Utiliser des agents sur Azure Databricks

Cette page fournit une vue d’ensemble des outils de création, de déploiement et d’utilisation d’agents sur Azure Databricks. Pour en savoir plus sur les agents, consultez modèles de conception du système d’agent.

Fonctionnalité	Description
Prise en main : IA sans code	Essayez AI Playground pour les tests et le prototypage basés sur l’interface utilisateur.
Prise en main : MLflow 3 pour GenAI	Essayez MLflow pour le suivi, l’évaluation et les commentaires humains de GenAI.

Servir et interroger des modèles de langage volumineux (LLMs)

Servez un ensemble organisé de modèles IA à partir de fournisseurs LLM tels qu’OpenAI et Anthropic et rendez-les disponibles via des API sécurisées et évolutives.

Fonctionnalité	Description
Modèles de base	Servez des modèles IA, notamment des modèles open source et tiers tels que Meta Llama, Anthropic Claude, OpenAI GPT, etc.

Créez et déployez des agents de niveau entreprise

Créez et déployez vos propres agents, notamment les agents de gestion des outils, les applications de génération augmentée par la récupération et les systèmes multi-agents. Pour un point de départ sans code, utilisez ai Playground pour sélectionner un LLM, ajouter des outils et discuter avec l’agent pour tester ses réponses avant l’exportation vers du code.

Fonctionnalité	Description
AI Playground (sans code)	Prototype et agents de test dans un environnement sans code. Expérimentez rapidement les comportements de l’agent et les intégrations d’outils avant de générer du code pour le déploiement.
Assistant de Connaissances	Créez et optimisez des chatbots IA spécifiques au domaine à l’aide d’une interface intuitive.
Agent de superviseur	Créez un agent de supervision qui orchestre les agents Genie, les points de terminaison d’agent, les fonctions de catalogue Unity, les serveurs MCP et les agents personnalisés.
Générer des agents personnalisés	Créer, déployer et évaluer des agents à l’aide de Python. Prend en charge les agents écrits avec n’importe quelle bibliothèque de création, notamment LangGraph, LangChain, OpenAI et LlamaIndex. Intégré au traçage MLflow. Itérer rapidement à l’aide de Databricks Apps. Pour commencer rapidement, consultez Prise en main des agents.
Connecter des agents à des outils	Créez des outils d’agent pour interroger des données structurées et non structurées, exécuter du code ou vous connecter aux API de service externe.
MCP (Modèle Context Protocol)	Normaliser la façon dont les agents se connectent aux données et aux outils avec une interface sécurisée et cohérente.

Utiliser des agents externes

Si votre agent s’exécute en dehors de Databricks, inscrivez-le en tant que service d’agent dans le catalogue Unity pour le rendre détectable à votre équipe et gouverner qui peut l’utiliser.

Fonctionnalité	Description
Services pour agents (bêta)	Inscrivez des agents externes dans le catalogue Unity. Parcourez et découvrez les agents dans toutes les équipes depuis une vue unique, et contrôlez l’accès avec les mêmes autorisations qui protègent vos tables, modèles et fonctions.

Évaluer, déboguer et optimiser les agents

Suivez les performances de l’agent, collectez des commentaires et apportez des améliorations de qualité avec les outils d’évaluation et de suivi.

Fonctionnalité	Description
Suivi MLflow	Utilisez le suivi MLflow pour l’observabilité de bout en bout. Journalisez chaque étape que votre agent prend pour déboguer, surveiller et auditer le comportement de l’agent dans le développement et la production.
Évaluation de l’agent	Utilisez l’évaluation de l’agent et MLflow pour mesurer la qualité, le coût et la latence. Recueillez des commentaires des parties prenantes et des experts en matière par le biais d’applications intégrées de révision et utilisez les juges LLM pour identifier et résoudre les problèmes de qualité.
Surveiller les agents	Utilisez la même configuration d’évaluation (juges LLM et métriques personnalisées) dans l’évaluation hors connexion et la surveillance en ligne.