Comece: Consultar LLMs e criar protótipos de agentes de IA sem código

Este tutorial sem código de 5 minutos apresenta a IA generativa no Azure Databricks. Você usará o Playground de IA para fazer o seguinte:

• Consultar LLMs (modelos de linguagem grandes) e comparar lado a lado os resultados
• Protótipo de um agente de IA que aciona ferramentas
• Exportar seu agente para o Databricks Apps ou para um notebook
• Opcional: protótipo de um chatbot de resposta a perguntas usando RAG (geração aumentada de recuperação)

Antes de começar

Certifique-se de que seu espaço de trabalho pode acessar o seguinte:

• Modelos de base.

• Catálogo do Unity.
• Agentes Personalizados. Consulte Recursos com disponibilidade regional limitada.

Etapa 1: Consultar LLMs usando o AI Playground

Use o Playground de IA para consultar LLMs em uma interface de chat.

1. Em seu workspace, selecione Playground no painel de navegação esquerdo em IA/ML.
2. Digite uma pergunta como: "O que é RAG?"

Adicione uma nova LLM para comparar as respostas lado a lado:

1. No canto superior direito, selecione + para adicionar um modelo para comparação.
2. No novo painel, selecione um modelo diferente usando o seletor suspenso.
3. Selecione as caixas de seleção Sincronizar para sincronizar as consultas.
4. Tente um novo prompt, como"O que é um sistema de IA composto?" para ver as duas respostas lado a lado.

Continue a testar e comparar diferentes LLMs para ajudar a decidir o melhor a ser usado para criar um agente de IA.

Etapa 2: Prototipar um agente de IA para acionamento de ferramentas

As ferramentas permitem que as LLMs façam mais do que gerar idioma. As ferramentas podem consultar dados externos, executar código e executar outras ações. O AI Playground oferece uma opção sem código para prototipar agentes que acionam ferramentas.

1. No Playground, escolha um modelo rotulado ferramentas habilitadas.

   

2. Selecione Ferramentas>+ Adicionar ferramenta e selecione a função interna do Catálogo do Unity. system.ai.python_exec

   Essa função permite que seu agente execute código Python arbitrário.

   

   Outras opções de ferramenta incluem:

   • Função UC: selecione uma função de Catálogo do Unity para seu agente usar.
   • Definição de função: defina uma função personalizada para o agente chamar.
   • Pesquisa de vetor: especifique um índice de pesquisa de vetor. Se o agente usar um índice de pesquisa de vetor, sua resposta citará as fontes usadas.
   • MCP: especifique servidores MCP para usar servidores MCP gerenciados do Databricks ou servidores MCP externos.

3. Faça uma pergunta que envolva a geração ou a execução do código Python. Você pode tentar diferentes variações na formulação do prompt. Se você adicionar várias ferramentas, o LLM selecionará a ferramenta apropriada para gerar uma resposta.

   Prototipe o LLM com a ferramenta de funções hospedadas

Opcional: protótipo de um bot de resposta a perguntas do RAG

Se você tiver um índice de pesquisa de vetor configurado em seu workspace, poderá criar um protótipo de um bot de resposta a perguntas. Esse tipo de agente usa documentos em um índice de pesquisa de vetor para responder perguntas com base nesses documentos.

1. Clique em Ferramentas>+ Adicionar ferramenta. Em seguida, selecione o índice de Pesquisa de Vetor.

   

2. Faça uma pergunta relacionada aos seus documentos. O agente pode usar o índice de vetor para pesquisar informações relevantes e citará todos os documentos usados em sua resposta.

   

Para configurar um índice de pesquisa de vetor, consulte Criar um índice de pesquisa de vetor.

Etapa 3: Exportar seu agente

Depois de testar seu agente no AI Playground, exporte-o para que você possa implantar, avaliar e iterar nele fora do Playground. O AI Playground oferece dois caminhos de exportação:

• Exportar para Apps do Databricks (recomendado): instala um aplicativo de agente implantável a partir do modelo agent-openai-agents-sdk, incluindo uma interface de chat integrada, integração com ferramentas MCP e autenticação. Escolha este caminho para novos agentes.
• Criar notebook do agente (legado): Gera um notebook Python que define o agente e faz a implantação dele em um endpoint do Model Serving. Escolha esse caminho se os Aplicativos do Databricks não estiverem disponíveis em seu workspace ou região.

Exportar para aplicativos (recomendado)

A opção Exportar para o Databricks Apps gera um aplicativo de agente já implantado, pronto para interagir por chat. O aplicativo usa o mesmo modelo, prompt do sistema e ferramentas (incluindo servidores MCP e busca vetorial) configurados no Playground.

Antes de exportar, verifique se o workspace atende aos seguintes requisitos:

• Os Aplicativos do Databricks devem ser habilitados em seu workspace. Consulte Configurar seu ambiente de desenvolvimento e workspace do Databricks Apps.
• O ponto de extremidade selecionado na Etapa 2 deve dar suporte a ferramentas.
• A versão prévia dos Servidores MCP Gerenciados deve ser habilitada em seu workspace. Consulte Gerenciar visualizações do Azure Databricks.

Para exportar o agente:

1. No Playground, clique em Obter código>Exportar para o Databricks Apps.

2. Na caixa de diálogo Exportar para Databricks Apps, defina o seguinte:

   • Nome do Aplicativo: um nome exclusivo que começa com agent- e contém apenas letras minúsculas, números e hifens (por exemplo, agent-research-assistant).
   • Descrição do aplicativo: uma breve descrição do que o agente faz.
   • Experimento do MLflow: selecione um experimento MLflow existente a ser usado para rastreamento e avaliação ou crie um novo.

3. Clique em Exportar. Azure Databricks faz o seguinte:

   1. Valida se o nome do aplicativo está disponível.
   2. Instala o modelo agent-openai-agents-sdk em seu espaço de trabalho e concede permissões ao aplicativo para os recursos de que ele precisa. Esses recursos incluem o experimento do MLflow, o endpoint de serviço e quaisquer servidores MCP, funções do Unity Catalog, Genie Spaces ou índices de busca vetorial que você adicionou como ferramentas.
   3. Gera agent_server/agent.py com base na configuração do Playground para que o agente implantado corresponda ao que você testou.

4. Quando a caixa de diálogo de êxito for exibida, clique em Exibir Agente para abrir o aplicativo implantado e conversar com ele usando a interface do usuário interna.

Para personalizar o código do agente, configurar a autenticação, adicionar avaliação ou reimplantar com OSBs (Pacotes de Ativos) do Databricks, consulte Criar um agente de IA e implantá-lo nos Aplicativos do Databricks.

Criar notebook do agente (legado)

Depois de testar seu agente no AI Playground, clique em Obter código>Criar bloco de anotações do agente para exportar seu agente para um notebook Python.

Depois de exportar o código do agente, Azure Databricks salva uma pasta com um bloco de anotações de driver em seu workspace. Este driver define um ResponsesAgent com chamada de ferramentas, testa o agente localmente, usa registro em log baseado em código, registra e implanta o agente de IA usando Agentes Personalizados.

Observação

O notebook exportado atualmente usa um fluxo de trabalho de criação de agente herdado que implanta o agente no Model Serving. Em vez disso, o Databricks recomenda a criação de agentes usando o Databricks Apps. Consulte Criar um agente de IA e implantá-lo nos Aplicativos do Databricks.

Dica

Se quiser que Azure Databricks execute o loop do agente para você, use a Supervisor API (Beta) em vez de escrever a sua própria. A API Supervisor oferece suporte a ferramentas hospedadas no Azure Databricks (funções do Unity Catalog, Genie Spaces, servidores MCP) e a ferramentas de função no lado do cliente executadas no código do seu aplicativo. Escolha essa opção quando não precisar de lógica de Python personalizada entre chamadas de ferramenta.

Para testar isso na configuração do Playground, verifique se você adicionou pelo menos uma ferramenta na Etapa 2 e, depois, clique em Obter código>Curl API. Quando a implantação no Playground tem ferramentas e usa um modelo compatível com Supervisor, o comando curl é uma solicitação à API Supervisor para POST/mlflow/v1/responses com seu modelo, prompt e ferramentas hospedadas. A opção também exige que a visualização da API do Supervisor seja habilitada. Consulte Gerenciar visualizações do Azure Databricks.

Para implantar um agente de API supervisor em Aplicativos do Databricks, consulte Criar um agente personalizado usando a API de Supervisor (Beta).

Próximas etapas

Para criar agentes usando uma abordagem de código primeiro, consulte Criar um agente de IA e implantá-lo nos Aplicativos do Databricks.