من الفكرة إلى النموذج الأولي، ومن النموذج الأولي إلى الإنتاج، دون أي عوائق. في هذا الدليل، نُقدّم لك كل ما تحتاجه لإنشاء وتقييم ونشر وكلاء يستدعون الأدوات، ويستعلمون عن البيانات، ويتكاملون مع نظام إدارة Unity Catalog.
بالإضافة إلى استكشاف أسلوب البرمجة بدون كتابة أكواد وتطوير تطبيقات بايثون، ستتعلم كيفية تجميع الوكلاء باستخدام MLflow (ChatAgent و ResponsesAgent) ، وتسجيل الموارد في الكتالوج، وتفعيل المراقبة في الوقت الفعلي، والتوسع باستخدام Model Serving. كما نقدم تطبيقًا تجريبيًا مبنيًا باستخدام React و FastAPI لدمج وكيلك بسلاسة في واجهة ويب مؤسسية.
خيارات لإنشاء وكلاء في Databricks
إذا كنت تُعطي الأولوية للسرعة والبساطة، فإن منصة Agent Bricks توفر لك سير عمل آليًا لبناء أنظمة وكلاء عالية الجودة ومتوافقة مع مجال عملك. ما عليك سوى تحديد حالة الاستخدام الخاصة بك وربط بيانات Unity Catalog الخاصة بك ؛ وستقوم المنصة بإنشاء متغيرات الوكلاء، وتحسينها من خلال التقييم، وتتيح لك إمكانية التحسين، كل ذلك مع حوكمة وأمان مدمجين.
عندما تحتاج إلى تحكم دقيق وترغب في إعادة استخدام مكتبات مألوفة، يجمع النهج القائم على البرمجة بين إطار عمل Mosaic AI Agent وMLflow . باستخدام لغة بايثون، يمكنك تحديد منطق الوكيل، وتفعيل استدعاءات الأدوات، وإجراء تتبع مفصل، وفي النهاية، تجميع ونشر التطبيق في بيئة الإنتاج باستخدام نظام Databricks البيئي.
إذا كنت تستخدم بالفعل أطر عمل خارجية، فهناك دعم أصلي لـ LangGraph/ LangChain و LlamaIndex ، أو تطبيقات بايثون مخصصة. بفضل توقيعات نماذج MLflow وواجهات الوكلاء، يمكنك دمجها في إمكانيات التقييم والمراقبة دون الحاجة إلى إعادة كتابة الكود من الصفر.
هل ترغب في إنشاء نموذج أولي بسرعة فائقة؟ مع منصة AI Playground، يمكنك اختيار النموذج والآلة الافتراضية، وإضافة الأدوات إلى نموذج التعلم الموجه (LLM) عبر واجهة برمجة تطبيقات منخفضة التعليمات البرمجية، والتواصل عبر الدردشة للتحقق من صحة النموذج. بعد ذلك، يمكنك تصدير البرنامج إلى كود جاهز للإنتاج ومتابعة دورة التطوير القياسية.
توقيعات النموذج والتوافق مع ميزات المنصة
تستخدم Azure Databricks توقيعات نموذج MLflow لوصف مخططات الإدخال والإخراج للوكلاء. تتطلب ميزات المنتج - مثل AI Playground أو التقييم - أن يتوافق الوكيل مع أحد التوقيعات المدعومة لضمان قابلية التشغيل البيني.
إذا اتبعت النهج الموصى به عند إنشاء الوكيل، فسيستنتج MLflow تلقائيًا التوقيع المتوافق دون أي خطوات إضافية. وإلا، فتحقق من أن تطبيقك يتوافق مع أحد التوقيعات في المخطط القديم لمدخلات ومخرجات الوكيل، لتجنب أي مفاجآت عند التكامل مع أدوات Databricks.
برنامج تعليمي سريع: العميل الأول باستخدام إطار عمل Mosaic AI Agent
الهدف هو إنشاء وكيل يفكر بعقلانية. ماجستير في القانون مُستضاف في Databricks وتكون قادرًا على تشغيل الأدوات، على سبيل المثال الوظيفة المضمنة system.ai.python_exec من كتالوج الوحدة لتشغيل كود بايثون. بالإضافة إلى ذلك، سنمكّن التتبع باستخدام MLflow لفحص الآثار والتشخيص.
متطلبات مساحة العمل الأساسية: تمكين ميزات الوكيل والحصول على الوصول إلى خدمة النموذجفي بيئة وقت التشغيل، قم بتثبيت الحزم مثل mlflow, databricks-openai والوكيل المعبئ (databricks-agent o databricks-agents(اعتمادًا على الدليل الذي تتبعه والإصدار)، وأعد تشغيل Python لتحميل التبعيات.
قم بتحديد الاتصال بخدمة النموذج باستخدام عميل OpenAI الذي يعرضه عميل مساحة العمل، نشيط mlflow.openai.autolog() للأجهزة الآلية، ويسجل الأدوات المتاحة. من بينها، system.ai.python_exec إنه بمثابة مترجم Python بدون جنسية ويسمح لـ LLM بحل العمليات الحسابية أو معالجة البيانات أثناء الحوار.
مع وظيفة مثل run_agent()، يمكنك إرسال مطالبة المستخدم إلى نقطة نهاية الدردشة (على سبيل المثال، نموذج مثل «داتابريكس-كلود-3-7-سونيت«وإدارة الممكنة استدعاءات للأدوات إرجاع رسائل المساعد واستجابات الأداة في قائمة متماسكة.
للاختبار، شغّل استعلامًا يتطلب كتابة كود (مثل حساب العدد المئة من متتالية فيبوناتشي )، وراجع مخرجات المعالج وآثار MLflow المسجلة في دفتر الملاحظات أو التجربة ذات الصلة. سيتيح لك هذا تحسين عملية التنسيق قبل التغليف.
تم تعبئتها باستخدام MLflow وتم نشرها في Model Serving
الطريقة الموصى بها لإعداد العميل للإنتاج هي من خلال تنفيذ الواجهة وكيل الدردشة MLflowتحتاج إلى طريقة predict() الذي يقبل الرسائل، ويستدعي منطق الوكيل الخاص بك، ويعيد استجابة وكيل الدردشة مع قائمة الرسائل (بما في ذلك الرسائل الوسيطة المرتبطة بالأدوات، إذا أمكن).
لتسهيل العبودية، قم بدمج كل التعليمات البرمجية في ملف Python واحد (على سبيل المثال، باستخدام %%writefile quickstart_agent.py (إذا كنت تعمل على جهاز كمبيوتر محمول). في الجزء الأخير، اتصل mlflow.models.set_model() تمرير مثيل لفصلك (على سبيل المثال، QuickstartAgent) لإنشاء نقطة الدخول من الاستدلال.
تسجيل الوكيل في كتالوج الوحدة مع mlflow.pyfunc.log_model، بما في ذلك وسائل ما ستحتاجه في الإنتاج: نقطة نهاية نموذج LLM (على سبيل المثال، DatabricksServingEndpoint) ووظائف الكتالوج التي سيستدعيها الوكيل (على سبيل المثال، DatabricksFunction مع system.ai.python_execوبالتالي، يمكن لـ Databricks تكوين المصادقة لهذه الموارد عند النشر.
أخيرًا، استخدم واجهة برمجة التطبيقات الخاصة بالوكيل لـ ديسبليجار النموذج إلى نقطة نهاية الخدمة: from databricks import agents y agents.deploy(model_name, model_version)عندما تبدأ نقطة النهاية، سوف تكون قادرًا على الدردشة من AI Playgroundشاركها مع الأطراف المهتمة وابدأ في جمع التعليقات.
إذا كنت ترغب في مواصلة التحسين، فإن Databricks تقدم أدلة لقياس جودة الوكيل ، وبناء الوكلاء باستخدام الاسترجاع (RAG) على البيانات غير المهيكلة والتحكم في المحادثات متعددة الأدوار، بالإضافة إلى بدائل مع LangGraph أو Python النقي أو OpenAI.
ResponsesAgent: الواجهة الحديثة لوكلاء الإنتاج
رغم أن وكيل الدردشة إنه يعمل بشكل جيد، يوصي به MLflow اليوم وكيل الاستجابات للوكلاء الجادين. هذه الواجهة متوافقة مع المخطط Responses من OpenAI ويسمح بدمج الوكلاء من أي إطار مع إمكانيات Databricks (التسجيل، والتتبع، والتقييم، والنشر، وإمكانية المراقبة) دون احتكاك.
المزايا الرئيسية: الدعم الأصلي لـ SISTEMAS متعدد الوكلاء, وضع الخروج متدفق، تاريخ كامل للرسائل واستدعاءات الأدوات، وتأكيد استدعاءات الأدوات و أدوات طويلة الأمد. علاوة على ذلك، فهو يقدم واجهات مكتوبة في بايثون، الاستدلال التلقائي على التوقيع، والتتبع التلقائي لـ predict y predict_stream وتحسين جداول الاستدلال عبر بوابة الذكاء الاصطناعي.
متطلبات التثبيت لهذا النهج: databricks-agents 1.2.0+, mlflow 3.1.3+ y بيثون 3.10 + (باستخدام Serverless أو Databricks Runtime 13.3 LTS+). توصي Databricks أيضًا بالحزم التالية: جسر الذكاء الاصطناعي للتكاملات المشتركة.
التكاملات المفيدة: databricks-openai (أوبن أيه آي)، databricks-langchain (LangChain/LangGraph)، databricks-dspy (DSPy) و databricks-ai-bridge (الوكلاء في بايثون الخالص). باستخدام هذه القطع، يمكنك بناء أي شيء من وكلاء بسيطين إلى خطوط الأنابيب المعقدة مع الاسترداد واستدعاء الأداة.
إذا كان لديك بالفعل وكيل مضمن، فقم بتغليفه في فئة ترث من mlflow.pyfunc.ResponsesAgent. ينفذ predict لتحويل المدخلات والمخرجات إلى مخطط ResponsesAgentللبث المباشر، اعتمد على predict_streamينبعث منها الدلتا وحدث نهائي response.output_item.done يرجى إضافة الإجابة الكاملة.
فيما يتعلق بأخطاء البث، يقوم Mosaic AI بنشر الفشل مع الرمز المميز الأخير داخل databricks_output.errorيجب على عميلك التقاطها وعرضها بشكل صحيح، مما يحسن تجربة التنقية.
أنظمة الاسترداد والمدخلات المخصصة وإمكانية التتبع
يستخدم العديد من الوكلاء المتعافين لمجموعات RAG على مؤشرات المتجهات. إذا كانت امتدادات الاسترجاع لديك تعرض مخططًا مختلفًا، فيمكنك تعيينه باستخدام mlflow.models.set_retriever_schemaإعلان primary_key, text_column, doc_uri وأعمدة أخرى. وبالتالي، سيعرض AI Playground روابط للمصادر تم استردادها وسيتم تطبيق التقييم مُسجِّلو الصلة تلقائيا.
في الحالات التي يتطلب فيها وكيلك معلومات إضافية (على سبيل المثال، نوع العميل o session_id), الاستخدامات custom_inputs ويعيد البيانات الوصفية في custom_outputs لا ينبغي أن يُفسد سجل الدردشة. يسمح لك كلٌّ من AI Playground وتطبيق المراجعة بإدخال مدخلات مخصصة من واجهة المستخدم.
النشر باستخدام deploy() والمتطلبات والإجراءات التلقائية
لنشر وكيلك على Mosaic AI Model Serving، استخدم الوظيفة deploy() من واجهة برمجة تطبيقات Python. في MLflow 3، ثبّت mlflow >= 3.1.3 y databricks-agents >= 1.1.0 (إذا قمت بالنشر خارج دفاتر الملاحظات). في MLflow 2.x، تتغير الحدود الدنيا (على سبيل المثال، mlflow >= 2.13.1 y databricks-agents >= 0.12.0تأكد تسجيل الوكيل في Unity Catalog قبل النشر.
دعوة ل deploy() إنشاء نقطة نهاية قابلة للتطوير مع الموازنة التلقائية، تكوين المصادقة الآمنة لموارد Databricks (فهرس المتجهات، وظائف الكتالوج) - التحقق من أذونات المالك - وتنشيط مراجعة الطلب للتعاون مع أصحاب المصلحة.
كما يتيح ذلك المراقبة الآنية في MLflow (مع تتبعات في التجربة النشطة وفي جداول الاستدلال). في MLflow 3، يمكن تهيئة مراقبة الإنتاج مع التقييم التلقائي للجودة؛ ويتم تسجيل طلبات REST والتعليقات في جداول الاستدلال (باستخدام واجهات برمجة تطبيقات التغذية الراجعة الحديثة).
للتخصيص، مرر الوسائط إلى deploy() كما scale_to_zero_enabled=Trueخفض التكاليف بعد التوقف على حساب زمن الوصول الأعلى عند الطلب الأول. بالإضافة إلى ذلك، لديك خدمات إضافية القائمة، الحصول عليها وحذفها النشر عبر واجهة برمجة التطبيقات الخاصة بالوكيل.
أفضل الممارسات لأنماط الحالة والتكوين والتنفيذ
يتم توزيع نموذج الخدمة: تجنب مخابئ محلية ويفترض أن الردود المختلفة يمكنها التعامل مع منعطفات مختلفة في المحادثة. فهو يعيد بناء الحالة من قاموس ResponsesAgentRequest في كل منها predict وتصميم الدولة لتكون موضوع آمنة.
يقوم بتهيئة الحالة داخل predict وليس في مُنشئ الوكيل، حيث يمكن لنسخة واحدة التعامل مع محادثات من مستخدمين مختلفين. هذا يمنع تسريبات المعلومات والصراعات المتزامنة في البيئات ذات الإنتاجية العالية.
قم بتحديد معلمات سلوك العميل باستخدام ModelConfig (قاموس أو YAML). عرّف، على سبيل المثال، model_serving_endpointمعلمات LLM وقوالب المطالبة؛ تحميل هذا التكوين في التطوير وترقيته إلى الإنتاج دون لمس الكود.
تجنب إدخال حلقات الأحداث أو الإطارات غير المتزامنة على خادم الوكيل: يتعامل Databricks مع التزامن داخليًا . استخدم التعليمات البرمجية المتزامنة أو ردود الاتصال؛ وإلا فقد تواجه أخطاءً مثل "حلقة الأحداث هذه قيد التشغيل بالفعل" وسلوكًا غير منتظم.
Agent Bricks: أتمتة "بدون كود" لتسريع القيمة
يوفر برنامج Agent Bricks، الذي تم إطلاقه في عام 2025، سير عمل سلسًا لإنشاء الوكلاء لا يتطلب أي برمجة . ما عليك سوى إدخال المهمة بلغة طبيعية، وربط بياناتك، وسيقوم النظام الأساسي باختيار النماذج، وإنشاء بيانات اصطناعية ، وتقييم العملية وتحسينها حتى يقدم وكيلًا جاهزًا للإنتاج مع إدارة Unity Catalog.
ومن بين مزاياها الأتمتة الشاملة ، وقابلية التوسع في Databricks - مع نقاط نهاية يمكن أن تتوسع إلى الصفر بعد 3 أيام من عدم النشاط -، وتحليلات الاستخدام والتكلفة على Lakehouse وأنواع الوكلاء الجاهزة (استخراج المعلومات، و LLM المخصص ، ومساعد المعرفة، ومشرف متعدد الوكلاء للتنسيق المعقد).
تشمل القيود عدم إمكانية تنزيل الكود المُولّد حاليًا ، مما يحدّ من إمكانية التخصيص العميق، كما أن كتالوج القوالب مُصمّم للمؤسسات التي سبق دمجها مع Lakehouse وUnity Catalog. ويرى بعض المستخدمين أيضًا أن مقاييس التكلفة تفتقر إلى الدقة .
أمثلة، وكلاء متعددين ووكلاء حالة
ستجد في الوثائق الرسمية دفاتر ملاحظات تتضمن OpenAI (للمحادثات البسيطة واستدعاءات الأدوات، لكل من نماذج Databricks ونماذج OpenAI المستضافة)، و LangGraph (لاستدعاء الأدوات)، و DSPy (لاستدعاء الأدوات في دورة واحدة). تُعد هذه الدفاتر أساسًا ممتازًا لتوسيع الوظائف باستخدام أدوات مخصصة وتقييمات الجودة.
لتنسيق عمل العديد من المتخصصين، يمكنك إعداد أنظمة تعاونية باستخدام أدوات مثل Genie. وإذا كنت مهتمًا بذاكرة المحادثات، فهناك دعم للوكلاء ذوي الحالة الذين يسمحون بنقاط التفتيش واستمرارية سلاسل المحادثات.
ستجد في الوثائق الرسمية دفاتر ملاحظات تتضمن OpenAI (للمحادثات البسيطة واستدعاءات الأدوات، لكل من نماذج Databricks ونماذج OpenAI المستضافة)، و LangGraph (لاستدعاء الأدوات)، و DSPy (لاستدعاء الأدوات في دورة واحدة). تُعد هذه الدفاتر أساسًا ممتازًا لتوسيع الوظائف باستخدام أدوات مخصصة وتقييمات الجودة.
التطبيقات على Databricks: واجهة المستخدم مع React والواجهة الخلفية في FastAPI
توفر تطبيقات Databricks منصة قوية لتقديم واجهات غنية دون الحاجة إلى إنشاء بنية تحتية خارجية. وهي تتكامل بشكل أصلي مع Databricks SQL و Unity Catalog وModel Serving وJobs، وتستفيد من ضوابط الأمان والامتثال الخاصة بالمنصة.
يُعدّ إنشاء واجهة أمامية باستخدام React (تدعم البث المباشر، وعرض الرسائل، وتجربة المستخدم بتنسيق Markdown) وواجهة خلفية باستخدام FastAPI بمثابة جسر إلى نقطة نهاية الوكيل نمطًا عمليًا للغاية. تقوم الواجهة الخلفية بتوجيه طلب المستخدم إلى خدمة النموذج ، ثم تُعيد الاستجابة المنظمة إلى العميل.
في FastAPI، يعد ترتيب تجميع التطبيقات الفرعية أمرًا مهمًا: app.mount("/api", api_app) يوجه مسارات API (على سبيل المثال، /api/chat) Y app.mount("/", ui_app) يُقدّم الملفات الثابتة من بناء React في الدليل الجذر. يحافظ هذا المخطط على وضوح الطرق ويفصل واجهة المستخدم عن نقاط النهاية.
تكوين متغيرات البيئة (على سبيل المثال، SERVING_ENDPOINT_NAME أو رقم التأهيل الكامل لنموذج العميل في كتالوج الوحدة) من تعريف التطبيق في داتابريكس. قم بتجميع الواجهة الأمامية (npm run build)، يقوم بمزامنة الملفات، ويعلن التبعيات (requirements.txt) ويبدأ بـ غونيكورن + يوفيكورن العاملين في ASGI.
حالة واقعية: روبوت المحادثة لعمليات التصنيع
في سيناريوهات إدارة عمليات التصنيع، يمكن لروبوت محادثة من Databricks مساعدة مديري الإنتاج في تحليل الاختناقات ، وتتبع المخزون، وإعداد التقارير. تُعرض الوظائف كأدوات في كتالوج Unity (عبر SQL أو Python)، ويستدعيها الروبوت بناءً على السياق.
أمثلة: دالة identify_bottleneck_station يقوم بتشغيل الاستعلامات في Databricks SQL للكشف عن المرحلة التي تسبب أكبر قدر من التأخير؛ آخر، check_inventory_levelsيُرجع المخزون في الوقت الفعلي. يمكن للوكيل أيضًا إرسال رسائل البريد الإلكتروني، إنتاج التقارير وإجراء تحليل المشاعر، ويتم كل ذلك بتنسيق من خلال استدعاءات الأدوات.
يعمل نشر نقطة نهاية Model Serving كخادم خلفي قياسي . يستهلك تطبيق React نقطة النهاية هذه، ويعرض استجابات في الوقت الفعلي مع تجربة مستخدم سلسة، ويدعم بث الرموز المميزة عند تفعيله في ResponsesAgent.
الهجرة من ChatCompletions والتوافق
إذا كان وكيلك القديم يستخدم واجهة برمجة تطبيقات ChatCompletions من OpenAI ، فيمكنك الترقية إلى ResponsesAgent باستخدام حاوية تترجم الرسائل الواردة والصادرة، وتربط، اختيارياً، التغييرات المتدفقة بـ ResponsesAgentStreamEvent . هذا يُحدّث بيانات القياس عن بُعد وإمكانية المراقبة دون إعادة كتابة المنطق الأساسي.
لعرض وإدارة عمليات النشر، تتيح لك واجهة برمجة تطبيقات الوكيل (Agent API) عرض عمليات النشر الحالية، واسترداد عملية نشر محددة (بالاسم والإصدار)، وإزالة نقاط النهاية التي لم تعد بحاجة إليها. تذكر إدارة بيانات اعتماد الموارد الخارجية باستخدام متغيرات البيئة والأسرار.
توفر Databricks مسارًا متكاملًا: بدءًا من توليد الأفكار باستخدام AI Playground أو الأتمتة باستخدام Agent Bricks، مرورًا بتطوير البرمجيات (Mosaic AI، MLflow، LangGraph، DSPy)، وصولًا إلى التغليف والتسجيل في Unity Catalog والنشر باستخدام deploy() ومراقبة بيئة الإنتاج. مع أفضل الممارسات، مثل التوقيعات النموذجية الصحيحة ، والحالة الآمنة في البيئات الموزعة، والتكوين المُعَلم، يمكنك تقديم وكلاء موثوقين ومُدارين جاهزين للتكامل مع تطبيقات الويب على المنصة.
