Usare gli agenti in Azure Databricks

Questa pagina offre una panoramica degli strumenti per la compilazione, la distribuzione e l'uso degli agenti in Azure Databricks. Per altre informazioni sugli agenti, vedere Modelli di progettazione del sistema agent.

Feature	Description
Introduzione: intelligenza artificiale senza codice	Provare AI Playground per test e prototipi basati sull'interfaccia utente.
Introduzione: MLflow 3 per GenAI	Provare MLflow per la tracciabilità, la valutazione e il feedback umano su GenAI.

Gestire ed eseguire query su modelli di linguaggio di grandi dimensioni

Offrire un set curato di modelli di intelligenza artificiale da provider LLM, ad esempio OpenAI e Anthropic e renderli disponibili tramite API sicure e scalabili.

Feature	Description
Modelli di base	Gestire i modelli di intelligenza artificiale, inclusi modelli di open source e di terze parti, ad esempio Meta Llama, Anthropic Claude, OpenAI GPT e altro ancora.

Creare e distribuire agenti di livello aziendale

Sviluppa e distribuisci i tuoi agenti personalizzati, inclusi gli agenti che utilizzano strumenti, le app di generazione con recupero aumentato e i sistemi multi-agenti. Per un punto di partenza senza codice, usare AI Playground per selezionare un LLM, aggiungere strumenti e chattare con l'agente per testare le risposte prima dell'esportazione nel codice.

Feature	Description
AI Playground (nessun codice)	Creare prototipi e testare agenti in un ambiente senza codice. Sperimentare rapidamente i comportamenti degli agenti e le integrazioni degli strumenti prima di generare codice per la distribuzione.
Assistente conoscenze	Creare e ottimizzare chatbot di intelligenza artificiale specifici del dominio usando un'interfaccia intuitiva.
Agente supervisore	Crea un agente supervisore che orchestra Genie Agents, endpoint degli agenti, funzioni di Unity Catalog, server MCP e agenti personalizzati.
Creare agenti personalizzati	Creare, distribuire e valutare gli agenti con Python. Supporta gli agenti scritti con qualsiasi libreria di creazione, tra cui LangGraph, LangChain, OpenAI e LlamaIndex. Integrato con MLflow Tracing. Iterare rapidamente utilizzando le app di Databricks. Per iniziare rapidamente, vedere Introduzione agli agenti.
Connettere gli agenti agli strumenti	Creare strumenti agente per eseguire query su dati strutturati e non strutturati, eseguire codice o connettersi alle API del servizio esterno.
MCP (Model Context Protocol)	Standardizzare la modalità di connessione degli agenti ai dati e agli strumenti con un'interfaccia sicura e coerente.

Usare agenti esterni

Se il tuo agente è in esecuzione all'esterno di Databricks, registralo come un servizio agente in Unity Catalog per fare in modo che il tuo team possa trovarlo e per controllare chi può utilizzarlo.

Feature	Description
Servizi dell'agente (Beta)	Registrare agenti esterni nel catalogo unity. Sfoglia e scopri gli agenti nei vari team in un'unica vista e controlla l'accesso con le stesse autorizzazioni che proteggono le tabelle, i modelli e le funzioni.

Valutare, eseguire il debug e ottimizzare gli agenti

Tenere traccia delle prestazioni dell'agente, raccogliere commenti e suggerimenti e migliorare la qualità con gli strumenti di valutazione e traccia.

Feature	Description
Tracciamento MLflow	Utilizzare MLflow Tracking per un'osservabilità completa. Registrare ogni passaggio eseguito dall'agente per eseguire il debug, il monitoraggio e il controllo del comportamento dell'agente in fase di sviluppo e produzione.
Valutazione dell'Agente	Usare Valutazione agente e MLflow per misurare qualità, costi e latenza. Raccogliere feedback da stakeholder ed esperti in materia tramite app di revisione predefinite e usare i giudici LLM per identificare e risolvere i problemi di qualità.
Monitorare gli agenti	Usare la stessa configurazione di valutazione (giudici LLM e metriche personalizzate) nella valutazione offline e nel monitoraggio online.