Qu’est-ce qu’Agent Bricks ?

Agent Bricks est la plateforme de développement d’agents Azure Databricks. Utilisez-le pour construire et déployer les agents qui alimentent vos produits et flux de travail agentiques. Agent Bricks est conçu pour les développeurs qui écrivent du code. Vous apportez un agent construit avec n’importe quel framework ou harnais et choisissez n’importe quel modèle.

Agent Bricks prend en charge les flux de travail de base pour construire un agent de production :

  • Déployez votre agent : Agent Runtime héberge des agents construits avec n’importe quel framework ou outil d’orchestration, avec ou sans état, et AgentKit ajoute une exécution durable pour que les exécutions survivent aux redémarrages et aux pannes.
  • Exécuter le code en toute sécurité : Les agents exécutent le code qu’ils écrivent dans Databricks Sandbox, un environnement isolé dont le répertoire personnel persiste à travers les sessions.
  • Enrichir le contexte de votre agent : La mémoire et les sessions de l’agent permettent à votre agent de se souvenir de ce qu’il a appris lors de conversations précédentes, afin de personnaliser les réponses et de réduire les coûts des jetons.
  • Déboguez et testez votre agent : MLflow Tracing enregistre chaque étape de votre agent, et vous pouvez stocker et gérer des traces à grande échelle dans Unity Catalog.

Le Agent Bricks CLI génère la structure de base du code de l’agent qui se connecte à ces services. Vous pouvez itérer localement, y compris avec des agents de codage, puis déployer votre agent.

Comment Agent Bricks se rapporte-t-il aux autres offres Azure Databricks :

  • Genie Agents : Les agents Genie servent à créer des agents sans code, comme des agents qui répondent aux questions sur vos tables et documents. Agent Bricks est destiné aux développeurs qui écrivent leur propre code d’agent. Un agent personnalisé peut utiliser les agents Genie comme outils.
  • Genie One : Genie One s’adresse aux utilisateurs professionnels qui souhaitent poser des questions sur les données, consulter des tableaux de bord et utiliser des applications sans écrire de code. Agent Bricks est destiné aux développeurs qui créent eux-mêmes les agents. Un agent personnalisé peut utiliser Genie One comme un outil pour s’appuyer sur le contexte de votre entreprise.
  • Omnigent : Omnigent est un méta-orchestrateur qui assemble et coordonne plusieurs agents, tels que des agents de codage. Vous pouvez utiliser Omnigent pour développer un agent personnalisé que vous déployez et exécutez sur Agent Bricks.

Composants d’un agent

Un agent est un système d’IA qui perçoit une demande, décide de ce qu’il faut faire et agit pour atteindre un objectif. Contrairement à un seul appel modèle, un agent exécute une boucle. Il analyse la requête à l’aide d’un modèle, appelle des outils pour recueillir des informations ou agir, observe les résultats et répète jusqu’à pouvoir répondre.

Composants d’un agent : les requêtes des utilisateurs, des applications et des agents atteignent le runtime de l’agent, qui exécute le serveur d’agent, ce qui maintient l’état d’exécution durable et enveloppe la boucle d’agents construite avec un framework ou un harnais. La boucle raisonne avec un modèle, appelle des outils, et lit et écrit l’état de l’agent, avec une observabilité et une gouvernance autour.

Un agent de production combine généralement les composants suivants :

  • Boucle d’agent (infrastructure ou harnais) : votre code. La boucle d’agent est construite avec un framework ou un environnement tel que LangGraph ou le SDK OpenAI Agents, et inclut les instructions et la logique d’orchestration qui définissent le comportement de l’agent.
  • Modèle : Le grand modèle de langage (LLM) qui raisonne à chaque étape et décide de l’action à entreprendre ensuite.
  • Outils : Fonctions que l’agent appelle pour récupérer des données, y compris vos données d’entreprise, ou pour modifier l’état d’un autre système. Parmi les exemples, on trouve les serveurs Model Context Protocol (MCP), les API et les bacs à sable qui exécutent le code écrit par l’agent.
  • État de l’agent : Ce que l’agent garde en mémoire. L’état de l’agent inclut la session en cours, qui est la conversation ou la tâche en cours, et la mémoire, ce que l’agent apprend et dont il se souvient d’une session à l’autre.
  • Serveur agent : La bibliothèque qui encapsule la boucle agent dans un serveur HTTP. Il fournit l’API que les clients appellent, gère les connexions clients et assure la durabilité en conservant l’état de chaque exécution dans un Runtime Store.
  • Environnement d’exécution de l’agent : Le calcul géré qui fait tourner le serveur agent et gère l’hébergement, l’identité et la mise à l’échelle.
  • Observabilité : Traces qui enregistrent chaque étape effectuée par l’agent, et évaluations qui mesurent si son résultat est bon.
  • Gouvernance : Identité, autorisations et politiques qui contrôlent quels modèles, outils et données l’agent peut utiliser.

Le cadre ou harnais, le serveur d’agents et l’environnement d’exécution de l’agent forment ensemble la pile de calcul de l’agent. Voir Déployer les agents sur Azure Databricks.

Défis liés à la création d’agents en production

Un agent prototype peut fonctionner sur un ordinateur portable en un après-midi. Faire tourner des agents de manière fiable pour de vrais utilisateurs est plus difficile. Les équipes qui construisent des agents seules passent souvent la majeure partie de leur temps à assembler et exploiter l’infrastructure plutôt qu’à améliorer l’agent. Les défis courants se répartissent en cinq domaines :

  • Accès aux modèles : Les équipes doivent choisir entre des modèles de pointe et ouverts, basculer ou mettre à niveau les modèles sans réécrire le code, et obtenir une capacité suffisante à l’échelle de la production, tout en contrôlant les coûts et l’accès.
  • Capacité de calcul : les agents ont besoin d’un calcul qui évolue avec le trafic, qui maintient le travail de longue durée à travers les redémarrages et les pannes, et qui isole chaque session. Les agents qui écrivent et exécutent du code ont besoin d’un endroit sécurisé pour l’exécuter.
  • Contexte : Les agents donnent de meilleures réponses lorsqu’ils disposent des bonnes données au bon moment. Cela nécessite un état de conversation durable, une mémoire persistante entre les sessions et un accès sécurisé aux données et outils métier sans copier les données ni partager d’identifiants.
  • Qualité : Les agents produisent des résultats ouverts et non déterministes, donc « bon » est difficile à définir et à mesurer. Sans traçage et évaluation, les équipes ne peuvent pas déboguer les échecs, prouver la qualité aux parties prenantes ou détecter les régressions en production.
  • Gouvernance et contrôle : Les agents agissent sur les données et appellent des services externes. Sans permissions, politiques et suivi d’utilisation unifiés, les organisations risquent des fuites de données, des lacunes de conformité, des utilisations non autorisées et des coûts imprévus. Les équipes veulent aussi éviter de lier leurs agents à un seul fournisseur de modèles ou de cloud.

Comment Agent Bricks relève ces défis

Agent Bricks fournit un bloc de construction géré pour chaque couche de la pile. Les composants partagent une identité et un modèle de gouvernance et fonctionnent ensemble, mais vous pouvez aussi utiliser chacun séparément. Vous conservez votre framework, votre harness et vos choix de modèles.

Plateforme Agent Bricks : votre agent fonctionne sur Agent Runtime avec une exécution durable et une récupération en cas de plantage. Unity Gateway le connecte à des modèles frontier et open-weight et gouverne ses serveurs MCP et ses compétences, Sandbox exécute du code isolément, les serveurs MCP fournissent des outils, la mémoire gérée stocke le contexte sur Lakebase, et MLflow assure la traçabilité et l’évaluation.

Défi Composants d’Agent Bricks
Accès aux modèles Unity Gateway et API de modèle de fondation
Compute Agent Server (DurableAgentServer), Agent Runtime, et Databricks Sandbox
Context Mémoire d’agent et des sessions d’agents gérés, serveurs MCP et outils d’agents, AI Search et Agents Genie
Qualité Traçage, évaluation et suivi de MLflow
Gouvernance et contrôle les politiques de Unity Catalog et de Unity Gateway, ainsi que la prise en charge de tout framework, harness et modèle

Premiers pas avec Agent Bricks CLI

La CLI Agent Bricks fournit un chemin guidé d’un répertoire vide vers un agent déployé. Il génère un projet à partir d’un modèle de structure, exécute l’agent localement, puis le déploie avec l’accès au modèle, la mémoire, les sessions, les outils et le traçage déjà configurés. Un fichier déclaratif agent.toml enregistre les ressources gérées dont dépend l’agent. Pour construire votre premier agent, consultez le quickstart d’Agent Bricks.

Models

Unity Gateway offre à votre agent une API pour les modèles de pointe et ouverts, y compris les modèles hébergés par Azure Databricks via les API de modèle de fondation et les modèles provenant de fournisseurs externes. Vous pouvez changer de modèle sans changer le code de l’agent. Unity Gateway gouverne également les serveurs MCP et les compétences que vos agents utilisent, et applique des limites de débit, des garde-fous et un suivi d’utilisation aux requêtes qui le traversent.

Compute

  • Agent server : DurableAgentServer encapsule la boucle de votre agent et sert l’API d’invocation, avec des requêtes synchrones, en streaming et en arrière-plan, un état d’exécution persistant et une récupération en cas de plantage. Les agents que vous créez avec l’interface de ligne de commande Agent Bricks utilisent celui-ci par défaut.
  • Agent runtime : Agent Runtime exécute le serveur agent sur Databricks Apps à un point de terminaison stable et authentifié. agentbricks deploy provisionne les ressources dont votre agent a besoin et lui donne accès à celles-ci. Pour interroger un agent déployé, voir Interroger les agents déployés sur Azure Databricks.
  • Databricks Sandbox : Databricks Sandbox est un outil que votre agent appelle pour exécuter le code qu’il écrit dans un environnement isolé, avec un accès limité à vos données gouvernées.

Pour comprendre comment ces couches s’entrelacent, voir Déployer des agents sur Azure Databricks.

Context

  • Mémoire gérée et sessions : les sessions stockent l’état d’une conversation ou d’une tâche, et la mémoire stocke les faits et préférences qu’un agent se rappelle dans les conversations ultérieures. Les deux sont des stores gérés basés sur Lakebase qui fonctionnent avec n’importe quel framework. Voir la mémoire et les sessions de l’agent.
  • Contexte commercial combiné avec Genie One : Le serveur MCP Genie One offre à votre agent le contexte commercial combiné de votre organisation. L’agent pose une question en langage naturel, et Genie y répond à travers vos données gouvernées, en utilisant l’ontologie Genie pour résoudre des termes métier, des définitions métriques et des relations de table. Les permissions du catalogue Unity s’appliquent, donc l’agent ne peut interroger que les données auxquelles il est autorisé à accéder. Pour l’ajouter à un projet de CLI Agent Bricks, exécutez agentbricks tools add genie-one.
  • Outils et serveurs MCP : Connectez les agents aux serveurs MCP gérés par Azure Databricks pour les agents Genie, AI Search, les fonctions du catalogue Unity et SQL, ou aux serveurs MCP personnalisés et externes. Voir MCPs.
  • Recherche IA : Récupérez du contenu non structuré pertinent avec Databricks AI Search, y compris pour des applications de génération augmentée par récupération (RAG).
  • Données professionnelles : ancrez les agents dans les tables, fichiers et Agents Genie que votre organisation gouverne déjà dans Unity Catalog.

Observabilité et qualité

MLflow géré par Azure Databricks fournit le traçage, l’évaluation et la surveillance des agents. MLflow Tracing enregistre chaque étape qu’un agent entreprend, en développement et en production. L’évaluation utilise des juges LLM intégrés, des notateurs personnalisés et des retours d’experts pour mesurer la qualité, et la surveillance de la production détecte les régressions. Vous pouvez stocker des traces dans Unity Catalog et les analyser à grande échelle. Voir Qu’est-ce que l’observabilité et la qualité de l’agent ?

Gouvernance et contrôle

  • Gouvernance unifiée : Unity Catalog régit les données, outils, modèles et agents utilisés par vos agents, avec les permissions et la traçabilité.
  • Politiques sur les modèles, serveurs MCP et compétences : Unity Gateway régit l’accès aux modèles, serveurs MCP et compétences, et applique des garde-fous, des limites de débit et le suivi de l’utilisation des appels qu’il route.
  • Choix : Utilisez n’importe quel framework ou banc d’essai et n’importe quel modèle, et changez de modèle sans réécrire votre agent.

Cycle de vie du développement des agents

Construire un agent de production est itératif. Les étapes suivantes décrivent un cycle de vie typique.

  1. Définissez le cas d’usage et les critères de réussite : Mettez-vous d’accord sur ce que l’agent doit faire, qui l’utilise et comment vous mesurez la qualité, le coût et la latence. Collectez les exemples de demandes et les réponses attendues dès le début.
  2. Construisez un agent initial : commencez par le design le moins complexe qui fonctionne. Connectez l’agent aux modèles, serveurs MCP et compétences via Unity Gateway, et exécutez-le localement.
  3. Évaluer et itérer sur la qualité : utiliser des traces pour déboguer le comportement, construire un jeu de données d’évaluation à partir de requêtes réelles et de retours d’experts, et effectuer des évaluations pour mesurer l’effet de chaque modification sur les prompts, outils ou modèles.
  4. Déployer : déployez le serveur d’agent dans l’environnement d’exécution de l’agent, avec les stockages, outils et autorisations dont l’agent a besoin.
  5. Surveillez et améliorez en production : Suivez la qualité avec les traces de production et les scoreurs, recueillez les retours des utilisateurs et réintégrez ce que vous apprenez dans l’évaluation.

Agent Bricks et autres offres d’agents sur Azure Databricks

  • Genie One : L’expérience Azure Databricks pour les utilisateurs professionnels souhaitant poser des questions sur les données en langage naturel, consulter des tableaux de bord et utiliser des applications, sans écrire de code. Un agent personnalisé construit sur Agent Bricks peut appeler Genie One comme outil. Pour l’ajouter à un projet de CLI Agent Bricks, exécutez agentbricks tools add genie-one.
  • Agents Genie : méthode low-code pour créer des agents qui répondent à des questions sur vos tables et documents.. Utilisez les agents Genie quand vous n’avez pas besoin de code d’agent personnalisé. Vos agents personnalisés peuvent aussi utiliser les agents Genie comme outils.
  • Omnigent : Un méta-cadre pour composer et collaborer avec des agents, par exemple en combinant des agents de codage. Vous pouvez utiliser Omnigent pour développer des agents personnalisés qui fonctionnent sur Agent Bricks.
  • Constructeurs d’agents hérités : Les produits antérieurs, tels que Knowledge Assistant et Supervisor Agent, ne sont plus recommandés pour les nouveaux agents. Consultez Offres d’agents hérités.

Ressources additionnelles

  • Dernière mise à jour :