Démarrage rapide de la passerelle Unity

Envoyez votre première requête via Unity Gateway sur le point de terminaison compatible OpenAI.

Exigences

Authenticate

Pour commencer, utilisez un jeton d’accès personnel. OAuth est recommandé pour les cas d’utilisation en production. Définissez DATABRICKS_TOKEN sur le jeton de votre espace de travail.

Jeton d’accès personnel

Exportez un jeton d’accès personnel :

export DATABRICKS_TOKEN=<your-personal-access-token>

OAuth

Remplacez-le <workspace-url> par l’URL de votre espace de travail Azure Databricks. Ensuite, connectez-vous avec la CLI Azure Databricks et exportez un jeton OAuth de courte durée :

databricks auth login --host https://<workspace-url>
export DATABRICKS_TOKEN=$(databricks auth token --host https://<workspace-url> | jq -r .access_token)

Choisissez un modèle

Azure Databricks propose des modèles prêts à l’emploi que vous pouvez parcourir dans l’interface sous le system.ai schéma, ou consulter la liste complète des modèles pris en charge ici.

Ce guide de démarrage rapide utilise system.ai.gpt-5-2. Pour interroger un autre modèle, remplacez par son nom pleinement qualifié.

Envoyez votre demande

Remplacez-le <workspace-url> par l’URL de votre espace de travail Azure Databricks.

Bash

curl https://<workspace-url>/ai-gateway/mlflow/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DATABRICKS_TOKEN" \
  -d '{
    "model": "system.ai.gpt-5-2",
    "max_output_tokens": 256,
    "input": [
      {
        "role": "user",
        "content": [{"type": "input_text", "text": "Hello!"}]
      },
      {
        "role": "assistant",
        "content": [{"type": "output_text", "text": "Hello! How can I assist you today?"}]
      },
      {
        "role": "user",
        "content": [{"type": "input_text", "text": "What is Databricks?"}]
      }
    ]
  }'

Python

from openai import OpenAI
import os

client = OpenAI(
  api_key=os.environ.get("DATABRICKS_TOKEN"),
  base_url="https://<workspace-url>/ai-gateway/mlflow/v1",
)

response = client.responses.create(
  model="system.ai.gpt-5-2",
  max_output_tokens=256,
  input=[
    {"role": "user", "content": [{"type": "input_text", "text": "Hello!"}]},
    {"role": "assistant", "content": [{"type": "output_text", "text": "Hello! How can I assist you today?"}]},
    {"role": "user", "content": [{"type": "input_text", "text": "What is Databricks?"}]},
  ],
)

print(response.output)

TypeScript

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: process.env.DATABRICKS_TOKEN,
  baseURL: 'https://<workspace-url>/ai-gateway/mlflow/v1',
});

const response = await client.responses.create({
  model: 'system.ai.gpt-5-2',
  max_output_tokens: 256,
  input: [
    { role: 'user', content: [{ type: 'input_text', text: 'Hello!' }] },
    { role: 'assistant', content: [{ type: 'output_text', text: 'Hello! How can I assist you today?' }] },
    { role: 'user', content: [{ type: 'input_text', text: 'What is Databricks?' }] },
  ],
});

console.log(response.output);

Consulter votre demande

Ouvrez le modèle que vous avez interrogé (system.ai.gpt-5-2) dans l’Explorateur de catalogue et sélectionnez l’onglet Métriques pour voir la requête que vous venez d’envoyer dans l’historique d’utilisation, ainsi que son utilisation de jeton et sa latence. Voir l’observabilité de la passerelle Unity.

Étapes suivantes

  • Dernière mise à jour :