Integrace s agenty kódování

Important

Tato funkce je v beta verzi. Správci účtů můžou řídit přístup k této funkci ze stránky účtu Previews. Viz Manage Azure Databricks preview.

Díky integraci agenta kódování Azure Databricks můžete směrovat provoz z programovacích agentů, jako jsou Kurzor, Gemini CLI a Codex CLI, prostřednictvím služeb modelu v Unity AI Gateway. To poskytuje tabulky omezování rychlosti, sledování využití a odvozování – se všemi ovládacími prvky nakonfigurovanými na úrovni modelové služby, uživatele nebo skupiny.

Features

Přístup: Přímý přístup k různým nástrojům a modelům kódování, a to vše na jedné faktuře.
Pozorovatelnost: Jeden jednotný řídicí panel pro sledování využití, výdajů a metrik napříč všemi nástroji pro psaní kódu.
Jednotné zásady správného řízení: Správci můžou spravovat oprávnění modelu a omezení rychlosti prostřednictvím služby Unity AI Gateway na úrovni modelové služby, uživatele nebo skupiny.

Requirements

Pro váš účet je povolená verze Preview služby Unity AI Gateway. Viz Manage Azure Databricks preview.
Pracovní prostor Azure Databricks v oblasti podporované řešením Unity AI Gateway.
Služba Unity Catalog je pro váš pracovní prostor povolená. Viz také Povolit pracovní prostor pro Unity Catalog.

Setup

Nejrychlejší způsob, jak začít, je použití ucode, rozhraní příkazového řádku z Azure Databricks, které instaluje, ověřuje a konfiguruje podporované programovací agenty pomocí služby Unity AI Gateway v jednom příkazu.

Použijte ucode (doporučeno)

ucode (Unity AI Gateway Coding CLI) je jediný vstupní bod pro spouštění agentů pro programování v Unity AI Gateway. Zpracovává OAuth, zapisuje konfigurační soubor každého agenta a směruje provoz přes libovolný server LLM nebo MCP, který jste zaregistrovali. Podporovaní agenti:

Krok 1: Instalace kódu ucode

uv tool install git+https://github.com/databricks/ucode

Vyžaduje Python 3.12 nebo novější a uv.

Krok 2: Otevření agenta kódování

Spusťte agenta, kterého chcete. Při prvním spuštění ucode zobrazí výzvu k zadání adresy URL pracovního prostoru Azure Databricks, ověření a zápis konfiguračního souboru agenta automaticky. Další spuštění směřují přímo k agentovi.

ucode codex      # OpenAI Codex
ucode gemini     # Gemini CLI
ucode opencode   # OpenCode
ucode copilot    # GitHub Copilot CLI
ucode pi         # Pi

ucode předává příznaky uvedené za názvem agenta podkladovému nástroji, například:

ucode codex --full-auto

Pokud chcete současně nakonfigurovat více agentů kódování, spusťte:

ucode configure

Registrace Azure Databricks serverů MCP (funkce katalogu Unity, vyhledávání AI, služby SQL Warehouse a zjištěná externí připojení) pomocí agentů podporujících MCP:

ucode configure mcp

Pokud chcete zobrazit souhrn využití služby Unity AI Gateway za posledních 7 dnů:

ucode usage

Úplný přehled příkazů zobrazíte spuštěním:

ucode --help

Dashboard

Po sledování využití agenta kódování přes Unity AI Gateway můžete zobrazit a monitorovat metriky na integrovaném řídicím panelu.

Chcete-li otevřít řídicí panel, klikněte v pravém horním rohu stránky Unity AI Gateway na Govern a potom klikněte na Řídicí panel využití. Vestavěný panel využití obsahuje kartu Coding Agents s grafy využití nástrojů pro programování.

Řídicí panel pro programovací agenty

Ruční nastavení

Pokud chcete agenty nakonfigurovat sami, postupujte podle pokynů pro:

Cursor IDE
Codex CLI
Rozhraní příkazového řádku Gemini

IDE Cursor

Konfigurace kurzoru pro použití služeb modelu ve službě Unity AI Gateway:

Krok 1: Konfigurace základní adresy URL a klíče rozhraní API

Otevřete Cursor a přejděte do Nastavení>Nastavení kurzoru>Modely>Klíče rozhraní API.
Povolte přepsat základní adresu URL OpenAI a zadejte adresu URL:
```
https://<workspace-url>/ai-gateway/cursor/v1
```
Nahraďte <workspace-url> adresou URL pracovního prostoru Azure Databricks.
Vložte osobní přístupový token Azure Databricks do pole Klíč rozhraní API OpenAI .

Krok 2: Přidání vlastních modelů

V nastavení kurzoru klikněte na + Přidat vlastní model .
Přidejte název služby modelu (například system.ai.databricks-claude-opus-4-6) a povolte přepínač.

Note

V současné době se podporují pouze služby modelu poskytované Azure Databricks.

Krok 3: Testování integrace

Otevřete režim Ptejte se pomocí Cmd+L (macOS) nebo Ctrl+L (Windows/Linux) a vyberte svůj model.
Odeslat zprávu. Všechny požadavky se teď směrují přes Azure Databricks.

Codex CLI

Krok 1: Instalace nebo aktualizace rozhraní příkazového řádku Codex

Nainstalujte nebo aktualizujte rozhraní příkazového řádku Codex verze 0.118 nebo novější:

npm install -g @openai/codex@latest

Krok 2: Vytvoření nebo aktualizace konfiguračního souboru Codex

Vytvořte nebo upravte konfigurační soubor Codex na adrese ~/.codex/config.toml:

profile = "default"

[profiles.default]
model_provider = "Databricks"

[model_providers.Databricks]
name = "Databricks :re[ai-gateway]"
base_url = "<workspace-url>/ai-gateway/codex/v1"
wire_api = "responses"

[model_providers.Databricks.auth]
command = "sh"
args = ["-c", "databricks auth token --host <workspace-url> --output json | jq -r '.access_token'"]
timeout_ms = 5000
refresh_interval_ms = 1800000

Nahraďte <workspace-url> adresou URL pracovního prostoru Azure Databricks.

Krok 3: Ověření v pracovním prostoru

Note

Stačí to udělat jenom jednou. Nepotřebujete znovu ověřovat při každém spuštění Codex.

Nejprve se ujistěte, že máte nainstalované rozhraní příkazového řádku Azure Databricks. Pokyny najdete v tématu Instalace nebo aktualizace rozhraní příkazového řádku Databricks .

Pak se ověřte:

databricks auth login --host <workspace-url>

Nahraďte <workspace-url> adresou URL pracovního prostoru Azure Databricks.

Krok 4: Spuštění kódu

codex

Pokud chcete změnit model, použijte /model.

Rozhraní příkazového řádku Gemini

Krok 1: Instalace nejnovější verze Rozhraní příkazového řádku Gemini

npm install -g @google/gemini-cli@nightly

Krok 2: Konfigurace proměnných prostředí

Vytvořte soubor ~/.gemini/.env a přidejte následující konfiguraci. Další podrobnosti najdete v dokumentaci k ověřování rozhraní příkazového řádku Gemini .

GEMINI_MODEL=databricks-gemini-2-5-flash
GOOGLE_GEMINI_BASE_URL=https://<workspace-url>/ai-gateway/gemini
GEMINI_API_KEY_AUTH_MECHANISM="bearer"
GEMINI_API_KEY=<databricks_pat_token>

Nahraďte <workspace-url> adresou URL pracovního prostoru Azure Databricks a <databricks_pat_token> svým osobním přístupovým tokenem.

Nastavení shromažďování dat OpenTelemetry

Azure Databricks podporuje export metrik OpenTelemetry a protokolů z programovacích agentů do tabulek Delta spravovaných službou Unity Catalog. Všechny metriky jsou data časových řad exportovaná pomocí standardního protokolu metrik OpenTelemetry a protokoly jsou exportovány pomocí protokolu protokolů OpenTelemetry.

Requirements

Funkce OpenTelemetry v Azure Databricks Preview je povolená. Viz Manage Azure Databricks preview.

Krok 1: Vytvoření tabulek OpenTelemetry v katalogu Unity

Vytvořte tabulky spravované službou Unity Catalog předem nakonfigurované pomocí metrik OpenTelemetry a schémat protokolů.

Tabulka metrik

CREATE TABLE <catalog>.<schema>.<table_prefix>_otel_metrics (
  name STRING,
  description STRING,
  unit STRING,
  metric_type STRING,
  gauge STRUCT<
    start_time_unix_nano: LONG,
    time_unix_nano: LONG,
    value: DOUBLE,
    exemplars: ARRAY<STRUCT<
      time_unix_nano: LONG,
      value: DOUBLE,
      span_id: STRING,
      trace_id: STRING,
      filtered_attributes: MAP<STRING, STRING>
    >>,
    attributes: MAP<STRING, STRING>,
    flags: INT
  >,
  sum STRUCT<
    start_time_unix_nano: LONG,
    time_unix_nano: LONG,
    value: DOUBLE,
    exemplars: ARRAY<STRUCT<
      time_unix_nano: LONG,
      value: DOUBLE,
      span_id: STRING,
      trace_id: STRING,
      filtered_attributes: MAP<STRING, STRING>
    >>,
    attributes: MAP<STRING, STRING>,
    flags: INT,
    aggregation_temporality: STRING,
    is_monotonic: BOOLEAN
  >,
  histogram STRUCT<
    start_time_unix_nano: LONG,
    time_unix_nano: LONG,
    count: LONG,
    sum: DOUBLE,
    bucket_counts: ARRAY<LONG>,
    explicit_bounds: ARRAY<DOUBLE>,
    exemplars: ARRAY<STRUCT<
      time_unix_nano: LONG,
      value: DOUBLE,
      span_id: STRING,
      trace_id: STRING,
      filtered_attributes: MAP<STRING, STRING>
    >>,
    attributes: MAP<STRING, STRING>,
    flags: INT,
    min: DOUBLE,
    max: DOUBLE,
    aggregation_temporality: STRING
  >,
  exponential_histogram STRUCT<
    attributes: MAP<STRING, STRING>,
    start_time_unix_nano: LONG,
    time_unix_nano: LONG,
    count: LONG,
    sum: DOUBLE,
    scale: INT,
    zero_count: LONG,
    positive_bucket: STRUCT<
      offset: INT,
      bucket_counts: ARRAY<LONG>
    >,
    negative_bucket: STRUCT<
      offset: INT,
      bucket_counts: ARRAY<LONG>
    >,
    flags: INT,
    exemplars: ARRAY<STRUCT<
      time_unix_nano: LONG,
      value: DOUBLE,
      span_id: STRING,
      trace_id: STRING,
      filtered_attributes: MAP<STRING, STRING>
    >>,
    min: DOUBLE,
    max: DOUBLE,
    zero_threshold: DOUBLE,
    aggregation_temporality: STRING
  >,
  summary STRUCT<
    start_time_unix_nano: LONG,
    time_unix_nano: LONG,
    count: LONG,
    sum: DOUBLE,
    quantile_values: ARRAY<STRUCT<
      quantile: DOUBLE,
      value: DOUBLE
    >>,
    attributes: MAP<STRING, STRING>,
    flags: INT
  >,
  metadata MAP<STRING, STRING>,
  resource STRUCT<
    attributes: MAP<STRING, STRING>,
    dropped_attributes_count: INT
  >,
  resource_schema_url STRING,
  instrumentation_scope STRUCT<
    name: STRING,
    version: STRING,
    attributes: MAP<STRING, STRING>,
    dropped_attributes_count: INT
  >,
  metric_schema_url STRING
) USING DELTA
TBLPROPERTIES (
  'otel.schemaVersion' = 'v1'
)

Tabulka protokolů

CREATE TABLE <catalog>.<schema>.<table_prefix>_otel_logs (
  event_name STRING,
  trace_id STRING,
  span_id STRING,
  time_unix_nano LONG,
  observed_time_unix_nano LONG,
  severity_number STRING,
  severity_text STRING,
  body STRING,
  attributes MAP<STRING, STRING>,
  dropped_attributes_count INT,
  flags INT,
  resource STRUCT<
    attributes: MAP<STRING, STRING>,
    dropped_attributes_count: INT
  >,
  resource_schema_url STRING,
  instrumentation_scope STRUCT<
    name: STRING,
    version: STRING,
    attributes: MAP<STRING, STRING>,
    dropped_attributes_count: INT
  >,
  log_schema_url STRING
) USING DELTA
TBLPROPERTIES (
  'otel.schemaVersion' = 'v1'
)

Krok 2: Aktualizace proměnných env v programovacím agentu

V jakémkoli agentu kódování s povolenou podporou metriky OpenTelemetry nakonfigurujte následující proměnné prostředí.

{
  "OTEL_METRICS_EXPORTER": "otlp",
  "OTEL_EXPORTER_OTLP_METRICS_PROTOCOL": "http/protobuf",
  "OTEL_EXPORTER_OTLP_METRICS_ENDPOINT": "https://<workspace-url>/api/2.0/otel/v1/metrics",
  "OTEL_EXPORTER_OTLP_METRICS_HEADERS": "content-type=application/x-protobuf,Authorization=Bearer <databricks_pat_token>,X-Databricks-UC-Table-Name=<catalog>.<schema>.<table_prefix>_otel_metrics",
  "OTEL_METRIC_EXPORT_INTERVAL": "10000",
  "OTEL_LOGS_EXPORTER": "otlp",
  "OTEL_EXPORTER_OTLP_LOGS_PROTOCOL": "http/protobuf",
  "OTEL_EXPORTER_OTLP_LOGS_ENDPOINT": "https://<workspace-url>/api/2.0/otel/v1/logs",
  "OTEL_EXPORTER_OTLP_LOGS_HEADERS": "content-type=application/x-protobuf,Authorization=Bearer <databricks_pat_token>,X-Databricks-UC-Table-Name=<catalog>.<schema>.<table_prefix>_otel_logs",
  "OTEL_LOGS_EXPORT_INTERVAL": "5000"
}

Krok 3: Spustit agenta kódování

Vaše data by se měla rozšířit do tabulek katalogu Unity do 5 minut.

Další kroky

Váš názor

Byla tato stránka užitečná?

Last updated on 2026-07-16

Integrace s agenty kódování

Features

Requirements

Setup

Použijte ucode (doporučeno)

Dashboard

Ruční nastavení

IDE Cursor

Codex CLI

Rozhraní příkazového řádku Gemini

Nastavení shromažďování dat OpenTelemetry

Requirements

Krok 1: Vytvoření tabulek OpenTelemetry v katalogu Unity

Krok 2: Aktualizace proměnných env v programovacím agentu

Krok 3: Spustit agenta kódování

Další kroky

Váš názor

Další materiály