Deploy agents on Azure Databricks

Om een agent in productie te laten draaien, deploy je de code naar managed compute die verzoeken van je gebruikers en applicaties bedient. Een deployed agent heeft drie lagen: je framework of harness, een agentserver en een agent runtime. Agent Bricks biedt opties op elke laag, van DurableAgentServer tot Agent Runtime op Databricks Apps.

De compute-stack van de agent

Een deployed agent heeft drie lagen. Elke laag wordt om de bovenliggende laag gewikkeld.

Laag	Wat het doet	Options on Azure Databricks
Framework of harnas	Voert de agent-lus uit: roept modellen en tools aan en beslist wat er daarna te doen.	Elk framework of hulpmiddel, zoals LangGraph of de OpenAI Agents SDK, of een meta-harness zoals Omnigent.
Agent server	Wikkelt de agentlus in een HTTP-server. De agentserver stelt de aanroep-API beschikbaar, beheert clientverbindingen en verzorgt persistentie.	DurableAgentServer (aanbevolen), legacy agent-servers, of je eigen server.
Agent runtime	Draait de agentserver op managed compute en verzorgt hosting, identiteit en schaling.	Agent-runtime in Databricks Apps.

De volgende termen beschrijven hoe de lagen samenwerken:

Termijn	Wat betekent het?
Aanroep-API	De HTTP API die clients aanroepen om de agent te laten draaien. Zie Queryagents die zijn geïmplementeerd op Azure Databricks.
Serve	De agent runtime draait de agentserver, die je agent bedient via de aanroep-API.
Deploy	Zet je agentcode in de agentruntime.

Note

Databricks Sandbox is geen laag van de compute-stack. Het is een tool die je agent aanroept om code uit te voeren in een geïsoleerde omgeving, los van de agentruntime, met afgebakende toegang tot je beheerde data. Gebruik een sandbox wanneer je agent code schrijft en uitvoert, zoals data-analysescripts. Om een CLI-project een sandbox-tool te geven, voer agentbricks tools add sandbox uit.

Kader of testharnas

Het framework of de harness is je agentcode. Het voert de lus uit die met een model redeneert, tools oproept en beslist wanneer het reageert. Agent Bricks vereist geen specifiek framework.

Framework of harness	Wanneer gebruiken
Sjablonen	Nieuwe agent wordt gestart. De Agent Bricks CLI zet projecten op voor LangGraph en de OpenAI Agents SDK. De sjablonen houden je frameworkcode gescheiden van de code die deze verbindt met de agentserver.
Bestaande agenten	Een agent meenemen die je al hebt gebouwd met LangGraph of de OpenAI Agents SDK. Voer agentbricks init --existing uit in de directory. Zie Een bestaande agent toevoegen.
Meta-harnas	Meerdere frameworks, zoals codeeragenten, samenvoegen tot één agent met Omnigent.

Agent server

De agentserver is een bibliotheek die je agent-lus omsluit en omzet in een service. Het definieert de API die clients aanroepen, houdt elke run bij en bepaalt wat er gebeurt wanneer een run wordt onderbroken.

Agent server	Wanneer gebruiken
DurableAgentServer (aanbevolen)	Nieuwe agenten gebouwd met de Agent Bricks CLI.
Legacy agentservers	Agenten onderhouden die zijn gemaakt met de app-sjablonen. Om DurableAgentServer te vergelijken met de legacy agent-servers, zie Agent-servers op Databricks.
Je eigen server	Agenten die aangepaste endpoints, verzoekformaten of protocollen nodig hebben. Voer agentbricks init --server custom uit, of houd je bestaande server.

Agentruntime

De agent runtime is de beheerde rekenkracht waarop je agentserver draait. Je deployt er code naar in plaats van zelf servers te provisioneren.

Agentruntime	Wanneer gebruiken
Agent Runtime	Nieuwe agenten. Voer je agent uit op Databricks Apps. agentbricks deploy voorziet in de middelen die je agent nodig heeft, geeft de agent er toegang toe en deployt deze naar een stabiel, geauthenticeerd eindpunt.
Model Serving (verouderd)	Eerder geïmplementeerde agenten voor Model Serving-eindpunten. Zie Een agent implementeren voor AI-toepassingen (Model Serving). Om ze naar Databricks Apps te verplaatsen, zie Een agent migreren van Model Serving naar Databricks Apps.

Deploy met de Agent Bricks CLI

De Agent Bricks CLI verbindt de drie lagen. Het scaffoldt je frameworkcode, draait het lokaal op DurableAgentServer en deployt het naar Agent Runtime:

agentbricks init my-agent --framework langgraph
cd my-agent
agentbricks dev
agentbricks deploy my-agent

Om je eerste agent te bouwen en uit te rollen, zie Agent Bricks quickstart.

Rechten om een agent uit te rollen

De gebruiker of serviceprincipal die agentbricks deploy uitvoert, heeft toestemming nodig om het volgende te doen:

• Maak Databricks-apps aan, of beheer de bestaande app voor het opnieuw uitrollen. Zie Machtigingen configureren voor een Databricks-app.
• Maak de geheugen- en sessieopslagen aan die in agent.tomlzijn gedeclareerd, of beheer de bestaande stores, zodat Agent Bricks de serviceprincipal van de app toegang kan geven.
• Maak het MLflow-experiment aan dat het project gebruikt voor het traceren, of bewerk het als het al bestaat.
• Verleen de serviceprincipal van de app toegang tot bronnen die tools declareren met --auth app, bijvoorbeeld EXECUTE op een Unity Catalog-functie, CAN RUN op een Genie Agent, of SELECT op een tabel in een sandbox-scope.

Agent Bricks verleent alleen toegang tot middelen die agent.toml rechtstreeks declareert. Als een tool andere bronnen gebruikt, zoals de tabellen achter een Genie Agent of de objecten die een Unity Catalog-functie aanroept, verleen dan zelf de serviceprincipal van de app toegang tot deze bronnen. Als de deploy geen vereiste grant kan toepassen, stopt het voordat het je code uploadt en laat de huidige deployment draaien.

Aanvullende bronnen

• Agent Server
• Agent Runtime
• Queryagenten die zijn geïmplementeerd op Azure Databricks