¿Qué es Agent Bricks?

Agent Bricks es la plataforma de desarrollo de agentes de Azure Databricks. Úsalo para construir y desplegar los agentes que impulsan tus productos y flujos de trabajo basados en agentes. Agent Bricks está diseñado para desarrolladores que escriben código. Llevas un agente construido con cualquier framework o harness y eliges cualquier modelo.

Agent Bricks soporta los flujos de trabajo principales para construir un agente de producción:

• Despliega tu agente: Agent Runtime admite agentes construidos con cualquier framework o arnes, con o sin estado, y AgentKit añade una ejecución duradera para que las ejecuciones sobrevivan a reinicios y cuelgues.
• Ejecutar código de forma segura: Los agentes ejecutan el código que escriben en Databricks Sandbox, un entorno aislado cuyo directorio principal persiste entre sesiones.
• Enriquece el contexto de tu agente: La memoria y las sesiones del agente permiten que tu agente recuerde lo que aprendió en conversaciones anteriores, para personalizar las respuestas y reducir los costes de los tokens.
• Depura y prueba tu agente: MLflow Tracing registra cada paso que da tu agente, y puedes almacenar y gobernar trazas a gran escala en Unity Catalog.

La CLI de Agent Bricks estructura el código del agente que se conecta a estos servicios. Puedes iterar localmente, incluso con agentes de codificación, y luego desplegar tu agente.

Cómo se relaciona Agent Bricks con otras ofertas de Azure Databricks:

• Agentes Genie: Agentes Genie sirve para crear agentes sin código, como agentes que responden preguntas sobre tus tablas y documentos. Agent Bricks es para desarrolladores que escriben su propio código de agente. Un agente personalizado puede llamar a Genie Agents como herramientas.
• Genie One: Genie One es para usuarios empresariales que quieren hacer preguntas sobre datos, ver paneles de control y usar aplicaciones sin necesidad de escribir código. Agent Bricks es para desarrolladores que crean los agentes ellos mismos. Un agente personalizado puede usar Genie One como herramienta para aprovechar el contexto de tu negocio.
• Omnigent: Omnigent es un metaarnés que compone y coordina varios agentes, como los agentes de codificación. Puedes usar Omnigent para desarrollar un agente personalizado que despliegues y ejecutes en Agent Bricks.

Componentes de un agente

Un agente es un sistema de IA que percibe una petición, decide qué hacer y actúa para lograr un objetivo. A diferencia de una llamada de modelo único, un agente ejecuta un bucle. Razona sobre la petición con un modelo, llama a herramientas para recopilar información o tomar acciones, observa los resultados y repite hasta que puede responder.

Un agente de producción normalmente combina los siguientes componentes:

• Bucle de agente (framework o arnés): Su código. El bucle de agentes se construye con un marco o entorno como LangGraph o el SDK de Agentes de OpenAI, e incluye las instrucciones y la lógica de orquestación que definen cómo se comporta el agente.
• Modelo: El gran modelo de lenguaje (LLM) que razona sobre cada paso y decide qué acción tomar a continuación.
• Herramientas: Funciones que el agente invoca para recuperar datos, incluidos los datos de tu negocio, o para cambiar el estado de otro sistema. Ejemplos incluyen servidores del Protocolo de Contexto de Modelo (MCP), APIs y sandboxes que ejecutan el código que escribe el agente.
• Estado del agente: lo que el agente mantiene. El estado del agente incluye la sesión actual, que es la conversación o tarea en curso, y la memoria, que es lo que el agente aprende y recuerda a lo largo de las sesiones.
• Servidor agente: La biblioteca que envuelve el bucle agente en un servidor HTTP. Expone la API que llaman los clientes, gestiona las conexiones de los clientes y gestiona la durabilidad manteniendo el estado de cada ejecución en un Runtime Store.
• Runtime del agente: El cómputo gestionado que ejecuta el servidor agente y gestiona el alojamiento, la identidad y la escalabilidad.
• Observabilidad: Trazas que registran cada paso que realiza el agente y evaluaciones que miden si su salida es buena.
• Gobernanza: Identidad, permisos y políticas que controlan qué modelos, herramientas y datos puede usar el agente.

El marco o arnés, el servidor del agente y el entorno de ejecución del agente forman en conjunto la pila de proceso del agente. Consulta Implementar agentes en Azure Databricks.

Desafíos de la creación de agentes en producción

Un agente prototipo puede funcionar en un portátil en una tarde. Ejecutar agentes de forma fiable para usuarios reales es más difícil. Los equipos que construyen agentes por su cuenta suelen pasar la mayor parte del tiempo montando y operando la infraestructura en lugar de mejorarla. Los desafíos comunes se dividen en cinco áreas:

• Acceso al modelo: Los equipos deben elegir entre modelos frontera y abiertos, cambiar o actualizar modelos sin reescribir el código y obtener suficiente capacidad a escala de producción, todo ello mientras controlan costes y acceso.
• Proceso: los agentes necesitan un proceso que se escale con el tráfico, mantenga vivo el trabajo de larga duración a través de reinicios y errores, y aísle cada sesión. Los agentes que escriben y ejecutan código necesitan un lugar seguro para ejecutarlo.
• Contexto: Los agentes dan mejores respuestas cuando tienen los datos adecuados en el momento adecuado. Eso requiere un estado de conversación duradero, memoria que persista entre sesiones y acceso seguro a datos y herramientas empresariales sin copiar datos ni compartir credenciales.
• Calidad: Los agentes producen resultados abiertos y no deterministas, por lo que "bueno" es difícil de definir y medir. Sin rastreo y evaluación, los equipos no pueden depurar fallos, demostrar calidad a los grupos de interés ni detectar regresiones en producción.
• Gobernanza y control: Los agentes actúan sobre los datos y llaman a servicios externos. Sin permisos, políticas y seguimiento de uso unificados, las organizaciones corren el riesgo de filtraciones de datos, brechas de cumplimiento, uso no autorizado y costes inesperados. Los equipos también quieren evitar que sus agentes queden vinculados a un solo proveedor de modelos o a una sola nube.

Cómo Agent Bricks aborda estos desafíos

Agent Bricks proporciona un bloque de construcción gestionado para cada capa de la pila. Los componentes comparten un modelo de identidad y gobernanza y funcionan juntos, pero también puedes usar cada uno por separado. Conserva su elección de marco, arnés y modelo.

Desafío	Componentes de Agent Bricks
Acceso al modelo	APIs de Unity Gateway y Foundation Model APIs
Compute	Agent Server (DurableAgentServer), Agent Runtime y Databricks Sandbox
Context	Memoria de agentes y sesiones de agentes, servidores MCP y herramientas de agentes, búsqueda de IA y Genie Agents
Quality	Rastreo de MLflow, evaluación y monitorización
Gobernanza y control	Unity Catalog y las directivas de Unity Gateway, además de la compatibilidad con cualquier marco, arnés y modelo

Empieza con la CLI de Agent Bricks

La CLI Agent Bricks proporciona una ruta guiada desde un directorio vacío hasta un agente desplegado. Estructura un proyecto a partir de una plantilla de framework, ejecuta el agente localmente y lo despliega con el acceso al modelo, memoria, sesiones, herramientas y trazado ya configurados. Un archivo declarativo agent.toml registra los recursos gestionados de los que depende el agente. Para crear tu primer agente, consulta el inicio rápido de Agente Bricks.

Models

Unity Gateway ofrece a su agente una única API para modelos de frontera y abiertos, incluidos los modelos que Azure Databricks hospeda a través de API de Foundation Model y los modelos de proveedores externos. Puedes cambiar de modelo sin cambiar el código del agente. Unity Gateway también gobierna los servidores MCP y las aptitudes que utilizan sus agentes, y aplica límites de velocidad, medidas de protección y seguimiento del uso a las solicitudes que pasan a través de él.

Compute

• Servidor de agentes: DurableAgentServer envuelve tu bucle de agentes y sirve a la API de invocación, con solicitudes síncronas, de streaming y en segundo plano, estado de ejecución persistente y recuperación de fallos. Los agentes que creas con la CLI de Agent Bricks la usan por defecto.
• Entorno de ejecución del agente: Agent Runtime ejecuta el servidor del agente en Databricks Apps en un punto de conexión estable y autenticado. agentbricks deploy Proporciona los recursos que tu agente necesita y le concede acceso a ellos. Para consultar un agente desplegado, consulte Consultar agentes desplegados en Azure Databricks.

• Databricks Sandbox: Databricks Sandbox es una herramienta que tu agente llama para ejecutar el código que escribe en un entorno aislado, con acceso limitado a tus datos gobernados.

Para saber cómo encajan estas capas, consulta Desplegar agentes en Azure Databricks.

Context

• Memoria y sesiones gestionadas: Las sesiones almacenan el estado de una conversación o tarea, y la memoria almacena los hechos y preferencias que un agente recuerda en conversaciones posteriores. Ambos son almacenes gestionados respaldados por Lakebase que funcionan con cualquier framework. Consulta memoria y sesiones del agente.
• Contexto empresarial combinado con Genie One: El servidor MCP de Genie One ofrece a tu agente el contexto empresarial combinado de tu organización. El agente hace una pregunta en lenguaje natural, y Genie responde a través de tus datos gobernados, usando Genie Ontology para resolver términos de negocio, definiciones métricas y relaciones de tablas. Se aplican permisos de Unity Catalog, así que el agente solo puede consultar datos a los que tiene acceso. Para añadirlo a un proyecto de CLI de Agent Bricks, ejecuta agentbricks tools add genie-one.
• Herramientas y servidores MCP: Conecta agentes a servidores MCP gestionados por Azure Databricks para Genie Agents, AI Search, funciones de Unity Catalog y SQL, o a servidores MCP personalizados y externos. Consulta MCPs.
• Búsqueda con IA: Recuperar contenido no estructurado relevante con Databricks AI Search, incluyendo aplicaciones de generación aumentada por recuperación (RAG).
• Datos empresariales: Basa los agentes en las tablas, archivos y Agentes Genie que tu organización ya gobierna en Unity Catalog.

Observabilidad y calidad

MLflow administrado por Azure Databricks proporciona trazado, evaluación y monitorización para los agentes. MLflow Tracing registra cada paso que da un agente, tanto en desarrollo como en producción. La evaluación utiliza jueces LLM integrados, puntuadores personalizados y comentarios de expertos para medir la calidad, y el seguimiento de la producción detecta regresiones. Puedes almacenar trazas en el Catálogo de Unity y analizarlas a gran escala. Consulte ¿Qué es la observabilidad y la calidad de los agentes?.

Gobernanza y control

• Gobernanza unificada: Unity Catalog gobierna los datos, herramientas, modelos y agentes que utilizan tus agentes, con permisos y linaje.
• Políticas sobre modelos, servidores MCP y habilidades: Unity Gateway regula el acceso a modelos, servidores MCP y habilidades, y aplica límites de seguridad, límites de velocidad y seguimiento de uso en las llamadas que enruta.
• Elección: Usa cualquier framework o harness y cualquier modelo, y cambia de modelo sin reescribir a tu agente.

Ciclo de vida del desarrollo del agente

Construir un agente de producción es iterativo. Los siguientes pasos describen un ciclo de vida típico.

1. Define el caso de uso y los criterios de éxito: Acordad qué debe hacer el agente, quién lo utiliza y cómo medís la calidad, el coste y la latencia. Recoge solicitudes de ejemplo y respuestas esperadas con antelación.
2. Crea un agente inicial: Empieza con el diseño menos complejo que funcione. Conecta el agente a modelos, servidores MCP y habilidades a través de Unity Gateway, y ejecútalo localmente.
3. Evalúa e itera sobre la calidad: Utiliza trazas para depurar comportamientos, construye un conjunto de datos de evaluación a partir de peticiones reales y retroalimentación de expertos, y realiza evaluaciones para medir el efecto de cada cambio en prompts, herramientas o modelos.
4. Desplegar: Desplegar el servidor de agentes en el entorno de ejecución del agente, con los almacenes, herramientas y permisos que el agente necesita.
5. Supervisar y mejorar en producción: supervise la calidad con trazas y evaluadores de producción, recopile comentarios de los usuarios y utilice lo aprendido en la evaluación.

Agent Bricks y otras ofertas de agentes en Azure Databricks

• Genie One: La experiencia de Azure Databricks para usuarios empresariales que pueden hacer preguntas sobre datos en lenguaje natural, ver paneles de control y usar aplicaciones, sin necesidad de escribir código. Un agente personalizado construido sobre Agent Bricks puede llamar a Genie One como herramienta. Para añadirlo a un proyecto de CLI de Agent Bricks, ejecuta agentbricks tools add genie-one.
• Genie Agents: Una forma low-code de crear agentes que respondan preguntas a través de tus tablas y documentos. Usa Genie Agents cuando no necesites código personalizado del agente. Tus agentes personalizados también pueden llamar a los Agentes Genie como herramientas.
• Omnigent: metaarnés para componer y colaborar con agentes, como la combinación de agentes de codificación. Puedes usar Omnigent para desarrollar agentes personalizados que funcionen con Agent Bricks.
• Constructores de agentes heredados: Productos anteriores, como Knowledge Assistant y Supervisor Agent, ya no se recomiendan para agentes nuevos. Consulta las ofertas de agentes legados.

Recursos adicionales

• Inicio rápido de Agent Bricks: Construye y despliega tu primer agente con la CLI de Agent Bricks.
• Despliega agentes en Azure Databricks: Aprende cómo se despliegan y se publican los agentes.
• ¿Qué es la observabilidad de agentes y la calidad?: Rastrea, evalúa y monitoriza a tu agente.
• IA en Databricks: casos de uso, clientes y otros recursos.
• Preguntas frecuentes sobre Agent Bricks: Respuestas a preguntas comunes sobre Agent Bricks.