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 przy użyciu dowolnego frameworka lub harnessu, stanowych lub bezstanowych, a AgentKit dodaje trwałe wykonywanie, dzięki czemu uruchomienia przetrwają restarty i awarie.
• Uruchamiaj kod bezpiecznie: Agenci uruchamiają kod, który tworzą, w Databricks Sandbox, izolowanym środowisku, którego katalog domowy zachowuje się między sesjami.
• Wzbogać kontekst agenta: Pamięć i sesje agenta pozwalają mu przypomnieć sobie, czego nauczył się we wcześniejszych rozmowach, dzięki czemu może personalizować odpowiedzi i obniżyć koszty tokenów.
• Debuguj i testuj swojego agenta: MLflow Tracing rejestruje każdy krok, który wykonuje twój agent, 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.

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 to dla użytkowników biznesowych, którzy chcą zadawać pytania dotyczące danych, przeglądać pulpity 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 to meta-harness, który łączy i koordynuje wielu agentów, takich jak agenci kodujący. Możesz użyć Omnigent do stworzenia niestandardowego agenta, którego wdrożysz i uruchomisz na Agent Bricks.

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.

Agent produkcyjny zazwyczaj łączy następujące komponenty:

• Pętla agenta (framework lub otoczka): 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 następnie.
• Narzędzia: Funkcje, które agent wywołuje w celu pobrania danych, w tym danych biznesowych, lub zmiany stanu innego systemu. Przykładami są serwery Model Context Protocol (MCP), API oraz piaskownice, które uruchamiają kod napisany przez agenta.
• Stan agenta: Informacje, które agent śledzi. 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 jako 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 uruchamiające serwer agenta i zarządzające hostingiem, tożsamością oraz skalowaniem.
• Obserwowalność: Ślady rejestrujące każdy krok agenta oraz oceny mierzące, czy jego wyjście jest dobre.
• Zarządzanie: Tożsamość, uprawnienia i polityki określające, z których modeli, narzędzi i danych agent może korzystać.

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

Wyzwania związane z tworzeniem agentów w produkcji

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 modeli: Zespoły muszą wybierać między modelami frontier a otwartymi, przełączać się między modelami lub je ulepszać bez przepisywania kodu oraz zapewnić wystarczającą wydajność w skali produkcyjnej, jednocześnie kontrolując koszty i dostęp.
• Moc obliczeniowa: Agenci potrzebują mocy obliczeniowej, która skaluje się wraz z ruchem, podtrzymuje długotrwałe zadania przez restarty i awarie oraz izoluje 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 trudno zdefiniować i zmierzyć to, co jest „dobre”. 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.

Wyzwanie	Składniki Agent Bricks
Dostęp do modelu	API Unity Gateway i Foundation Model API
Compute	Serwer Agentów (DurableAgentServer), Agent Runtime oraz Databricks Sandbox
Context	Pamięć agentów i sesje agentów, serwery MCP i narzędzia agentów, wyszukiwanie AI oraz Genie Agents
Jakość	Śledzenie, ocena i monitorowanie w MLflow
Zapewnienie ładu i kontrola	Polityki Unity Catalog i Unity Gateway oraz wsparcie dla dowolnego frameworka, harnessu 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 daje agentowi jedno API dla modeli frontier i open, w tym modeli, które Azure Databricks hostuje za pomocą API Foundation Model oraz modeli od 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.

Compute

• Serwer agenta: DurableAgentServer opakowuje pętlę agenta i obsługuje API wywołania, z żądaniami synchronicznymi, strumieniowymi i w tle, trwałym stanem uruchomienia oraz odzyskiwaniem po awarii. Agenci tworzeni za pomocą Agent Bricks CLI domyślnie go używają.
• Agent Runtime: Agent Runtime uruchamia serwer agenta w aplikacjach Databricks na stabilnym, uwierzytelnionym punkcie końcowym. agentbricks deploy zapewnia zasoby, których Twój agent potrzebuje, i zapewnia mu do nich dostęp. Aby wysłać zapytanie do wdrożonego agenta, zobacz Wysyłanie zapytań do agentów wdrożonych na platformie Azure Databricks.

• Databricks Sandbox: Databricks Sandbox to narzędzie, które Twój agent wywołuje, aby uruchomić napisany przez siebie kod w izolowanym środowisku, z ograniczonym zakresem dostępu do zarządzanych danych.

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 pamięta 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 daje Twojemu 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 agentów Genie, AI Search, funkcji Unity Catalog oraz SQL lub z niestandardowymi i zewnętrznymi serwerami MCP. Zobacz MCPs.
• Wyszukiwanie AI: Pobieraj istotne treści nieustrukturyzowane za pomocą Databricks AI Search, w tym dla aplikacji generowania wspomaganego wyszukiwaniem (RAG).
• 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, który wykonuje agent, zarówno w rozwoju, jak i w produkcji. Ewaluacja wykorzystuje wbudowane modele oceniające LLM, niestandardowe mechanizmy oceny oraz opinie ekspertów do oceny jakości, a monitorowanie produkcji 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, z których korzystają Twoi agenci, wraz z uprawnieniami i pochodzeniem danych.
• 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 użycia kierowanych wywołań.
• Wybór: Użyj dowolnego frameworka lub środowiska testowego i dowolnego modelu, i zmieniaj model bez przepisywania swojego agenta.

Cykl rozwoju agenta

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

1. Zdefiniuj przypadek użycia i kryteria sukcesu: Uzgodnij, co powinien robić agent, kto go używa oraz jak mierzyć jakość, koszty i opóźnienia. Zbieraj przykładowe żądania i oczekiwane odpowiedzi na początku.
2. Utwórz początkowego agenta: Zacznij od najmniej skomplikowanego rozwiązania, które działa. Połącz agenta z modelami, serwerami MCP i umiejętnościami przez Unity Gateway i uruchom go lokalnie.
3. Oceniaj jakość i ją udoskonalaj: Używaj śladów do debugowania zachowań, buduj zbiór danych ewaluacyjnych na podstawie rzeczywistych żądań i opinii ekspertów oraz przeprowadzaj ewaluacje, aby zmierzyć wpływ każdej zmiany w promptach, narzędziach lub modelach.
4. Wdróż: Wdróż serwer agenta w środowisku uruchomieniowym agenta, wraz z magazynami, narzędziami i uprawnieniami potrzebnymi agentowi.
5. Monitoruj i udoskonalaj w środowisku produkcyjnym: Monitoruj jakość za pomocą śladów produkcyjnych i modułów oceniających, zbieraj opinie użytkowników i dostarczaj zdobytą wiedzę do oceny.

Agent Bricks i inne oferty agentów na Azure Databricks

• Genie One: Doświadczenie Azure Databricks dla użytkowników biznesowych, którzy mogą zadawać pytania dotyczące danych w języku naturalnym, przeglądać pulpity i korzystać z aplikacji, bez konieczności pisania kodu. Agent na zamówienie zbudowany na Agent Bricks może wywołać Genie One jako narzędzie. Aby dodać go do projektu CLI Agent Bricks, uruchom agentbricks tools add genie-one.
• Genie Agents: Sposób low-code na budowanie agentów, którzy odpowiadają na pytania na podstawie Twoich tabel i dokumentów. Używaj Genie Agents, gdy nie potrzebujesz własnego kodu agenta. Twoi niestandardowi agenci mogą również wywoływać agentów Genie jako narzędzia.
• Omnigent: Metastruktura do komponowania i współpracy z agentami, na przykład do łączenia agentów kodujących. Możesz użyć Omnigent do tworzenia niestandardowych agentów działających na Agent Bricks.
• Starsze kreatory agentów: Wcześniejsze produkty, takie jak Knowledge Assistant czy Supervisor Agent, nie są już zalecane dla nowych agentów. Zobacz oferty agentów Legacy.

Dodatkowe zasoby

• Szybki start Agent Bricks: Zbuduj i wdroż swojego pierwszego agenta z CLI Agent Bricks.
• Wdrażaj agentów na Azure Databricks: Dowiedz się, jak agenci są wdrażani i obsługiwani.
• Czym jest obserwowalność i jakość agentów?: Śledz, oceń i monitoruj swojego agenta.
• AI na Databricks: przypadki użycia, klienci i inne zasoby.
• FAQ o Agent Bricks: Odpowiedzi na najczęściej zadawane pytania dotyczące Agent Bricks.