Remarque
L’accès à cette page requiert une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page requiert une autorisation. Vous pouvez essayer de modifier des répertoires.
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 initgénère la structure du projet et écritagent.toml. -
agentbricks devexécute l’agent localement, en utilisant le même runtime et le même environnement que Azure Databricks. -
agentbricks deployprovisionne les ressources déclarées et déploie le déploiement.
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 devéchoue à cause de la version Python, voir Dépannage.uv, qui exécute le projet échafaudé pouragentbricks init,agentbricks dev, etagentbricks deploy.Installez la CLI Agent Bricks. Pour l’installer en tant qu’outil
uv, exécutez les éléments suivants :uv tool install databricks-agentbricksPour l’installer avec
pipà la place, exécutezpip 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 $(uuidgen) par n’importe quel UUID.
Le corps de la demande contient les champs suivants :
-
id: Un nouvel UUID pour chaque requête. -
session_id: La conversation à laquelle la demande appartient. Pour envoyer un message de suivi dans la même conversation, réutilisez l’ID de session avec un nouveauid. -
input: Les messages à envoyer à l’agent.
La réponse contient le status de l’invocation et un champ output contenant les messages de l’agent. Pour tous les champs de requête, voir Corps de la requête.
Étape 5 : Déployer l’agent
Depuis le répertoire du projet, déployez l’agent dans l’environnement d’exécution de l’agent Azure Databricks :
agentbricks deploy
agentbricks init a enregistré le nom my-agent dans agent.toml, vous n’avez donc pas à fournir de nom. La CLI crée une application nommée agent-bricks-my-agent. Utilisez ce nom dans les commandes agentbricks deployments et agentbricks endpoint.
La CLI Agent Bricks provisionne tous les magasins de données associés, accorde à l’identité de service de l’agent l’accès à ceux-ci, puis lance le déploiement. Un premier déploiement prend quelques minutes, principalement pour démarrer les ressources de calcul de l’application.
agentbricks deploy attend la réponse de l’agent, puis renvoie l’URL du déploiement.
Pour revenir immédiatement au lieu d’attendre la fin du déploiement, ajoutez --no-wait à agentbricks deploy, puis exécutez agentbricks deployments wait.
Si le déploiement échoue, consultez les journaux du déploiement :
agentbricks deployments logs agent-bricks-my-agent
Étape 6 : Tester l’agent déployé
Envoyez une demande à l’agent déployé :
agentbricks endpoint invoke agent-bricks-my-agent \
--path /api/invocations \
--json "{\"id\":\"$(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
- Explication complète des commandes et capacités de Agent Bricks CLI : Agent Bricks CLI.
- Interroger un agent déployé : Interroger les agents déployés sur Azure Databricks.
- Associez la mémoire et les sessions managées : mémoire de l’agent.
- Ajoutez des outils et des services MCP : MCP.
- Consultez les traces d’agent avec MLflow : aperçu du traçage.