Criar um agente de IA

Este artigo apresenta o processo de criação de agentes de IA no Azure Databricks e descreve os métodos disponíveis para criar agentes.

Para saber mais sobre agentes, consulte Padrões de design de sistemas de agentes.

Crie automaticamente um agente com o Agent Bricks

O Agent Bricks fornece uma abordagem simples para criar e otimizar sistemas de agentes de IA específicos do domínio e de alta qualidade para casos de uso comuns de IA. Especifique seu caso de uso e dados, e o Agent Bricks criará automaticamente vários sistemas de agente de IA para você que você pode refinar ainda mais. Consulte Agent Bricks.

Criar um agente no código

O Mosaic AI Agent Framework e o MLflow fornecem ferramentas para ajudá-lo a criar agentes prontos para a empresa em Python.

O Azure Databricks suporta agentes de autoria usando bibliotecas de autoria de agentes de terceiros como LangGraph/LangChain, OpenAI, LlamaIndex ou implementações personalizadas em Python.

Para começar rapidamente, veja Começar com agentes de IA. Para mais detalhes sobre agentes de autoria com diferentes frameworks e funcionalidades avançadas, consulte Criar um agente de IA e implementá-lo nas aplicações Databricks.

Agentes protótipos com AI Playground

O AI Playground é a maneira mais fácil de criar um agente no Azure Databricks. O AI Playground permite que o utilizador selecione entre vários LLMs e adicione rapidamente ferramentas aos LLMs usando uma interface de utilizador de baixo código. Em seguida, você pode conversar com o agente para testar suas respostas e, em seguida, exportar o agente para o código para implantação ou desenvolvimento posterior.

Veja Comece: Consulte LLMs e protótipe agentes de IA sem qualquer código.

Compreender as assinaturas de modelo para garantir a compatibilidade com os recursos do Azure Databricks

O Azure Databricks usa Assinaturas de Modelo MLflow para definir o esquema de entrada e saída dos agentes. Recursos de produtos como o AI Playground pressupõem que seu agente tenha uma de um conjunto de assinaturas de modelo suportadas.

Se seguir a abordagem recomendada para criar agentes usando a interface ResponsesAgent, o MLflow irá inferir automaticamente uma assinatura para o seu agente compatível com as funcionalidades do produto Azure Databricks.

Caso contrário, deve garantir que o seu agente adere a uma das outras assinaturas disponíveis no esquema do agente de entrada e saída legado (Model Serving), para garantir a compatibilidade com as funcionalidades do Azure Databricks.