Azure Databricksで AI エージェントを構築する

Azure Databricksでは、単純な LLM 呼び出しからツール呼び出しエージェント、マルチエージェントシステムまで、AI エージェントの構築、評価、デプロイがサポートされます。これらのガイドでは、エージェントの発送に使用する概念、開発ワークフロー、およびツールについて説明します。

クラシック ML またはディープラーニングをお探しですか? Azure Databricks での機械学習を参照してください。

概要

クイックスタートを試すか、基本的な概念を学習します。

ガイド	Description
AI プレイグラウンド	コードなしのプロンプトエンジニアリングとパラメーターチューニングを使用して、エージェントと LLM のプロトタイプ作成とテストを行います。
AIエージェントの使用を開始する	最初の AI エージェントをエンドツーエンドでビルドしてデプロイします。
概念: Azure Databricks での生成 AI	モデル、エージェント、ツール、アプリについて説明します。
エージェント開発ライフサイクル	AI エージェントの構築のライフサイクル全体を理解します。

エージェントを開発して展開します。

特徴	Description
Knowledge Assistant	ドメイン固有の QA エージェントチャットボットを構築して最適化します。
スーパーバイザーエージェント	Genie Spaces、エージェントエンドポイント、Unity カタログ関数、MCP サーバー、およびカスタムエージェントを調整するスーパーバイザエージェントを構築します。
カスタムエージェント	Pythonを使用して、RAG アプリケーションやマルチエージェントシステムを含むエージェントをビルドしてデプロイします。
Databricks アプリ	チャットアプリやデータ入力フォームなど、エージェント用の対話型 UI を構築してデプロイします。
MCP サーバー	標準化された MCP サーバーを使用して、エージェントをツール、データ、ワークフローに接続します。
ベクトル検索	マネージドベクターインデックスにクエリを実行して、関連するテキストと非構造化データを取得します。

開発および運用環境のエージェントをトレース、評価、監視します。

特徴	Description
評価と監視	エージェントの品質を評価し、本番環境へのデプロイを監視します。
MLflow トラッキング	エージェントの動作を記録して分析し、デバッグしてパフォーマンスを向上させます。

LLM にクエリを実行し、スケーラブルなエンドポイントでエージェントとモデルにサービスを提供します。

特徴	Description
Azure Databricks 上で LLM とエージェントをクエリする	ノートブック、SQL、アプリケーションから LLM とエージェントにクエリを実行します。
基盤モデル	組み込みのガバナンスと監視を使用して、スケーラブルな API を通じて LLM にサービスを提供します。
Unity AI Gateway	使用状況の追跡、ペイロードのログ記録、セキュリティ制御を使用して、LLM とエージェントへのアクセスを管理および監視します。
AI 関数	SQL から直接 LLM を呼び出してデータを強化し、AI ワークフローを構築します。

このページはお役に立ちましたか?