Démarrage rapide de l’agent Bricks

Important

Cette fonctionnalité est en version bêta. Aucun réglage d’espace de travail n’est nécessaire pour l’activer. Installez l’interface en ligne de commande Agent Bricks pour commencer.

Ce démarrage rapide vous fait passer d’un répertoire vide à un agent personnalisé déployé en utilisant la CLI Agent Bricks (databricks-agentbricks), l’outil en ligne de commande Azure Databricks pour la création et le déploiement d’agents. La CLI Agent Bricks gère l’accès aux modèles, la mémoire, les sessions, les outils et la traçabilité pour vous, afin que vous puissiez vous concentrer sur la logique de votre agent.

Comment fonctionne la CLI Agent Bricks

La CLI Agent Bricks génère la structure d’un projet local à partir d’un modèle de framework, avec l’environnement d’exécution, les tests et une interface de chat optionnelle déjà connectés. Vous rédigez la logique d’application (modèle, outils et prompts), et la CLI l’exécute localement et la déploie. Le fichier déclaratif agent.toml est la source de vérité pour les ressources gérées par Azure Databricks dont dépend votre agent, telles que les outils, la mémoire, les sessions et le traçage. agentbricks deploy le lit pour tout provisionner et connecter.

Trois commandes permettent de passer d’un répertoire vide à la production :

  • agentbricks init génère la structure du projet et écrit agent.toml.
  • agentbricks devexécute l’agent localement, en utilisant le même runtime et le même environnement que Azure Databricks.
  • agentbricks deploy provisionne les ressources déclarées et déploie le déploiement.

Cycle de vie de la CLI des Agents Bricks : phases init, de développement et de déploiement avec leurs actions clés

Prerequisites

  • Le Databricks CLI, installé et accessible dans votre chemin.

  • Python 3.11 ou version ultérieure. Databricks recommande Python 3.12. Si l’installation ou agentbricks dev échoue à cause de la version Python, voir Dépannage.

  • uv, qui exécute le projet échafaudé pour agentbricks init, agentbricks dev, et agentbricks deploy.

  • Installez la CLI Agent Bricks. Pour l’installer en tant qu’outil uv , exécutez les éléments suivants :

    uv tool install databricks-agentbricks
    

    Pour l’installer avec pip à la place, exécutez pip install databricks-agentbricks.

Étape 1 : Authentification

Authentifiez-vous auprès de votre espace de travail avec OAuth, enregistrez un profil nommé, et définissez-le comme profil par défaut de la CLI Agent Bricks :

databricks auth login --host https://<your-workspace-url> --profile <profile>
agentbricks login --profile <profile>

Étape 2 : Générez la structure du projet

Créez un nouveau projet d’agent, en choisissant un modèle de framework avec --framework:

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

Étape 3 : Faites tourner l’agent localement

Exécutez l’agent sur votre machine pour le tester avant de le déployer :

agentbricks dev

agentbricks dev sert l'application de chat et l'API de l'agent à http://localhost:8000, utilisant la même commande et le même environnement que l'exécution de l'agent Azure Databricks, connecté au service de serving de modèles Azure Databricks.

Ouvrez l’URL dans un navigateur pour discuter avec l’agent. Faites tourner le serveur pour l’étape suivante.

Étape 4 : Tester l’agent localement

Dans un second terminal, envoyez une requête à l’API d’invocation de l’agent :

curl -X POST http://localhost:8000/api/invocations \
  -H 'Content-Type: application/json' \
  -d "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"

Si uuidgen n’est pas disponible, remplacez chaque $(uuidgen) par n’importe quel UUID.

Le corps de la demande contient les champs suivants :

  • id: Un nouvel UUID pour chaque requête.
  • session_id: La conversation à laquelle la demande appartient. Pour envoyer un message de suivi dans la même conversation, réutilisez l’ID de session avec un nouveau id.
  • input: Les messages à envoyer à l’agent.

La réponse contient le status de l’invocation et un champ output contenant les messages de l’agent. Pour tous les champs de requête, voir Corps de la requête.

Étape 5 : Déployer l’agent

Depuis le répertoire du projet, déployez l’agent dans l’environnement d’exécution de l’agent Azure Databricks :

agentbricks deploy

agentbricks init a enregistré le nom my-agent dans agent.toml, vous n’avez donc pas à fournir de nom. La CLI crée une application nommée agent-bricks-my-agent. Utilisez ce nom dans les commandes agentbricks deployments et agentbricks endpoint.

La CLI Agent Bricks provisionne tous les magasins de données associés, accorde à l’identité de service de l’agent l’accès à ceux-ci, puis lance le déploiement. Un premier déploiement prend quelques minutes, principalement pour démarrer les ressources de calcul de l’application. agentbricks deploy attend la réponse de l’agent, puis renvoie l’URL du déploiement.

Pour revenir immédiatement au lieu d’attendre la fin du déploiement, ajoutez --no-wait à agentbricks deploy, puis exécutez agentbricks deployments wait.

Si le déploiement échoue, consultez les journaux du déploiement :

agentbricks deployments logs agent-bricks-my-agent

Étape 6 : Tester l’agent déployé

Envoyez une demande à l’agent déployé :

agentbricks endpoint invoke agent-bricks-my-agent \
  --path /api/invocations \
  --json "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"

Comme à l’étape 4, si uuidgen n’est pas disponible, remplacez chaque $(uuidgen) par n’importe quel UUID.

La commande recherche l’URL de l’application et s’authentifie avec votre profil par défaut. Pour appeler l’API avec curl et un jeton OAuth à la place, voir Interroger un agent qui utilise DurableAgentServer. Pour discuter avec l’agent dans un navigateur, ouvrez l’URL du déploiement.

Étapes suivantes