Implementar agents d'IA amb Databricks: guia pràctica completa

Darrera actualització: 9 novembre 2025
  • Agent Bricks, AI Playground i MLflow cobreixen del prototip al desplegament amb governança a Unity Catalog.
  • ResponsesAgent aporta streaming, multiagent i traces riques integrades amb MLflow i AI Gateway.
  • Desplegament amb deploy() crea endpoints segurs, amb seguiment en temps real i revisió.

Implementació d'agents d'IA a Databricks

Muntar agents d'intel·ligència artificial a Databricks ja no és terreny exclusiu de perfils ultra tècnics: entre entorns visuals com AI Playground , automatització amb Agent Bricks i els marcs de MLflow, avui pots passar d'idea a prototip i de prototip a producció sense morir a l'intent. En aquesta guia condensem tot el que necessites per crear, avaluar i desplegar agents que anomenin eines, consultin dades i s'integrin amb la governança d' Unity Catalog.

A més de recórrer l'enfocament “sense codi” i el desenvolupament amb Python, veuràs com empaquetar agents amb MLflow (ChatAgent i ResponsesAgent) , registrar recursos al catàleg, activar monitorització en temps real i escalar a Model Serving. També incloem un exemple d'app amb React+FastAPI per portar el teu agent a una interfície web empresarial sense friccions.

Opcions per crear agents a Databricks

Si preferiu velocitat i simplicitat, Agent Bricks aporta un flux automatitzat per aixecar sistemes d'agents d'alta qualitat alineats a un domini. Indiques el cas d'ús i connectes les teves dades del Catàleg Unity ; la plataforma genera variants dagent, optimitza amb avaluació i et permet refinar, tot amb governança i seguretat integrades.

Quan necessites control fi i reutilitzar llibreries conegudes, lenfocament en codi combina Mosaic AI Agent Framework i MLflow . Amb Python podeu definir la lògica de l'agent, habilitar trucades a eines, fer seguiment detallat i, finalment, empaquetar i servir en producció amb l'ecosistema de Databricks.

Si ja utilitzes frameworks de tercers, hi ha suport nadiu per a LangGraph/ LangChain , LlamaIndex o implementacions personalitzades de Python. Gràcies a les firmes de models de MLflow ia les interfícies d'agent, els podeu connectar a les capacitats d'avaluació i monitorització sense reescriure des de zero.

Vols prototipar a tota velocitat? Amb AI Playground tries el model i la màquina virtual, afegeixes eines al LLM mitjançant una interfície de baix codi i xateges per validar. Després, exporteu l'agent a codi llest per a producció i continueu amb el cicle de vida estàndard.

Opcions per a agents d'IA amb Databricks

Firmes de model i compatibilitat amb les característiques de la plataforma

Azure Databricks utilitza firmes de model de MLflow per descriure l'esquema d'entrada i sortida dels agents. Funcionalitats del producte –com AI Playground o l'avaluació– esperen que l'agent compleixi una de les firmes admeses per assegurar la interoperabilitat.

Si seguiu l'enfocament recomanat en construir l'agent, MLflow infereix automàticament la signatura compatible sense passos extra. En cas contrari, verifiqueu que la vostra implementació s'ajusti a alguna de les firmes de l' esquema heretat per a entrada i sortida d'agents, evitant sorpreses en integrar amb eines de Databricks.

Tutorial ràpid: primer agent amb Mosaic AI Agent Framework

L'objectiu és aixecar un agent que raoni amb un LLM allotjat a Databricks i pugui executar eines, per exemple la funció integrada system.ai.python_exec del Catàleg Unity per córrer codi Python. A més, activarem el seguiment amb MLflow per inspeccionar traces i diagnòstics.

Requisits bàsics del workspace: habilitar les característiques d'agents i disposar de accés a Model Serving. A l'entorn d'execució, instal·la paquets com mlflow, databricks-openai i l'empaquetador d'agents (databricks-agent o databricks-agents, segons la guia que segueixis i la versió), i reinicia Python per carregar dependències.

Defineix la connexió al servei de models mitjançant el client OpenAI que exposa WorkspaceClient, activa mlflow.openai.autolog() per a instrumentació automàtica, i registra les eines disponibles. Entre elles, system.ai.python_exec serveix com a intèrpret de Python sense estat i permet que el LLM resolgui càlculs o manipuli dades durant el diàleg.

Amb una funció tipus run_agent(), envieu el prompt de l'usuari a l'endpoint de xat (per exemple, un model com «databricks-claude-3-7-sonnet«) i gestions possibles trucades a eines tornant els missatges de l'assistent i les respostes d'eina en un llistat coherent.

  Com connectar Dropbox i GitHub a Gemini des del menú Personalitzar

Per provar, llança una consulta que requereixi codi (p. ex., calcular el número 100 de Fibonacci ) i revisa tant la sortida de l'assistent com les traces de MLflow que es registren al quadern o experiment associat. Així podreu polir l'orquestració abans d'empaquetar.

Empaquetat amb MLflow i desplegament a Model Serving

Una forma recomanada de preparar l'agent per a producció és implementant la interfície MLflow ChatAgent. Necessites un mètode predict() que accepti missatges, truqui a la teva lògica de l'agent i torni un ChatAgentResponse amb la llista de missatges (incloent-hi els intermedis associats a eines si s'aplica).

Per facilitar la servitud, consolida tot el codi en un únic fitxer Python (per exemple, mitjançant %%writefile quickstart_agent.py si treballes a un notebook). A la part final, truca a mlflow.models.set_model() passant la instància de la teva classe (p. ex., QuickstartAgent) per establir el punt d'entrada d'inferència.

Registra l'agent a unity Catalog amb mlflow.pyfunc.log_model, Incloent els recursos que necessitarà en producció: l'endpoint del model LLM (p. ex., DatabricksServingEndpoint) i les funcions de catàleg que l'agent invocarà (p. ex., DatabricksFunction amb system.ai.python_exec). Així, Databricks pot configurar autenticació per a aquests recursos en desplegar.

Finalment, utilitza l'API d'agents per desplegar el model a un endpoint de servei: from databricks import agents y agents.deploy(model_name, model_version). Quan arrenqui l'endpoint, podràs xatejar des d'AI Playground, compartir-ho amb interessats i començar a recol·lectar feedback.

Si voleu continuar millorant, Databricks ofereix guies per mesurar la qualitat de l'agent , construcció d'agents amb recuperació (RAG) sobre dades no estructurades i control de converses multi-torn, a més d'alternatives amb LangGraph, Python pur o OpenAI.

ResponsesAgent: la interfície moderna per a agents de producció

Encara que ChatAgent funciona bé, MLflow recomana avui ResponsesAgent per a agents de debò. Aquesta interfície és compatible amb lesquema Responses d'OpenAI i permet integrar agents de qualsevol framework amb les capacitats de Databricks (registre, seguiment, avaluació, desplegament i observabilitat) sense friccions.

Avantatges clau: suport nadiu per Sistemes multiagent, sortida en mode transmissió, historial complet de missatges i trucades a eines, confirmació de tool-calls i eines de llarga durada. A més, ofereix interfícies tipades a Python, inferència automàtica de signatura, seguiment automàtic de predict y predict_stream i taules d'inferència millorades via Porta d'accés d'IA.

Requisits d'instal·lació per a aquest enfocament: databricks-agents 1.2.0 +, mlflow 3.1.3 + y Python 3.10+ (usant Serverless o Databricks Runtime 13.3 LTS+). Databricks recomana, a més, els paquets de AI Bridge per a integracions comunes.

Integracions útils: databricks-openai (OpenAI), databricks-langchain (LangChain/LangGraph), databricks-dspy (DSPy) i databricks-ai-bridge (agents a Python pur). Amb aquestes peces, podeu muntar des d'agents senzills fins a pipelins complexos amb recuperació i crida a eines.

Si ja tens un agent fet, embolica'l en una classe que hereta de mlflow.pyfunc.ResponsesAgent. Implementa predict per convertir les entrades i sortides al esquema ResponsesAgent. Per streaming, recolza't a predict_stream, emetent deltes i un esdeveniment final response.output_item.done que afegiu la resposta completa.

Sobre els errors en streaming, Mosaic AI propaga la decisió al costat de l'últim token dins de databricks_output.error. El teu client hauria de capturar-ho i mostrar-ho correctament, millorant la experiència de depuració.

Recuperadors, inputs personalitzats i traçabilitat

Molts agents utilitzen recuperadors per a RAG sobre índexs vectorials. Si els vostres spans de recuperació exposen un esquema diferent, podeu mapejar-lo amb mlflow.models.set_retriever_schema, declarant primary_key, text_column, doc_uri i altres columnes. Així, AI Playground mostrarà enllaços a fonts recuperades i l'avaluació aplicarà puntuadors de rellevància automàticament.

En casos on el vostre agent requereixi informació addicional (per exemple, client_type o ID de sessió), utilitza custom_inputs i torna metadades a custom_outputs que no han de contaminar l'historial de xat. Tant AI Playground com l'aplicació de revisió permeten introduir-hi custom_inputs des de la UI.

  Transformació digital a empreses: dades, IA i canvi cultural

Desplegament amb deploy(), requisits i accions automàtiques

Per publicar el teu agent a Mosaic AI Model Serving, utilitza la funció deploy() de l'API de Python. A MLflow 3, instal·la mlflow >= 3.1.3 y databricks-agents >= 1.1.0 (si desplegues fora de notebooks). A MLflow 2.x, els mínims canvien (per exemple, mlflow >= 2.13.1 y databricks-agents >= 0.12.0). Assegureu-vos de registrar l'agent a Unity Catalog abans de desplegar.

Trucar a deploy() aixeca un endpoint escalable amb balanceig automàtic, configura la autenticació segura per a recursos de Databricks (índexs vectorials, funcions de catàleg) —comprovant permisos del propietari—, i activa la aplicació de revisió per a col·laboració amb stakeholders.

També habilita el seguiment en temps real a MLflow (amb traces a l'experiment actiu i en taules d'inferència). A MLflow 3, es pot configurar supervisió de producció amb avaluació automàtica de qualitat; les peticions REST i comentaris queden registrats a les taules d'inferència (amb API modernes de feedback).

Per personalitzar, passa arguments a deploy() com a scale_to_zero_enabled=True, reduint costos després d'inactivitat a costa de més latència en el primer request. A més, comptes amb utilitats per llistar, obtenir i esborrar desplegaments a través de lAPI dagents.

Bones pràctiques d'estat, configuració i patrons d'execució

Model Serving és distribuït: evita caixets locals i assumeix que diferents rèpliques poden atendre diferents torns d'una conversa. Reconstrueix l'estat a partir del diccionari de ResponsesAgentRequest a cada predict i dissenya l'estat perquè sigui thread-safe.

Inicialitza l'estat dins de predict i no al constructor de l'agent, ja que una única rèplica podria manejar converses de diferents usuaris. Això prevé fuites d'informació i conflictes de concurrència en entorns amb alt throughput.

Parametritza el comportament de l'agent amb ModelConfig (diccionari o YAML). Defineix, per exemple, model_serving_endpoint, paràmetres del LLM i plantilles de prompts; carrega aquesta configuració en desenvolupament i promociona-la a producció sense tocar el codi.

Evita introduir bucles d'esdeveniments o marcs asíncrons al servidor de l'agent: Databricks gestiona internament la concurrència . Usa codi sincrònic o callbacks; en cas contrari, podries topar amb errors del tipus This event loop is already running i comportaments erràtics.

Agent Bricks: automatització «no code» per accelerar el valor

Agent Bricks, presentat el 2025, ofereix un flux de creació d'agents sense necessitat d'escriure codi . Introdueixes la tasca en llenguatge natural, connectes les teves dades i la plataforma tria models, genera dades sintètiques , avalua i ajusta fins a lliurar un agent llest per a producció amb la governança d' Unity Catalog.

Entre els seus avantatges destaquen l' automatització end-to-end , l'escalabilitat a Databricks -amb endpoints que poden escalar a zero després de 3 dies d'inactivitat-, analítica d'ús i costos sobre Lakehouse i tipus d'agents llestos (extracció d'informació, LLM personalitzat , assistent de coneixement i supervisor multiagent per orquestració complexa).

Com a limitacions, avui el codi generat no és descarregable , cosa que redueix la personalització profunda, i el catàleg de plantilles s'orienta a organitzacions ja integrades amb Lakehouse i Unity Catalog. Alguns usuaris troben a faltar més granularitat en mètriques de cost.

Exemples, multiagent i agents amb estat

A la documentació oficial trobaràs quaderns amb OpenAI (xat simple i crida a eines, tant amb models allotjats a Databricks com a OpenAI), LangGraph (invocació d'eines) i DSPy (anomenada a eines en un torn). Són bases estupendes per estendre amb eines personalitzades i avaluacions de qualitat.

Per orquestrar diversos especialistes, pots muntar sistemes que cooperin usant peces com Genie. I si us interessa la memòria per conversa, hi ha suport per a agents amb estat que permeten checkpoints i persistència per fil de xat.

A la documentació oficial trobaràs quaderns amb OpenAI (xat simple i crida a eines, tant amb models allotjats a Databricks com a OpenAI), LangGraph (invocació d'eines) i DSPy (anomenada a eines en un torn). Són bases estupendes per estendre amb eines personalitzades i avaluacions de qualitat.

  Com utilitzar Intel·ligència Artificial sense crear un compte

Apps a Databricks: UI amb React i backend a FastAPI

Les Databricks Apps proporcionen una plataforma robusta per lliurar interfícies riques sense muntar infraestructura externa. S'integren de forma nativa amb Databricks SQL, Unity Catalog , Model Serving, Jobs i hereten controls de seguretat i compliment de la plataforma.

Un patró molt pràctic és crear un frontend amb React (suport de streaming, render de missatges, UX amb Markdown) i un backend amb FastAPI que actuï de pont cap a l'endpoint de l'agent. El backend encamina la petició de l'usuari al servei de models i torna la resposta estructurada al client.

A FastAPI, l'ordre de muntatge de subaplicacions és important: app.mount("/api", api_app) dirigeix ​​les rutes d'API (per exemple, /api/chat) I app.mount("/", ui_app) serveix els estàtics del build de React a l'arrel. Aquest esquema manté claredat de rutes i separa UI d'endpoints.

Configura variables d'entorn (p. ex., SERVING_ENDPOINT_NAME o l'FQN del model d'agent a Unity Catalog) des de la definició de l'app a Databricks. Compila el frontend (npm run build), sincronitza arxius, declara dependències (requirements.txt) i arrenca amb Gunicorn + Uvicorn workers per a ASGI.

Cas real: chatbot per a operacions de fabricació

En escenaris MOM (Manufacturing Operations Management), un xatbot sobre Databricks pot ajudar caps de producció amb anàlisi de colls d'ampolla , seguiment d'inventari i generació d'informes. Les funcions s'exposen com a eines a Unity Catalog (via SQL o Python) i l'agent les invoca segons el context.

Exemples: una funció identify_bottleneck_station executa consultes a Databricks SQL per detectar l'etapa que provoca més retards; una altra, check_inventory_levels, ret estoc en temps real. L'agent també pot enviar correus, produir informes i realitzar anàlisis de sentiment, tot orquestrat amb tool-calls.

El desplegament com a endpoint de Model Serving actua com a backend estàndard. L'app React consumeix aquest endpoint, mostrant respostes en temps real amb una experiència acurada i suport de streaming de tokens quan l'habiliteu a la vostra ResponsesAgent.

Migració des de ChatCompletions i compatibilitat

Si el vostre agent heretat utilitza l'API de ChatCompletions d'OpenAI, podeu migrar a ResponsesAgent amb un contenidor que tradueixi missatges entrants/sortints i, opcionalment, mapegeu els deltes de streaming a ResponsesAgentStreamEvent . Així modernitzes telemetria i observabilitat sense reescriure la lògica central.

Per al llistat i gestió de desplegaments, l'API d'agents us permet llistar l'existent, obtenir un desplegament concret (per nom i versió) i eliminar endpoints que ja no necessiteu. Recordeu gestionar credencials de recursos externs amb variables d'entorn i secrets.

Databricks ofereix una ruta completa: des d'ideació amb AI Playground o automatització amb Agent Bricks, passant per desenvolupament en codi (Mosaic AI, MLflow, LangGraph, DSPy), fins a empaquetat, registre a Unity Catalog , desplegament amb deploy() i monitorització en producció. Amb pràctiques com a firmes de model correctes , estat segur en entorns distribuïts i configuració parametritzada, pots lliurar agents fiables, governats i llestos per integrar-se en aplicacions web sobre la plataforma.

claude 4-1
Article relacionat:
Claude 4: Anthropic renova la intel·ligència artificial amb models avançats per a programació i agents autònoms
TecnoDigital

TecnoDigital

Apassionat per la tecnologia i el desenvolupament de programari, m'endinso a l'univers de sistemes i informàtica amb l'objectiu de fomentar la innovació i resoldre desafiaments complexos.