Agents bouwen op Azure Databricks

Deze pagina bevat een overzicht van hulpprogramma's voor het bouwen, implementeren en beheren van AI-agents op Azure Databricks. Zie Ontwerppatronen voor agentsystemen voor meer informatie over agents.

Feature	Description
Aan de slag: genAI zonder code	Probeer AI Playground voor testen en prototypen op basis van gebruikersinterfaces.
Aan de slag: MLflow 3 voor GenAI	Probeer MLflow voor GenAI-tracering, evaluatie en menselijke feedback.

Generatieve AI-grote taalmodellen (LLM's) aanbieden en bevragen

Serveer een gecureerde set gen AI-modellen van LLM-providers, zoals OpenAI en Antropic, en maak ze beschikbaar via veilige, schaalbare API's.

Feature	Description
Basismodellen	Bied gen AI-modellen aan, waaronder open source- en externe modellen zoals Meta Llama, Anthropic Claude, OpenAI GPT en meer.

AI-agents op bedrijfsniveau bouwen en implementeren

Bouw en implementeer uw eigen agenten, waaronder agenten voor het aanroepen van hulpprogramma's, apps voor generatie met verbeterde gegevensophaling, en systemen met meerdere agenten. Voor een beginpunt zonder code gebruikt u de AI Playground om een LLM te selecteren, hulpprogramma's toe te voegen en met de agent te chatten om de antwoorden ervan te testen voordat u naar code exporteert.

Feature	Description
AI Proeftuin (geen code)	Prototype en test AI-agents in een omgeving zonder code. Experimenteer snel met agentgedrag en hulpprogramma-integraties voordat u code voor implementatie genereert.
Kennisassistent	Bouw en optimaliseer domeinspecifieke AI-chatbots met behulp van een intuïtieve interface.
Aangepaste agents bouwen	Agents ontwerpen, implementeren en evalueren met behulp van Python. Ondersteunt agents die zijn geschreven met elke ontwerpbibliotheek, waaronder LangGraph, LangChain, OpenAI en LlamaIndex. Geïntegreerd met MLflow Tracing. Snel herhalen met Databricks-apps. Zie Aan de slag met AI-agents om snel aan de slag te gaan.
AI-agenthulpprogramma's	Maak agenthulpprogramma's om gestructureerde en ongestructureerde gegevens op te vragen, code uit te voeren of verbinding te maken met externe service-API's.
MCP (Model Context Protocol)	Standaardiseer hoe agents verbinding maken met gegevens en hulpprogramma's met een beveiligde, consistente interface.

Agents evalueren, fouten opsporen en optimaliseren

Prestaties van agents bijhouden, feedback verzamelen en kwaliteitsverbeteringen stimuleren met evaluatie- en traceringshulpprogramma's.

Feature	Description
MLflow-volgsysteem	Gebruik MLflow Tracing voor end-to-end waarneembaarheid. Registreer elke stap die uw agent neemt om het gedrag van de agent bij ontwikkeling en productie te debuggen, monitoren en auditeren.
Beoordeling van Agent	Gebruik agentevaluatie en MLflow om kwaliteit, kosten en latentie te meten. Verzamel feedback van belanghebbenden en deskundigen op het gebied van onderwerpen via ingebouwde beoordelingsapps en gebruik LLM-rechters om kwaliteitsproblemen te identificeren en op te lossen.
Agents controleren	Gebruik dezelfde evaluatieconfiguratie (LLM-rechters en aangepaste metrische gegevens) in offline evaluatie en online monitoring.