Agent Bricks CLI

Important

Dieses Feature befindet sich in der Betaversion. Es ist keine Arbeitsbereichseinstellung erforderlich, um sie zu aktivieren. Installiere die Agent Bricks CLI, um loszulegen.

Die Agent Bricks CLI (databricks-agentbricks) ist ein Azure Databricks-Kommandozeilen-Tool für Entwickler, die benutzerdefinierte Agenten im Code erstellen und bereitstellen.

Verwenden Sie die Agent Bricks CLI, um benutzerdefinierte Agentenlogik in Code unter Verwendung einer LangGraph- oder OpenAI Agents SDK-Vorlage zu schreiben und über Ihr Terminal bereitzustellen. Um einen Agenten ohne Code für Fragen zu Ihren Daten zu erstellen, verwenden Sie Genie Agents in der Azure Databricks-Benutzeroberfläche. Weitere Informationen finden Sie unter Was ist Agent Bricks?, die Agent Bricks FAQ und der Agent Bricks Schnellstart.

Die Agent Bricks CLI unterstützt ein Projekt mit einem integrierten Framework, das auf den besten Praktiken von Databricks basiert. Anschließend kann es das Projekt lokal zu Testzwecken ausführen und in der Azure-Databricks-Agent-Runtime bereitstellen. Die CLI ermöglicht es Ihnen, von einem leeren Verzeichnis zu einem bereitgestellten Agenten zu wechseln, ohne Laufzeit, Tools, Speicher und verwaltete Ressourcen manuell zu verdrahten. Für weitere Möglichkeiten, benutzerdefinierte Agenten zu erstellen, einschließlich des app-basierten Workflows, siehe Run agents on Databricks Apps using the legacy agent server.

Voraussetzungen

  • Die Databricks-CLI, installiert und in Ihrem PATH verfügbar.

  • Python 3.11 oder höher. Das Agent Bricks CLI-Paket lässt sich unter Python 3.10 installieren, aber die Projekte, die es erstellt, erfordern Python 3.11 oder höher. Databricks empfiehlt Python 3.12.

  • uv, das das generierte Projekt für agentbricks init, agentbricks dev und agentbricks deploy ausführt.

  • Installiere die Agent Bricks CLI. Um es als uv Werkzeug zu installieren, führen Sie Folgendes aus:

    uv tool install databricks-agentbricks
    

    Um es stattdessen mit pip zu installieren, führe pip install databricks-agentbricks aus. Wenn die Installation fehlschlägt, lesen Sie Fehlerbehebung.

Überblick: Vom Anmelden bis zum eingesetzten Agenten

Die folgende Sequenz fasst die Schritte in Neuen Agent erstellen zusammen:

databricks auth login --host "https://<your-workspace-url>" --profile my-workspace
agentbricks login --profile my-workspace
agentbricks init --framework langgraph my-agent
cd my-agent
agentbricks dev
agentbricks deploy my-agent

Tip

Jede Befehls- und Befehlsgruppe unterstützt --help. Führe agentbricks memory --help aus, um die Speicherbefehle und ihre Flags aufzulisten.

Der Agent Bricks CLI-Lebenszyklus

Die Agent Bricks CLI erstellt auf Basis einer Framework-Vorlage ein lokales Verzeichnis mit bereitstellbarem Agentencode, wobei die Laufzeit, Tests und eine optionale Chat-Benutzeroberfläche bereits vorkonfiguriert sind. Du schreibst die Anwendungslogik (Modell, Werkzeuge und Prompts), und die CLI übernimmt den lokalen Betrieb und die Bereitstellung auf der Azure Databricks-Infrastruktur.

agent.tomlist die deklarative Wahrheitsquelle für alle von Azure Databricks verwalteten Ressourcen, auf die Ihr Agent angewiesen ist: Tool-Bindings (Data Sandbox, verwaltete Model Context Protocol (MCP)-Dienste, Unity Catalog-Funktionen) sowie Speicher-, Session- und Tracing-Ressourcen. agentbricks deploy liest sie zur Bereitstellung und Verkabelung von allem, sodass die Datei, nicht handgeschriebener Setup-Code, die Bereitstellung übernimmt.

Die drei Befehle, die einen Agenten von einem leeren Verzeichnis in die Produktion bringen:

  • agentbricks init erstellt das Projektgerüst aus einer enthaltenen Vorlage, wobei optional eine .env-Datei mit einem Databricks-Profil vorausgefüllt wird, sodass das Projekt sofort läuft.
  • agentbricks devführt den Agenten lokal gegen Azure Databricks Model Serving aus, damit du ihn vor der Bereitstellung testen kannst.
  • agentbricks deploy stellt die in agent.toml deklarierten Ressourcen bereit und rollt den Agenten in die Azure Databricks-Agent-Laufzeit aus.

Agent Bricks CLI-Lebenszyklus: Init-, Entwicklungs- und Deployment-Phasen mit ihren wichtigsten Aktionen

Note

Du kannst auch jederzeit Werkzeuge hinzufügen und Speicher- und Sitzungsspeicher binden, nicht nur bei init. Verwenden Sie agentbricks tools add, agentbricks memory bind und agentbricks sessions bind, um Ihre Agentenkonfiguration zwischen beliebigen dieser Schritte zu aktualisieren.

Agent Bricks CLI-Funktionen

Fähigkeit Description
Modellzugang Die Agent Bricks CLI stellt automatisch den Zugriff auf das Modell bereit, sodass Ihr Agent ein Azure Databricks-Servated-Modell aufrufen kann, ohne Zugangsdaten oder Endpunkte verwalten zu müssen. Siehe Databricks Foundation Model-APIs.
Verwalteter Speicher Langzeitspeicher, die ein Agent schreiben und durchsuchen kann, nach Akteuren partitioniert und von verwalteten Speichern gesichert. Verwenden Sie den Speicher, um Fakten und Einstellungen sitzungsübergreifend beizubehalten, und verwenden Sie agentbricks memory pipeline, um Erinnerungen aus einem Sitzungsspeicher zu extrahieren. Siehe Agent-Speicher und Agent-Speicher-Pipelines.
Verwaltete Sitzungen Gesprächstranskripte werden in verwalteten Sitzungsspeichern gehalten und nach Akteuren partitioniert, mit Unterstützung für das Aufteilen von Sitzungen in unabhängige Kopien. Siehe Agent-Sitzungen.
Tools Azure Databricks-verwaltete Fähigkeiten, deklariert in agent.toml: eine Sandbox, ein von Azure Databricks verwalteter MCP-Dienst oder eine Unity-Catalog-Funktion. Benutzerdefinierte Python-Tools sind direkt im Projektcode geschrieben. Siehe MCPs.
Ablaufverfolgung Das standardmäßig aktivierte MLflow-Tracing leitet die Traces jedes Durchlaufs zur Fehlerbehebung und Überwachung an ein eigenes MLflow-Experiment pro Projekt weiter. Siehe Übersicht zur Nachverfolgung.
Einsatz Stellt einen Agenten in der Azure-Databricks-Agent-Laufzeitumgebung bereit, gewährt dem Dienstprinzipal des Agenten Zugriff auf zugeordneten Speicher und verwaltet den Bereitstellungslebenszyklus.

Erstelle einen neuen Agenten

Schritt 1: Authentifizieren Sie sich bei OAuth und speichern Sie ein Profil

Die Agent Bricks CLI verwendet die Databricks CLI-Authentifizierung. Authentifiziere dich in deinem Arbeitsbereich mit OAuth (User-to-Machine) und speichere die Zugangsdaten als benanntes Profil. Führe beide folgenden Befehle aus.

Note

Ein Profil ist eine benannte Menge von Verbindungseinstellungen (eine Arbeitsbereich-URL und deren Anmeldeinformationen), die in ~/.databrickscfg gespeichert sind. Die Beispiele auf dieser Seite verwenden ein Profil namens my-workspace. Wählen Sie einen beliebigen Namen und übergeben Sie ihn dann mit --profile.

  1. Um den OAuth-Flow zu starten, führe Folgendes aus und ersetze den Host durch deine Workspace-URL. Der Befehl öffnet einen Browser, um die Anmeldung abzuschließen, und schreibt dann das my-workspace-Profil in ~/.databrickscfg:

    databricks auth login --host "https://<your-workspace-url>" --profile my-workspace
    
  2. Um das Profil zu validieren und als Agent Bricks CLI-Standard zu speichern, sodass spätere Befehle --profile weglassen können, führen Sie Folgendes aus:

    agentbricks login --profile my-workspace
    

    Wenn die Anmeldeinformationen des Profils fehlen oder abgelehnt werden, führt agentbricks logindatabricks auth login erneut aus und es wird ein weiterer Versuch unternommen.

Schritt 2: Unterstützen Sie das Agentenprojekt

Erstellen Sie ein neues Agentenprojekt, und geben Sie --framework an, um die Vorlage auszuwählen. Dieses Beispiel verwendet die LangGraph-Vorlage, die eine Browser-Chat-App enthält:

agentbricks init --framework langgraph my-agent
cd my-agent

Die CLI enthält pro Framework eine mitgelieferte Vorlage, und --framework wählt aus, welche davon als Grundlage für das Gerüst verwendet wird: langgraph für LangGraph oder openai für das OpenAI Agents SDK. Die CLI schreibt die verwalteten Ressourcen und Werkzeugbindungen des Projekts auf agent.toml und die Vorlagenherkunft auf .agentbricks/project.toml. Um das reine API-Backend ohne die Chat-App zu generieren, fügen Sie --disable-chat-app hinzu.

Schritt 3: Verwaltete Sitzungs- und Arbeitsspeicher einbinden

Managed Stores ermöglichen es Ihrem Agenten, die Gesprächshistorie und das Langzeitspeicher dauerhaft zu speichern. agentbricks init deklariert einen Sitzungsspeicher und einen Memory-Speicher in agent.toml, benannt nach dem Projekt, wie zum my-agent-cuzvas-memoryBeispiel . agentbricks deploy erstellt fehlende Stores und gewährt dem Agenten Zugang, sodass die meisten Agenten diesen Schritt überspringen können.

Um einen anderen Shop zu nutzen, binde ihn über den Namen ein. Jeder Befehl ersetzt den Store-Namen in agent.toml. Es erstellt den Store nicht. Um einen Session-Store mit dem Namen my-agent-sessions und einen Memory-Store namens my-agent-memory zu binden, führen Sie Folgendes aus:

agentbricks sessions bind my-agent-sessions
agentbricks memory bind my-agent-memory

Um den Agenten mit bereits im Store gespeicherten Erinnerungen zu starten, erstelle den Store und füge Einträge hinzu, bevor du deployest. Siehe den Tab Agent Bricks CLI unter Get started with agent memory.

Schritt 4: Ablaufverfolgung anzeigen

Das Nachverfolgen ist standardmäßig aktiviert. agentbricks init bindet ein Standard-MLflow-Experiment /Shared/agentbricks_traces/<project>-<suffix> ein, und agentbricks dev und agentbricks deploy senden die Traces jedes Durchlaufs dorthin.

Um Ablaufverfolgungen aufzulisten, nachdem Ihr Agent welche erstellt hat, führen Sie Folgendes durch:

agentbricks tracing list

Um ein bestimmtes MLflow-Experiment zu binden, führe agentbricks tracing bind --experiment-id <experiment-id>. Um das Tracing zu deaktivieren, führen Sie agentbricks tracing unbind aus.

Schritt 5: Führen Sie den Agenten lokal aus

Führe den Agenten auf deinem Rechner aus, um ihn vor der Bereitstellung zu testen.

agentbricks dev

Dies startet einen lokalen Server auf Port 8000 mit demselben Befehl und derselben Umgebung wie die Laufzeitumgebung des Azure Databricks Agenten. Die Agent Bricks CLI verbindet den Agenten mit dem Azure Databricks Model Serving und kann das Modell lokal aufrufen. Die Vorlage setzt ein Standardmodell als den MODEL Wert in agent/agent.py. Um ein anderes Modell zu verwenden, bearbeite diesen Wert. Senden Sie Anfragen an http://localhost:8000, um mit dem Agenten zu interagieren.

Note

agentbricks dev verbindet sich nicht mit Speicher- oder Sessionspeichern. Das Langzeitgedächtnis ist ausgeschaltet, und der Gesprächsverlauf hält nur an, solange der lokale Server läuft. Die Chat-App zeigt für den lokalen Speicher Nicht verbunden auch dann an, wenn ein Store gebunden ist. Der Speicher verbindet sich nach agentbricks deploy.

Schritt 6: Setzen Sie den Agenten ein

Deploye den Agenten in der Azure Databricks Agent-Runtime. Die CLI stellt die zugeordneten Speicherressourcen bereit, gewährt dem Service Principal des Agents Zugriff darauf und führt die Bereitstellung durch. Der eingesetzte Agent heißt agent-bricks-<name>.

agentbricks deploy my-agent

Wenn die Bereitstellung abgeschlossen ist, gibt die CLI die URL der Bereitstellung zurück. Öffnen Sie diese URL, um mit Ihrem Live-Agenten zu interagieren, der automatisch mit der Modellbereitstellung von Azure Databricks verbunden ist. Um die anschließende Bereitstellung zu verwalten, verwenden Sie die agentbricks deployments Befehle wie agentbricks deployments logs und agentbricks deployments stop.

Die erste Bereitstellung dauert ein paar Minuten, hauptsächlich um die Rechenressourcen der App zu starten. Spätere Bereitstellungen sind schneller. Wenn die Bereitstellung eine Zeitüberschreitung erreicht oder die URL nicht antwortet, lesen Sie Bereitstellung erreicht eine Zeitüberschreitung oder die URL reagiert nicht. Für MCP_USER_AUTH_REQUIRED Fehler beim Aufrufen des bereitgestellten Agenten siehe Fehlerbehebung.

Einen bestehenden Agenten einbinden

Wenn Sie bereits einen Agent mit LangGraph oder dem OpenAI Agents SDK gebaut haben, nutzen Sie das --existing-Flag, um ihn in die Agent Bricks CLI und DurableAgentServer zu verschieben. Die CLI schreibt deinen Code nicht um. Stattdessen bereitet es Migrationsanweisungen vor, die ein Codierungsagent wie Claude Code oder Codex befolgt, um das Projekt zu konvertieren.

Schritt 1: Bereite die Migration vor

Bereite aus dem Projektverzeichnis des Agenten die Migration vor. Übergeben Sie das Framework, das der Agent verwendet: langgraph für LangGraph oder openai für das OpenAI Agents SDK.

agentbricks init --framework langgraph --existing .

Die CLI schreibt ein agent-bricks-migrate/ Verzeichnis, das die Migrationsanweisungen, einen Prompt für Ihren Coding-Agenten und ein Referenzprojekt enthält, das aus den CLI-Vorlagen generiert wurde. Es fügt außerdem Fähigkeiten in .claude/skills/ und .agent/skills/ hinzu, die Codierungsagents auf die Anweisungen verweisen. Der Befehl ändert weder deinen Anwendungscode, deine Abhängigkeiten noch die .env-Datei und erzeugt keine Ressourcen in deinem Arbeitsbereich.

Schritt 2: Konvertiere das Projekt mit deinem Coding-Agenten

Füge den Prompt aus agent-bricks-migrate/ in deinen Coding-Agenten ein. Der Coding-Agent wandelt das Projekt für die Verwendung von agent.toml und einem DurableAgentServer-Einstiegspunkt um und überprüft die Umwandlung.

Schritt 3: Überprüfe die Umwandlung

Führen Sie agentbricks doctor im Projektverzeichnis aus:

agentbricks doctor .

agentbricks doctorüberprüft die Projektdateien, ohne dessen Code auszuführen oder Azure Databricks zu kontaktieren. Dies ist erfolgreich, wenn das Projekt ein gültiges agent.toml hat, DurableAgentServer mit einem Aufruf-Handler startet und den Adapter für sein Framework aufruft. Ein fehlgeschlagener Bericht bedeutet, dass die Konvertierung noch nicht abgeschlossen ist.

Schritt 4: Aufräumen, ausführen und bereitstellen

Löschen Sie agent-bricks-migrate/ und die beiden Fähigkeiten, die darauf verweisen, und halten Sie sie aus Ihren Commits raus. Dann führe den Agenten mit agentbricks dev aus und deploye ihn mit agentbricks deploy.

Considerations

  • --existing unterstützt LangGraph und das OpenAI Agents SDK mit DurableAgentServer. Es unterstützt --server custom nicht.
  • Das Wechseln des Agent in einen verwalteten Sessionspeicher überträgt seinen bestehenden Konversationsverlauf nicht. Die Migrationsanweisungen bitten Sie, zu entscheiden, wie Sie mit früheren Unterhaltungen umgehen.
  • Die Optionen --memory-store, --disable-chat-app und --session-store prägen das Referenzprojekt. Sie schaffen keine Ressourcen.

MCP-Werkzeuge hinzufügen

Wenn Sie Ihren Agent mit der Agent Bricks CLI erstellen, fügen Sie Ihrem Projekt agentbricks tools add mcp <catalog>.<schema>.<service>mit einen MCP-Service hinzu. Der Befehl akzeptiert jeden MCP-Dienst in Ihrem Arbeitsbereich, auf den Sie Zugriff haben, einschließlich integrierter system.ai Dienste und MCP-Dienste in anderen Katalogen und Schemata. Der Befehl prüft, ob der Dienst in Ihrem Arbeitsbereich existiert, und erfasst das Tool in agent.toml. Der Agent verbindet sich zur Laufzeit mit dem Tool, sodass du keinen Verbindungscode schreibst.

Um die integrierten system.ai MCP-Dienste aufzulisten, die Sie hinzufügen können, führen Sie folgenden Befehl aus:

agentbricks tools list --kind mcp

Um die MCP-Dienste in einem anderen Schema aufzulisten, führen Sie agentbricks tools list --kind mcp --schema <catalog>.<schema> aus.

Die folgenden Beispiele fügen gemeinsame integrierte Dienste hinzu:

# Answer analytics questions across your workspace with Genie One.
agentbricks tools add mcp system.ai.genie_one_mcp

# Run SQL on a SQL warehouse.
agentbricks tools add mcp system.ai.dbsql

# Connect to third-party applications.
agentbricks tools add mcp system.ai.slack
agentbricks tools add mcp system.ai.github

Um einen MCP-Dienst aus einem anderen Katalog und Schema hinzuzufügen, wie z. B. einen externen MCP-Server, geben Sie seinen dreiteiligen Namen an. Die --name Option setzt die ID des Werkzeugs in agent.toml:

agentbricks tools add mcp main.tools.ticket_search --name tickets

Standardmäßig läuft ein Tool mit den Berechtigungen des Benutzers, der die Anfrage an deinen Agenten gesendet hat. Um sie stattdessen als Service Principal der App auszuführen, füge --auth app hinzu. Für Google Drive, Gmail, Google Kalender und Microsoft 365 führt jeder Nutzer vor dem ersten Aufruf einen einmaligen OAuth-Login durch. Siehe Verbundene Anwendungen.

Um Werkzeuge zu überprüfen oder zu entfernen, starte agentbricks tools list oder agentbricks tools remove mcp <service>.

Weitere Werkzeuge finden Sie auf den folgenden Seiten:

agent.toml Referenz

agent.tomlist die deklarative Wahrheitsquelle für die von Azure Databricks verwalteten Ressourcen, die dein Agent verwendet. agentbricks init erstellt es, agentbricks tools add, agentbricks memory bind, agentbricks sessions bind und agentbricks tracing bind aktualisieren es, und agentbricks deploy liest es aus, um Ressourcen bereitzustellen und Zugriff zu gewähren. Du kannst es auch direkt bearbeiten.

Abschnitt oder Feld Description
schema_version Die Version des Formats agent.toml . Generierte Projekte verwenden 1.
[agent] framework Die Rahmenvorlage: langgraph oder openai.
[agent] server Der Agent-Server: agentbricks für DurableAgentServer, oder custom für Ihren eigenen Server.
[memory_store] name Der verwaltete Speicher, den der Agent verwendet.
[session_store] name Der verwaltete Sitzungsspeicher, den der Agent verwendet.
[tracing] experiment_name Das MLflow-Experiment für Traces. Heben Sie die Auswahl auf, um die Verfolgung auszuschalten.
[[tools]] Eine Tool-Zuordnung. Jedes Tool hat einen id, einen auth Wert von user oder app, und einen source, der das Tool identifiziert, plus ein optionales policy.
[auth.user] Benutzerautorisierung für Tools anfordern, die Sie in Code schreiben: required und additional_api_scopes. Siehe Benutzerautorisierung anfordern.

Das folgende Beispiel ist die Datei, die agentbricks init für einen LangGraph-Agenten mit dem Namen my-agent generiert:

schema_version = 1

[agent]
framework = "langgraph"
server = "agentbricks"

[memory_store]
name = "my-agent-cuzvas-memory"

[session_store]
name = "my-agent-cuzvas-sessions"

[tracing]
experiment_name = "/Shared/agentbricks_traces/my-agent-cuzvas"

Das zufällige Suffix (cuzvas in diesem Beispiel) ist für jedes Projekt unterschiedlich, daher teilen Projekte mit demselben Namen keine Stores oder Experimente.

Das folgende Beispiel zeigt Tool-Bindings, die von agentbricks tools add geschrieben werden: einen integrierten MCP-Service, einen Genie Agent und eine Sandbox:

[[tools]]
id = "web_search"
auth = "user"
source = { kind = "mcp", service = "system.ai.web_search" }

[[tools]]
id = "genie_agent"
auth = "user"
source = { kind = "genie_agent", space_id = "<space-id>" }

[[tools]]
id = "sandbox"
auth = "user"
source = { kind = "sandbox", service = "system.ai.sandbox" }

Tools, die eine Unity Catalog-Funktion aufrufen, verwenden source = { kind = "uc_function", function = "<catalog>.<schema>.<function>" } und unterstützen nur auth = "app".

Befehlsreferenz

Die folgende Tabelle listet die Agent Bricks CLI-Befehle auf.

Command Description
agentbricks login Authentifiziere ein Profil und speichere es als Standard.
agentbricks logout Vergiss das gespeicherte Standardprofil, ohne dessen Zugangsdaten zu löschen.
agentbricks init Richten Sie ein neues Agentenprojekt ein oder bereiten Sie einen bestehenden Agenten mit --existing auf die Migration vor.
agentbricks doctor Überprüfen Sie, ob ein bestehender Agent für die Agent Bricks CLI eingerichtet ist.
agentbricks dev Führe den Agenten lokal mit einer Chat-UI aus.
agentbricks memory Verwalten Sie den Langzeitspeicher: Binden oder trennen Sie einen Store und verwalten Sie Stores, Einträge und Speicherpipelines.
agentbricks sessions Verwalten Sie Gesprächssitzungen: Binden oder entbinden Sie einen Store und verwalten Sie Session-Stores.
agentbricks tools Werkzeuge des Agenten auflisten, hinzufügen und entfernen.
agentbricks mcp Entdecken Sie verwaltete MCP-Dienste.
agentbricks tracing Binden, trennen und Ablaufverfolgung untersuchen.
agentbricks deploy Deploye den Agenten in der Azure Databricks Agent-Runtime.
agentbricks deployments Verwalte eingesetzte Agenten: list, get, wait, logs, start, stop und delete.
agentbricks endpoint Rufen Sie einen HTTP-Endpunkt auf.
agentbricks experimental Experimentelle Befehle, die sich ohne Vorankündigung ändern könnten: experimental models und experimental prompts.

Für jedes Flag und jede Option siehe die Agent Bricks CLI-Befehlsreferenz auf GitHub.

Troubleshooting

Deploy schlägt fehl, weil der Arbeitsbereich sein Limit erreicht hat

Verwaltete Speicher- und Sitzungsspeicher haben jeweils ein Limit pro Arbeitsbereich. Wenn agentbricks deploy mit Workspace has reached the maximum of <N> managed memory storesfehlschlägt, mache eines der folgenden Maßnahmen, dann führe agentbricks deployerneut aus:

  • Einen Platz freimachen. Führe agentbricks memory stores list --all aus, um Stores zu finden, die du nicht mehr brauchst, und lösche sie dann mit agentbricks memory stores delete <name>. Für Session-Stores führe agentbricks sessions stores list und lösche ungenutzte Stores mit agentbricks sessions stores delete <name>.
  • Ohne Store bereitstellen. Für ein Memory-Store-Limit führe agentbricks memory unbind aus. Für ein Session Store-Limit führe agentbricks sessions unbind aus. Der Agent läuft dann ohne dieses Langzeitgedächtnis oder die Gesprächshistorie.

Bei der Bereitstellung tritt eine Zeitüberschreitung auf oder die URL reagiert nicht.

Wenn du von einem Skript oder einem Coding-Agenten mit kurzer Befehlszeit deployest, deploye ohne zu warten und warte dann separat:

agentbricks deploy my-agent --no-wait
agentbricks deployments wait agent-bricks-my-agent

Standardmäßig kehrt agentbricks deployments wait nach etwa 100 Sekunden zurück. Seine Exit-Codes sind:

  • 0: Der Agent ist eingesetzt und läuft.
  • 1: Die Bereitstellung ist fehlgeschlagen. Versuchen Sie es nicht weiter. Überprüfen Sie den Fehler und die Ausgabe von agentbricks deployments logs agent-bricks-my-agent.
  • 75: Das Deployment läuft noch. Führe denselben Befehl noch einmal aus.

In einem Skript, das set -e verwendet, stoppt der Austrittscode 75 das Skript, also versuche es nur bei 75 erneut:

while true; do
  agentbricks deployments wait agent-bricks-my-agent && break
  status=$?
  [ "$status" -eq 75 ] || exit "$status"
done

Wenn die Bereitstellung fehlschlägt, weil die Compute-Ressourcen der App nicht rechtzeitig gestartet wurden, führe agentbricks deployments get agent-bricks-my-agent aus, um den Zustand der App zu überprüfen. Wenn die App gestoppt ist, führe agentbricks deployments start agent-bricks-my-agent aus. Dann führen Sie agentbricks deploy my-agent erneut aus.

Anfragen an den bereitgestellten Agenten schlagen fehl mit MCP_USER_AUTH_REQUIRED

Wenn ein MCP-Tool verwendet auth = "user", benötigt der eingesetzte Agent, dass Databricks Apps das Token des angemeldeten Benutzers weiterleiten. Das gilt für jede Anfrage, auch für Aufforderungen, die das Tool nicht aufrufen. Anfragen, die direkt einen Bearer-Token verwenden, wie curl-Aufrufe oder CI-Jobs, schlagen mit MCP_USER_AUTH_REQUIRED fehl.

Um den Agenten programmatisch aufzurufen, fügen Sie das Werkzeug mit --auth app hinzu, beispielsweise agentbricks tools add mcp system.ai.dbsql --auth app. Um ein bestehendes Werkzeug zu wechseln, entferne es mit agentbricks tools remove mcp <service>, füge es mit --auth app erneut hinzu und deploye es neu.

Die Installation schlägt auf einem Intel-Mac beim Bauen von cryptography fehl

Wenn die Installation auf einem Intel-Mac beim Erstellen des Pakets cryptography aus dem Quellcode fehlschlägt, installieren Sie stattdessen vorgefertigte Pakete. Zum Installieren mit pip führe Folgendes aus:

pip install --only-binary :all: databricks-agentbricks

Installation oder agentbricks dev schlägt wegen der Python-Version fehl

Wenn die Installation oder agentbricks dev beim Erstellen von Abhängigkeiten fehlschlägt, prüfen Sie Ihre Python-Version mit python3 --version. Gerüstprojekte erfordern Python 3.11 oder höher, und Databricks empfiehlt Python 3.12. Bei neueren Python-Versionen haben manche Abhängigkeiten möglicherweise keine vorgefertigten Pakete. Um die CLI mit Python 3.12 zu installieren, führen Sie Folgendes aus:

uv tool install --python 3.12 databricks-agentbricks

Weitere Ressourcen