Was ist Agent Bricks?

Agent Bricks ist die Azure Databricks Agent-Entwicklungsplattform. Nutzen Sie es, um die Agents zu erstellen und bereitzustellen, die Ihre agentenbasierten Produkte und Arbeitsabläufe antreiben. Agent Bricks ist für Entwickler konzipiert, die Code schreiben. Sie bringen einen Agenten mit, der mit einem beliebigen Framework oder Harness erstellt wurde, und wählen ein beliebiges Modell aus.

Agent Bricks unterstützt die Kern-Arbeitsabläufe zum Erstellen eines Produktionsagenten:

  • Setzen Sie Ihren Agenten ein:Agent Runtime beherbergt Agenten, die mit jedem beliebigen Framework oder Harness gebaut wurden, egal ob stateful oder stateless, und AgentKit ermöglicht eine dauerhafte Ausführung, sodass Ausführungen Neustarts und Abstürze überstehen.
  • Code sicher ausführen: Agenten führen den Code, den sie schreiben, in Databricks Sandbox aus, einer isolierten Umgebung, deren Home-Verzeichnis über Sitzungen hinweg erhalten bleibt.
  • Bereichern Sie den Kontext Ihres Agenten: Das Gedächtnis und die Sitzungen des Agenten ermöglichen es Ihrem Agenten, sich an frühere Gespräche zu erinnern, sodass er Antworten personalisieren und Token-Kosten senken kann.
  • Debuggen und testen Sie Ihren Agenten: MLflow Tracing zeichnet jeden Schritt Ihres Agenten auf, und Sie können Traces im Unity-Katalog in großem Maßstab speichern und steuern.

Die Agent Bricks CLI erstellt das Grundgerüst für Agent-Code, der eine Verbindung zu diesen Diensten herstellt. Du kannst lokal iterieren, auch mit Coding-Agenten, und dann deinen Agenten deployen.

Wie Agent Bricks mit anderen Azure Databricks-Angeboten zusammenhängt:

  • Genie Agents: Genie Agents dient dazu, Agenten ohne Code zu erstellen, wie zum Beispiel Agenten, die Fragen über Ihre Tabellen und Dokumente beantworten. Agent Bricks ist für Entwickler, die ihren eigenen Agentencode schreiben. Ein Custom Agent kann Genie Agents als Tools aufrufen.
  • Genie One: Genie One ist für Geschäftskunden, die Fragen zu Daten stellen, Dashboards ansehen und Apps nutzen möchten, ohne Code zu schreiben. Agent Bricks ist für Entwickler, die die Agenten selbst bauen. Ein Custom Agent kann Genie One als Werkzeug aufrufen, um auf Ihren Geschäftskontext zurückzugreifen.
  • Omnigent: Omnigent ist eine Meta-Umgebung, die mehrere Agents kombiniert und koordiniert, wie zum Beispiel codierende Agents. Du kannst Omnigent nutzen, um einen benutzerdefinierten Agenten zu entwickeln, den du auf Agent Bricks einsetzt und ausführst.

Komponenten eines Agenten

Ein Agent ist ein KI-System, das eine Anfrage wahrnimmt, entscheidet, was zu tun ist, und handelt, um ein Ziel zu erreichen. Im Gegensatz zu einem einzelnen Modellaufruf führt ein Agent eine Schleife durch. Es analysiert die Anfrage mit einem Modell, ruft Werkzeuge auf, um Informationen zu sammeln oder Maßnahmen zu ergreifen, beobachtet die Ergebnisse und wiederholt das, bis es antworten kann.

Komponenten eines Agents: Anfragen von Nutzern, Apps und Agents erreichen die Agentlaufzeit, die den Agentserver ausführt, der den dauerhaften Laufzeitzustand beibehält und die Agent-Schleife mit einem Framework oder einer Umgebung umschließt. Die Schleife schlussfolgert mit einem Modell, ruft Tools auf und liest und schreibt den Agentzustand, wobei Beobachtbarkeit und Governance darum herum liegt.

Ein Produktionsagent kombiniert typischerweise die folgenden Komponenten:

  • Agent-Schleife (Framework oder Harness): Dein Code. Die Agent-Schleife wird mit einem Framework oder Harness wie LangGraph oder dem OpenAI Agents SDK aufgebaut und enthält die Anweisungen sowie die Orchestrierungslogik, die das Verhalten des Agenten definieren.
  • Modell: Das große Sprachmodell (LLM), das über jeden Schritt nachdenkt und entscheidet, welche Aktion als Nächstes ausgeführt werden soll.
  • Tools: Funktionen, die der Agent aufruft, um Daten, einschließlich Ihrer Geschäftsdaten, abzurufen oder den Zustand eines anderen Systems zu ändern. Beispiele sind Model Context Protocol (MCP)-Server, APIs und Sandboxen, die den vom Agent geschriebenen Code ausführen.
  • Agent State: Was der Agent speichert. Der Agentzustand umfasst die aktuelle Session, also das laufende Gespräch oder die Aufgabe, und den Speicher, also das, was der Agent sessionübergreifend lernt und abruft.
  • Agent-Server: Die Bibliothek, die die Agent-Schleife in einen HTTP-Server umwickelt. Es stellt die API bereit, die Clients aufrufen, verwaltet Client-Verbindungen und sorgt für die Haltbarkeit, indem der Zustand jedes Laufs in einem Runtime Store gespeichert wird.
  • Agent-Laufzeit: Die verwaltete Rechenleistung, die den Agentenserver betreibt und Hosting, Identität und Skalierung übernimmt.
  • Observabilität: Spuren, die jeden Schritt des Agenten aufzeichnen, sowie Bewertungen, die messen, ob sein Ergebnis gut ist.
  • Governance: Identität, Berechtigungen und Richtlinien, die steuern, welche Modelle, Werkzeuge und Daten der Agent nutzen darf.

Das Framework oder Harness, der Agent-Server und die Agent-Laufzeit bilden zusammen den Agent-Compute-Stack. Siehe Agents auf Azure Databricks bereitstellen.

Herausforderungen bei der Entwicklung von Agenten im Produktivbetrieb

Ein Prototyp-Agent kann an einem Nachmittag auf einem Laptop laufen. Agenten zuverlässig für echte Nutzer zu betreiben, ist schwieriger. Teams, die Agenten selbst bauen, verbringen oft die meiste Zeit mit dem Aufbau und Betrieb der Infrastruktur, anstatt den Agenten zu verbessern. Die häufigsten Herausforderungen lassen sich in fünf Bereiche einteilen:

  • Modellzugang: Teams müssen zwischen Frontier- und Open-Modellen wählen, die Modelle wechseln oder aktualisieren, ohne Code neu zu schreiben, und genügend Kapazität im Produktionsmaßstab erreichen, während sie Kosten und Zugang kontrollieren.
  • Compute: Agenten benötigen Rechenleistung, die mit dem Datenverkehr skaliert, lang laufende Prozesse über Neustarts und Ausfälle hinweg fortführt und jede Sitzung isoliert. Agenten, die Code schreiben und ausführen, brauchen einen sicheren Ort, um ihn auszuführen.
  • Kontext: Agenten geben bessere Antworten, wenn sie zur richtigen Zeit die richtigen Daten haben. Das erfordert einen dauerhaften Konversationszustand, einen Speicher, der über Sitzungen hinweg erhalten bleibt, sowie sicheren Zugriff auf Geschäftsdaten und -tools, ohne Daten zu kopieren oder Zugangsdaten zu teilen.
  • Qualität: Agenten produzieren offene, nicht-deterministische Ergebnisse, daher ist "gut" schwer zu definieren und zu messen. Ohne Nachverfolgung und Bewertung können Teams Fehler nicht debuggen, Qualität gegenüber Stakeholdern nicht nachweisen oder Regressionen in der Produktion erkennen.
  • Governance und Kontrolle: Agents basieren auf Daten und rufen externe Dienste auf. Ohne einheitliche Berechtigungen, Richtlinien und Nutzungsverfolgung riskieren Organisationen Datenlecks, Compliance-Lücken, unbefugte Nutzung und unerwartete Kosten. Teams wollen außerdem vermeiden, ihre Agenten an einen einzigen Modellanbieter oder Cloud-Anbieter zu binden.

Wie Agent Bricks diese Herausforderungen angeht

Agent Bricks stellt für jede Ebene des Stacks einen verwalteten Baustein bereit. Die Komponenten teilen sich ein Identitäts- und Governance-Modell und arbeiten zusammen, aber du kannst auch jede einzelne für sich verwenden. Du behältst deine Framework-, Harness- und Modellauswahl.

Agent Bricks-Plattform: Ihr Agent läuft auf Agent Runtime mit robuster Ausführung und Absturzwiederherstellung. Unity Gateway verbindet es mit Frontier- und Openweight-Modellen und steuert dessen MCP-Server und Skills, Sandbox führt Code isoliert aus, MCP-Server stellen Werkzeuge bereit, verwalteter Speicher speichert Kontext auf Lakebase, und MLflow bietet Nachverfolgung und Evaluation.

Herausforderung Komponenten von Agent Bricks
Modellzugang Unity Gateway und Foundation Model APIs
Compute Agent Server (DurableAgentServer), Agent Runtime und Databricks Sandbox
Kontext Agentenspeicher und Agentensitzungen, MCP-Server und Agententools, KI-Suche und Genie-Agenten
Quality MLflow Tracing, Bewertung und Überwachung
Governance und Steuerung Unity Catalog- und Unity Gateway-Richtlinien sowie Unterstützung für jedes Framework, Harness und Modell

Fang mit der Agent Bricks CLI an

Die Agent Bricks CLI bietet einen geführten Pfad von einem leeren Verzeichnis zu einem eingesetzten Agenten. Es erstellt ein Projekt aus einer Framework-Vorlage, führt den Agent lokal aus und stellt es mit bereits konfiguriertem Modellzugriff, Speicher, Sessions, Tools und Tracing bereit. Eine deklarative agent.toml Datei erfasst die verwalteten Ressourcen, auf die der Agent angewiesen ist. Um Ihren ersten Agenten zu erstellen, lesen Sie den Agent Bricks Quickstart.

Models

Unity Gateway bietet Ihrem Agenten eine API für Frontier- und Open-Modelle, einschließlich Modellen, die Azure Databricks über Foundation Model APIs hostet, und Modellen von externen Anbietern. Du kannst das Modell wechseln, ohne den Agentencode zu ändern. Unity Gateway steuert außerdem die MCP-Server und Skills, die Ihre Agenten nutzen, und wendet Ratenlimits, Schutzmaßnahmen und Nutzungsverfolgung auf die Anfragen an, die ihn durchlaufen.

Compute

  • Agent-Server: DurableAgentServer Umschließt Ihre Agent-Schleife und stellt die Aufruf-API bereit – mit synchronen, Streaming- und Hintergrundanfragen, einem persistenten Ausführungsstatus und einer Wiederherstellung nach einem Absturz. Agents, die Sie mit der Agent Bricks CLI erstellen, nutzen dies standardmäßig.
  • Agent Runtime: Agent Runtime betreibt den Agent-Server auf Databricks Apps an einem stabilen, authentifizierten Endpunkt. agentbricks deploy stellt die Ressourcen bereit, die Ihr Agent benötigt, und gewährt ihm Zugriff darauf. Um einen bereitgestellten Agenten abzufragen, siehe Auf Azure Databricks bereitgestellte Agenten abfragen.
  • Databricks Sandbox: Databricks Sandbox ist ein Tool, das dein Agent aufruft, um den von ihm geschriebenen Code in einer isolierten Umgebung auszuführen, mit begrenztem Zugriff auf deine verwalteten Daten.

Um zu erfahren, wie diese Schichten zusammenpassen, siehe Agenten auf Azure Databricks bereitstellen.

Kontext

  • Verwalteter Speicher und Sitzungen: Sitzungen speichern den Zustand eines Gesprächs oder einer Aufgabe, und der Speicher speichert die Fakten und Präferenzen, die ein Agent in späteren Gesprächen abruft. Beide sind verwaltete Speicher, die von Lakebase unterstützt werden und mit jedem Framework funktionieren. Siehe Agenten-Speicher und Sitzungen.
  • Kombinierter Geschäftskontext mit Genie One: Der Genie One MCP-Server bietet Ihrem Agenten den kombinierten Geschäftskontext Ihrer Organisation. Der Agent stellt eine Frage in natürlicher Sprache, und Genie beantwortet sie anhand Ihrer strukturierten Daten, wobei Genie Ontology zur Auflösung von Geschäftsbegriffen, Metrikdefinitionen und Tabellenbeziehungen herangezogen wird. Die Unity Catalog-Berechtigungen gelten, sodass der Agent nur Daten abfragen kann, auf die er zugreifen darf. Um es zu einem Agent Bricks CLI-Projekt hinzuzufügen, führe agentbricks tools add genie-one.
  • Tools und MCP-Server: Verbinden Sie Agenten mit von Azure Databricks verwalteten MCP-Servern für Genie Agents, KI-Suche, Unity Catalog-Funktionen und SQL oder mit benutzerdefinierten und externen MCP-Servern. Siehe MCPs.
  • KI-Suche: Beziehen Sie relevante unstrukturierte Inhalte mit Databricks AI Search ab, einschließlich für Retrieval-Augmented Generation (RAG)-Anwendungen.
  • Geschäftsdaten: Verankern Sie Agents in den Tabellen, Dateien und Genie-Agents, die Ihre Organisation bereits im Unity-Katalog verwaltet.

Observability und Qualität

Von Azure Databricks verwaltetes MLflow bietet Nachverfolgung, Bewertung und Überwachung für Agenten. MLflow Tracing dokumentiert jeden Schritt, den ein Agent in der Entwicklung und in der Produktion unternimmt. Die Bewertung nutzt integrierte LLM-Bewerter, benutzerdefinierte Bewerter und Expertenfeedback, um Qualität zu messen, und Produktionsmonitoring erkennt Regressionen. Du kannst Traces im Unity-Katalog speichern und sie im großen Maßstab analysieren. Siehe Was ist Agent-Observabilität und -qualität?

Governance und Steuerung

  • Einheitliche Governance: Unity Catalog steuert die Daten, Tools, Modelle und Agents, die Ihre AgentS verwenden, mit Berechtigungen und Datenherkunft.
  • Richtlinien zu Modellen, MCP-Servern und Fähigkeiten:Unity Gateway regelt den Zugriff auf Modelle, MCP-Server und Fähigkeiten und setzt Leitplanken, Rate-Limits und Nutzungsverfolgung der von ihm geleiteten Calls durch.
  • Wahl: Verwenden Sie jedes Framework oder Harness und jedes Modell und wechseln Sie das Modell, ohne Ihren Agents neu zu schreiben.

Lebenszyklus der Agentenentwicklung

Der Bau eines Produktionsagenten ist iterativ. Die folgenden Schritte beschreiben einen typischen Lebenszyklus.

  1. Definieren Sie den Anwendungsfall und die Erfolgskriterien: Einigen Sie sich darauf, was der Agent tun soll, wer ihn nutzt und wie Sie Qualität, Kosten und Latenz messen. Sammeln Sie frühzeitig Beispielanfragen und erwartete Antworten.
  2. Baue einen anfänglichen Agenten: Beginne mit dem am wenigsten komplexen Design, das funktioniert. Verbinde den Agent mit Modellen, MCP-Servern und Skills über Unity Gateway und führe es lokal aus.
  3. Qualität bewerten und iterieren: Verwenden Sie Traces, um Verhalten zu debuggen, erstellen Sie einen Evaluationsdatensatz aus echten Anfragen und Expertenfeedback und führen Sie Bewertungen durch, um die Wirkung jeder Änderung an Prompts, Tools oder Modellen zu messen.
  4. Deploy: Stelle den Agent-Server in der Agent-Laufzeit mit den Speichern, Tools und Berechtigungen bereit, die der Agent benötigt.
  5. In der Produktion überwachen und verbessern: Überwachen Sie die Qualität mit Produktionstraces und Scorern, sammeln Sie Nutzerfeedback und geben Sie das Gelernte in die Bewertung zurück.

Agent Bricks und andere Agentangebote auf Azure Databricks

  • Genie One: Das Azure Databricks-Erlebnis für Geschäftsanwender, um Fragen zu Daten in natürlicher Sprache zu stellen, Dashboards anzusehen und Apps zu nutzen, ohne Code schreiben zu müssen. Ein maßgeschneiderter Agent, der auf Agent Bricks basiert, kann Genie One als Werkzeug aufrufen. Um es zu einem Agent Bricks CLI-Projekt hinzuzufügen, führe agentbricks tools add genie-one.
  • Genie-Agenten: Eine Low-Code-Methode, um Agenten zu erstellen, die Fragen über Ihre Tabellen und Dokumente beantworten. Nutze Genie Agents, wenn du keinen benutzerdefinierten Agentencode brauchst. Ihre Custom Agents können auch Genie Agents als Werkzeuge aufrufen.
  • Omnigent: Eine Meta-Umgebung zum Orchestrieren und Zusammenarbeiten mit Agents, zum Beispiel durch das Kombinieren von Coding-Agents. Du kannst Omnigent nutzen, um benutzerdefinierte Agenten zu entwickeln, die auf Agent Bricks laufen.
  • Legacy-Agent-Builder: Frühere Produkte wie Knowledge Assistant und Supervisor Agent werden für neue Agenten nicht mehr empfohlen. Siehe Legacy-Agent-Angebote.

Weitere Ressourcen

  • Zuletzt aktualisiert um