Een AI-agent maken

In dit artikel wordt het proces voor het maken van AI-agents in Azure Databricks beschreven en worden de beschikbare methoden voor het maken van agents beschreven.

Zie Ontwerppatronen voor agentsystemen voor meer informatie over agents.

Automatisch een agent bouwen met Agent Bricks

Agent Bricks biedt een eenvoudige benadering voor het bouwen en optimaliseren van domeinspecifieke AI-agentsystemen van hoge kwaliteit voor algemene AI-use cases. Geef uw use case en gegevens op en Agent Bricks bouwt automatisch verschillende AI-agentsystemen voor u op die u verder kunt verfijnen. Zie Agent Bricks.

Een agent in code programmeren

Mozaïek AI Agent Framework en MLflow bieden hulpprogramma's waarmee u bedrijfsklare agents in Python kunt ontwerpen.

Azure Databricks biedt ondersteuning voor het ontwerpen van agents met behulp van externe agentcreatiebibliotheken zoals LangGraph/LangChain, OpenAI, LlamaIndex of aangepaste Python-implementaties.

Zie Aan de slag met AI-agents om snel aan de slag te gaan. Zie Een AI-agent ontwerpen en implementeren in Databricks-apps voor meer informatie over het ontwerpen van agents met verschillende frameworks en geavanceerde functies.

Prototype-agents met AI Playground

Ai Playground is de eenvoudigste manier om een agent te maken in Azure Databricks. Met AI Playground kunt u kiezen uit verschillende LLM's en snel hulpprogramma's toevoegen aan de LLM met behulp van een gebruikersinterface met weinig code. Vervolgens kunt u met de agent chatten om de antwoorden te testen en vervolgens de agent te exporteren naar code voor implementatie of verdere ontwikkeling.

Zie Aan de slag: queries uitvoeren op LLM's en prototypen van AI-agenten zonder te coderen.

Inzicht in modelhandtekeningen om compatibiliteit met Azure Databricks-functies te garanderen

Azure Databricks maakt gebruik van MLflow Model Signatures om het invoer- en uitvoerschema van agents te definiëren. Productfuncties zoals AI Playground gaan ervan uit dat uw agent een van een set ondersteunde modelhandtekeningen heeft.

Als u de aanbevolen benadering voor het ontwerpen van agents volgt met behulp van de Interface ResponsesAgent, leidt MLflow automatisch een handtekening af voor uw agent die compatibel is met azure Databricks-productfuncties.

Anders moet u ervoor zorgen dat uw agent zich houdt aan een van de andere signatures in het legacy input- en outputagent-schema (Model Serving) om compatibiliteit met Azure Databricks-functies te garanderen.