Co to jest agent Bricks?

Agent Bricks to platforma deweloperska agentów Azure Databricks. Wykorzystaj go do budowy i wdrażania agentów stanowiących podstawę Twoich produktów i przepływów pracy agentowych. Agent Bricks jest stworzony dla programistów, którzy piszą kod. Dostarczasz agenta zbudowanego z użyciem dowolnego frameworka lub narzędzia testowego i wybierasz dowolny model.

Agent Bricks wspiera podstawowe procesy tworzenia agenta wdrożonego na środowisku produkcyjnym:

  • Wdróż swojego agenta: Agent Runtime obsługuje agentów zbudowanych z dowolnego frameworka lub narzędzia orkiestrującego, stanowych lub bezstanowych, a AgentKit dodaje trwałe wykonywanie, dzięki czemu uruchomienia przetrwają restarty i awarie.
  • Uruchom kod bezpiecznie: Agenci uruchamiają kod, który napiszą w Databricks Sandbox, izolowanym środowisku, którego katalog domowy zachowuje się między sesjami.
  • Wzbogacaj kontekst swojego agenta: Pamięć agenta i sesje pozwalają agentowi przypomnieć sobie, czego nauczył się w wcześniejszych rozmowach, dzięki czemu może personalizować odpowiedzi i obniżyć koszty tokenów.
  • Debuguj i testuj swojego agenta: MLflow Tracing rejestruje każdy krok podejmowany przez agenta, a Ty możesz przechowywać i zarządzać śladami na dużą skalę w Unity Catalog.

Agent Bricks CLI tworzy kod agenta, który łączy się z tymi usługami. Możesz iterować lokalnie, także za pomocą agentów kodujących, a następnie wdrożyć swojego agenta. Aby zbudować i wdrożyć swojego pierwszego agenta, zobacz quickstart Agent Bricks.

Jak Agent Bricks odnosi się do innych ofert Azure Databricks:

  • Genie Agents: Genie Agents służy do tworzenia agentów bez kodu, takich jak agenci odpowiadający na pytania dotyczące Twoich tabel i dokumentów. Agent Bricks jest dla programistów, którzy sami piszą kod agenta. Agent niestandardowy może wywoływać agentów Genie jako narzędzia.
  • Genie One: Genie One jest dla użytkowników biznesowych, którzy chcą zadawać pytania dotyczące danych, przeglądać pulpity nawigacyjne i korzystać z aplikacji bez pisania kodu. Agent Bricks jest dla deweloperów, którzy sami budują agentów. Agent na zamówienie może wywoływać Genie One jako narzędzie, aby korzystać z kontekstu Twojej firmy.
  • Omnigent: Omnigent jest metaorkiestratorem, który łączy i koordynuje wiele agentów, takich jak agenci kodujący. Możesz użyć Omnigent do stworzenia niestandardowego agenta, którego wdrożysz i uruchomisz na Agent Bricks.
  • Starsze kreatory agentów: Wcześniejsze produkty, takie jak Knowledge Assistant i Supervisor Agent, nie są już zalecane dla nowych agentów. Zobacz oferty agentów Legacy.

Składniki agenta

Agent jest systemem SI, który postrzega żądanie, decyduje, co zrobić, i działa, aby osiągnąć cel. W przeciwieństwie do pojedynczego wywołania modelu, agent wykonuje pętlę. Rozważa żądanie za pomocą modelu, wywołuje narzędzia do zbierania informacji lub podejmowania działań, obserwuje wyniki i powtarza ten proces, aż będzie mógł odpowiedzieć.

Komponenty agenta: żądania użytkowników, aplikacji i agentów trafiają do środowiska uruchomieniowego agenta, które uruchamia serwer agenta, utrzymuje trwały stan uruchomienia i owija pętlę agenta zbudowaną za pomocą frameworka lub harnessu. Pętla wnioskuje z użyciem modelu, wywołuje narzędzia oraz odczytuje i zapisuje stan agenta, z zapewnioną obserwowalnością i mechanizmami nadzoru wokół niej.

Agent produkcyjny zazwyczaj łączy następujące komponenty:

  • Pętla agenta (framework lub szkielet): Twój kod. Pętla agenta jest zbudowana z wykorzystaniem frameworka lub mechanizmu uruchomieniowego, takich jak LangGraph czy OpenAI Agents SDK, i zawiera instrukcje oraz logikę orkiestracji definiujące zachowanie agenta.
  • Model: Duży model językowy (LLM), który rozważa każdy krok i decyduje, które działanie podjąć dalej.
  • Narzędzia: Funkcje, które agent wywołuje, aby pobrać dane, w tym dane biznesowe, lub zmienić stan innego systemu. Przykładami są serwery Model Context Protocol (MCP), API oraz piaskownice, które uruchamiają kod napisany przez agenta.
  • Stan agenta: Co agent monitoruje. Stan agenta obejmuje bieżącą sesję, czyli rozmowę lub zadanie w trakcie trwania, oraz pamięć, czyli to, czego agent się uczy i co przypomina sobie między sesjami.
  • Serwer agenta: Biblioteka, która opakowuje pętlę agenta w serwer HTTP. Udostępnia API, z którego korzystają klienci, zarządza połączeniami klientów i dba o trwałość, utrzymując stan każdego uruchomienia w Runtime Store.
  • Środowisko uruchomieniowe agenta: zarządzane obliczenia, które uruchamia serwer agenta i obsługuje hosting, tożsamość oraz skalowanie.
  • Obserwowalność: Ślady rejestrujące każdy krok podejmowany przez agenta oraz oceny mierzące, czy jego wyniki są dobre.
  • Zarządzanie: Tożsamość, uprawnienia i polityki kontrolujące, które modele, narzędzia i dane mogą być używane przez agenta.

Struktura lub uprząż, serwer agenta oraz środowisko uruchomieniowe agenta razem tworzą stos obliczeniowy agenta. Zobacz Wdrażanie agentów w usłudze Azure Databricks.

Wyzwania związane z budowaniem agentów w środowisku produkcyjnym

Prototypowy agent może działać na laptopie w jedno popołudnie. Niezawodne uruchamianie agentów dla prawdziwych użytkowników jest trudniejsze. Zespoły, które samodzielnie budują agentów, często spędzają większość czasu na budowaniu i obsłudze infrastruktury zamiast na ulepszaniu agenta. Typowe wyzwania dzielą się na pięć obszarów:

  • Dostęp do modelu: Zespoły muszą wybierać między modelami frontier a open, przełączać lub ulepszać modele bez przepisywania kodu oraz zdobyć wystarczającą pojemność na skalę produkcyjną, wszystko to kontrolując koszty i dostęp.
  • Obliczenia: Agenci potrzebują zasobów obliczeniowych, które skalują się wraz z ruchem, podtrzymują długotrwałe zadania pomimo restartów i awarii oraz izolują każdą sesję. Agenci, którzy piszą i uruchamiają kod, potrzebują bezpiecznego miejsca do jego uruchomienia.
  • Kontekst: Agenci udzielają lepszych odpowiedzi, gdy mają właściwe dane we właściwym czasie. Wymaga to trwałego stanu rozmowy, pamięci utrzymującej się w różnych sesjach oraz bezpiecznego dostępu do danych i narzędzi biznesowych bez kopiowania danych czy udostępniania poświadczeń.
  • Jakość: Agenci generują otwarte, niedeterministyczne rezultaty, więc "dobre" jest trudne do zdefiniowania i zmierzenia. Bez śledzenia i oceny zespoły nie są w stanie debugować błędów, udowodnić jakości interesariuszom ani wychwycić regresji w produkcji.
  • Zarządzanie i kontrola: Agenci działają na podstawie danych i wywołują usługi zewnętrzne. Bez jednolitych uprawnień, polityk i śledzenia użytkowania organizacje ryzykują wycieki danych, luki w zgodności, nieautoryzowane korzystanie oraz nieoczekiwane koszty. Zespoły chcą także unikać uzależniania swoich agentów od jednego dostawcy modeli lub chmury.

Jak Agent Bricks radzi sobie z tymi wyzwaniami

Agent Bricks zapewnia zarządzany blok budulcowy dla każdej warstwy stosu. Komponenty mają wspólną tożsamość i model zarządzania oraz współpracują, ale można też używać każdego osobno. Zachowujesz swój framework, uprząż testową i wybory modeli.

Platforma Agent Bricks: Twój agent działa na Agent Runtime z trwałym wykonywaniem i odzyskiwaniem po awarii. Unity Gateway łączy go z modelami frontier i open-weight oraz zarządza jego serwerami i umiejętnościami MCP, Sandbox uruchamia kod w izolacji, serwery MCP dostarczają narzędzia, zarządzana pamięć przechowuje kontekst na Lakebase, a MLflow zapewnia śledzenie i ocenę.

Wyzwanie Składniki Agent Bricks
Dostęp do modelu Unity Gateway i Foundation Model APIs
Compute Agent Server (DurableAgentServer), Agent Runtime oraz środowisko testowe Databricks
Context Pamięć agenta i sesje agenta, serwery MCP i narzędzia agenta, wyszukiwanie AI oraz Genie Agents
Jakość Śledzenie, ocena i monitorowanie w MLflow
Zapewnienie ładu i kontrola Polityki Unity Catalog i Unity Gateway , a także wsparcie dla dowolnego frameworka, narzędzia i modelu

Zacznij od CLI Agent Bricks

CLI Agent Bricks zapewnia kierowaną ścieżkę od pustego katalogu do wdrożonego agenta. Konstruuje projekt z szablonu frameworka, uruchamia agenta lokalnie i wdraża go z dostępem do modelu, pamięcią, sesjami, narzędziami i śledzeniem już skonfigurowanymi. Plik deklaratywny agent.toml rejestruje zarządzane zasoby, na których agent polega. Aby zbudować swojego pierwszego agenta, zobacz quickstart Agent Bricks.

Modele

Unity Gateway udostępnia agentowi jedno API dla modeli frontier i open, w tym modeli, które Azure Databricks hostuje za pośrednictwem API Foundation Model oraz modeli zewnętrznych dostawców. Możesz zmieniać modele bez zmiany kodu agenta. Unity Gateway zarządza także serwerami MCP i umiejętnościami, z których korzystają twoi agenci, oraz stosuje limity liczby żądań, mechanizmy zabezpieczające i śledzenie wykorzystania wobec żądań przechodzących przez niego. Aby wywołać model z kodu agenta, zobacz Połącz z modelami.

Compute

  • Databricks Sandbox: Databricks Sandbox to narzędzie, które Twój agent wywołuje do uruchamiania kodu napisanego w izolowanym środowisku, z dostępem zależnym od uprawnień Unity Catalog.

Aby dowiedzieć się, jak te warstwy się ze sobą łączą, zobacz Wdrażanie agentów w usłudze Azure Databricks.

Context

  • Zarządzana pamięć i sesje: Sesje przechowują stan jednej rozmowy lub zadania, a pamięć przechowuje fakty i preferencje, które agent przypomina sobie w późniejszych rozmowach. Oba to zarządzane repozytoria wspierane przez Lakebase, które działają na dowolnym frameworku. Zobacz Pamięć Agenta i sesje.
  • Połączony kontekst biznesowy z Genie One: serwer Genie One MCP zapewnia agentowi połączony kontekst biznesowy Twojej organizacji. Agent zadaje pytanie w języku naturalnym, a Genie odpowiada na nie w Twoich zarządzanych danych, wykorzystując ontologię Genie do interpretacji terminów biznesowych, definicji metryk i relacji między tabelami. Uprawnienia Unity Catalog obowiązują, więc agent może odpytywać tylko dane, do których ma dostęp. Aby dodać go do projektu CLI Agent Bricks, uruchom agentbricks tools add genie-one.
  • Narzędzia i serwery MCP: Połącz agentów z serwerami MCP zarządzanymi przez Azure Databricks dla Genie Agents, AI Search, funkcji Unity Catalog i SQL lub z niestandardowymi i zewnętrznymi serwerami MCP. Zobacz MCPs.
  • Wyszukiwanie AI: Pobieraj odpowiednie nieustrukturyzowane treści za pomocą Databricks AI Search, także na potrzeby aplikacji RAG (generowania wspomaganego wyszukiwaniem).
  • Dane biznesowe: Oprzyj agentów na tabelach, plikach i agentach Genie, którymi Twoja organizacja już zarządza w Unity Catalog.

Obserwowalność i jakość

MLflow zarządzany przez Azure Databricks zapewnia śledzenie, ocenę i monitorowanie dla agentów. MLflow Tracing rejestruje każdy krok, jaki agent podejmuje, zarówno w fazie rozwoju, jak i produkcji. Ewaluacja wykorzystuje wbudowanych sędziów LLM, niestandardowych punktatorów oraz opinie ekspertów do pomiaru jakości, a monitorowanie produkcyjne wykrywa regresje. Możesz przechowywać ślady w Unity Catalog i analizować je na dużą skalę. Zobacz Co to jest obserwowalność i jakość agentów?

Zapewnienie ładu i kontrola

  • Zunifikowane zarządzanie: Unity Catalog zarządza danymi, narzędziami, modelami i agentami używanymi przez Twoich agentów, wraz z uprawnieniami i lineage.
  • Polityki dotyczące modeli, serwerów MCP i umiejętności: Unity Gateway zarządza dostępem do modeli, serwerów MCP i umiejętności, a także egzekwuje zabezpieczenia, limity liczby żądań i śledzenie wykorzystania wywołań, które kieruje.
  • Wybór: Użyj dowolnego frameworka lub harnessu i dowolnego modelu, a także zmieniaj model bez przepisywania swojego agenta.

Cykl życia rozwoju agenta

Budowanie agenta produkcyjnego jest iteracyjne. Poniższe kroki opisują typowy cykl życia.

  1. Zdefiniuj przypadek użycia i kryteria sukcesu: Uzgodnij, co agent powinien robić, kto go używa oraz jak mierzyć jakość, koszty i opóźnienia. Zbieraj przykładowe żądania i oczekiwane odpowiedzi na początku.
  2. Zbuduj początkowego agenta: Zacznij od najmniej skomplikowanego projektu, który działa. Połącz agenta z modelami, serwerami MCP i umiejętnościami przez Unity Gateway i uruchom go lokalnie.
  3. Ocena i iteracja jakości: Używaj śladów do debugowania zachowań, buduj zestaw danych ewaluacyjnych na podstawie rzeczywistych próśb i opinii ekspertów oraz przeprowadzaj ewaluacje, aby mierzyć wpływ każdej zmiany na prompty, narzędzia lub modele.
  4. Wdrożenie: Wdróż serwer agenta do środowiska uruchomieniowego agenta, wraz z magazynami, narzędziami i uprawnieniami potrzebnymi agentowi.
  5. Monitoruj i ulepszaj w środowisku produkcyjnym: Monitoruj jakość za pomocą śledzeń produkcyjnych i scorerów, zbieraj opinie użytkowników i przekażaj zdobyte informacje z powrotem do oceny.

Dodatkowe zasoby