Membuat agen AI

Artikel ini memperkenalkan proses pembuatan agen AI di Azure Databricks dan menguraikan metode yang tersedia untuk membuat agen.

Untuk mempelajari selengkapnya tentang agen, lihat Pola desain sistem agen.

Membangun agen secara otomatis dengan Agent Bricks

Agent Bricks menyediakan pendekatan sederhana untuk membangun dan mengoptimalkan sistem agen AI khusus domain dan berkualitas tinggi untuk kasus penggunaan AI umum. Tentukan kasus dan data penggunaan Anda, dan Agent Bricks akan secara otomatis membangun beberapa sistem agen AI untuk Anda yang dapat Anda persempurnakan lebih lanjut. Lihat Agen Bricks.

Membuat agen dalam kode

Mosaic AI Agent Framework dan MLflow menyediakan alat untuk membantu Anda menulis agen siap perusahaan di Python.

Azure Databricks mendukung agen penulisan menggunakan pustaka penulisan agen pihak ketiga seperti LangGraph/LangChain, OpenAI, LlamaIndex, atau implementasi Python kustom.

Untuk memulai dengan cepat, lihat Mulai menggunakan agen AI. Untuk detail selengkapnya tentang agen penulisan dengan kerangka kerja yang berbeda dan fitur tingkat lanjut, lihat Menulis agen AI dan menyebarkannya di Aplikasi Databricks.

Agen prototipe dengan platform eksperimen AI

AI Playground adalah cara termudah untuk membuat agen di Azure Databricks. AI Playground memungkinkan Anda memilih dari berbagai LLM dan dengan cepat menambahkan alat ke LLM menggunakan UI kode rendah. Anda kemudian dapat mengobrol dengan agen untuk menguji responsnya dan kemudian mengekspor agen ke kode untuk penyebaran atau pengembangan lebih lanjut.

Lihat Memulai: Mengkueri LLM dan membuat prototipe agen AI tanpa kode.

Memahami tanda tangan model untuk memastikan kompatibilitas dengan fitur Azure Databricks

Azure Databricks menggunakan Tanda Tangan Model MLflow untuk menentukan skema input dan output agen. Fitur produk seperti AI Playground mengasumsikan bahwa agen Anda memiliki salah satu set tanda tangan model yang didukung.

Jika Anda mengikuti pendekatan yang direkomendasikan untuk membuat agen menggunakan antarmuka ResponsesAgent, MLflow akan secara otomatis menyimpulkan signature untuk agen Anda yang kompatibel dengan fitur produk Azure Databricks.

Jika tidak, Anda harus memastikan bahwa agen Anda mematuhi salah satu tanda tangan lainnya dalam skema agen input dan output warisan (Model Serving), untuk memastikan kompatibilitas dengan fitur Azure Databricks.