Implementar agentes en Azure Databricks

Para ejecutar un agente en producción, despliegas su código en computación gestionada que atiende solicitudes de tus usuarios y aplicaciones. Un agente desplegado tiene tres capas: tu framework o arnés, un servidor de agentes y un entorno de ejecución de agentes. Agent Bricks ofrece opciones en cada capa, desde DurableAgentServer hasta Agent Runtime en Databricks Apps.

La pila de cómputo del agente

Un agente desplegado tiene tres capas. Cada capa envuelve la que está encima.

Nivel	Qué hace	Opciones en Azure Databricks
Framework o arnés	Ejecuta el bucle de agentes: llama a modelos y herramientas y decide qué hacer a continuación.	Cualquier framework o harness, como LangGraph o el SDK de OpenAI Agents, o un meta-harness como Omnigent.
Servidor de agente	Envuelve el bucle agente en un servidor HTTP. El servidor agente expone la API de invocación, gestiona las conexiones del cliente y gestiona la durabilidad.	DurableAgentServer (recomendado), servidores agentes heredados o tu propio servidor.
Entorno de ejecución del agente	Ejecuta el servidor agente en computación gestionada y gestiona el alojamiento, la identidad y la escalabilidad.	Tiempo de ejecución del agente en aplicaciones Databricks.

Los siguientes términos describen cómo funcionan las capas entre sí:

Término	Qué significa
API de invocación	La API HTTP a la que llaman los clientes para ejecutar el agente. Consulta Agentes de consulta desplegados en Azure Databricks.
Servir	El entorno de ejecución del agente ejecuta el servidor del agente, que expone tu agente a través de la API de invocación.
Deploy	Introduce el código de tu agente en el entorno de ejecución del agente.

Note

El Sandbox de Databricks no es una capa de la pila de cómputo. Es una herramienta que tu agente llama para ejecutar código en un entorno aislado, separado del tiempo de ejecución del agente, con acceso limitado a tus datos gobernados. Usa un sandbox cuando tu agente escriba y ejecute código, como scripts de análisis de datos. Para dar a un proyecto CLI una herramienta sandbox, ejecuta agentbricks tools add sandbox.

framework o arnés

El framework o harness es tu código de agente. Ejecuta el bucle que razona con un modelo, llama a herramientas y decide cuándo responder. Agent Bricks no requiere un marco específico.

Framework o arnés	Cuándo usarlo
Templates	Iniciando un nuevo agente. La CLI Agent Bricks genera la estructura de proyectos para LangGraph y el SDK de Agentes de OpenAI. Las plantillas mantienen el código del framework separado del código que lo conecta al servidor agente.
Agentes existentes	Incorporar un agente que ya hayas creado con LangGraph o el SDK de Agentes de OpenAI. Ejecuta agentbricks init --existing en su directorio. Consulta Incorporar un agente existente.
Meta-arnés	Componer múltiples entornos, como agentes de codificación, en un solo agente con Omnigent.

Servidor del agente

El servidor de agentes es una biblioteca que envuelve tu bucle de agentes y lo convierte en un servicio. Define la API a la que llaman los clientes, lleva el control de cada ejecución y determina qué ocurre cuando una ejecución se interrumpe.

Servidor del agente	Cuándo usarlo
DurableAgentServer (recomendado)	Nuevos agentes creados con Agent Bricks CLI.
Servidores de agentes heredados	Mantenimiento de agentes creados a partir de las plantillas de la aplicación. Para comparar DurableAgentServer con los servidores agente heredados, véase Servidores agentes en Databricks.
Tu propio servidor	Agentes que necesitan endpoints personalizados, formatos de petición o protocolos. Ejecuta agentbricks init --server custom, o mantén tu servidor actual.

Tiempo de ejecución del agente

El tiempo de ejecución del agente es la capacidad de cómputo administrada que ejecuta el servidor de tu agente. Despliegas código en él en lugar de aprovisionar los servidores tú mismo.

Tiempo de ejecución del agente	Cuándo usarlo
Tiempo de ejecución del agente	Nuevos agentes. Ejecuta tu agente en Databricks Apps. agentbricks deploy Provisiona los recursos que tu agente necesita, le concede acceso a ellos y lo despliega en un endpoint estable y autenticado.
Model Serving (legado)	Agentes desplegados previamente en puntos de conexión de Model Serving. Consulte Implementación de un agente para aplicaciones de IA (Servicio de modelos). Para moverlas a Databricks Apps, consulta Migrar un agente de Model Serving a Databricks Apps.

Despliega con la CLI Agent Bricks

La CLI de Agent Bricks conecta las tres capas. Genera la estructura base del código de tu framework, lo ejecuta en DurableAgentServer localmente y lo despliega en Agent Runtime:

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

Para construir y desplegar tu primer agente, consulta el inicio rápido de Agent Bricks.

Permisos para desplegar un agente

El usuario o entidad de servicio que ejecuta agentbricks deploy necesita permiso para hacer lo siguiente:

• Crea aplicaciones Databricks o gestiona la app existente para un redespliegue. Consulte Configuración de permisos para una aplicación de Databricks.
• Crea los almacenes de memoria y sesiones declarados en agent.toml, o gestiona los almacenes existentes, para que los Agent Bricks puedan conceder acceso al principal de servicio de la app.
• Crea el experimento de MLflow que el proyecto utiliza para el seguimiento, o edítalo si ya existe.
• Concede al principal de servicio de la aplicación acceso a recursos que las herramientas declaran con --auth app, como EXECUTE en una función de Unity Catalog, CAN RUN en un Agente Genie o SELECT en una tabla en un ámbito sandbox.

Agent Bricks solo concede acceso a recursos que agent.toml declara directamente. Si una herramienta utiliza otros recursos, como las tablas detrás de un Agente Genie o los objetos a los que llama una función de Unity Catalog, concede tú mismo al principal de servicio de la aplicación acceso a ellos. Si Deploy no puede aplicar un permiso obligatorio, se detiene antes de subir tu código y deja el despliegue actual en marcha.

Recursos adicionales

• Servidor de agente
• Tiempo de ejecución del agente
• Agentes de consulta implementados en Azure Databricks