O que é Agent Bricks?

Agent Bricks é a plataforma de desenvolvimento de agentes do Azure Databricks. Utilize-o para construir e implementar os agentes que alimentam os seus produtos e fluxos de trabalho com agentes. O Agent Bricks foi criado para programadores que escrevem código. Trazes um agente construído com qualquer framework ou harness e escolhes qualquer modelo.

Agent Bricks oferece suporte aos fluxos de trabalho centrais para construir um agente de produção:

  • Implemente o seu agente: O Agent Runtime hospeda agentes construídos com qualquer framework ou harness, stateful ou stateless. DurableAgentServer, parte da biblioteca AgentKit, adiciona execução durável para que as execuções sobrevivam a reinicios e crashes.
  • Executar código em segurança: Os agentes executam o código que escrevem no Databricks Sandbox, um ambiente isolado cujo diretório principal persiste entre sessões.
  • Dê contexto ao seu agente: A memória gerida do agente permite ao agente recordar o que aprendeu em conversas anteriores, para que possa personalizar as suas respostas.
  • Depure e teste o seu agente: MLflow Tracing regista cada passo que o seu agente realiza, e pode armazenar e governar traces em escala no Unity Catalog.

A CLI do Agent Bricks estrutura o código do agente que se liga a estes serviços. Podes iterar localmente, incluindo com agentes de codificação, e depois implementar em escala a partir do ficheiro declarativo agent.toml que regista os recursos do teu agente.

Como o Agent Bricks se relaciona com outras ofertas do Azure Databricks:

  • Agentes Genie: Os Agentes Genie servem para criar agentes sem código, como agentes que respondem a perguntas sobre as suas tabelas e documentos. O Agent Bricks é para programadores que escrevem o seu próprio código de agente. Um agente personalizado pode chamar Genie Agents como ferramentas.
  • Genie One: O Genie One é para utilizadores empresariais que querem colocar questões sobre dados, visualizar painéis e usar aplicações sem escrever código. O Agent Bricks é para desenvolvedores que criam os agentes eles próprios. Um agente personalizado pode chamar o Genie One como uma ferramenta para recorrer ao contexto do seu negócio.
  • Omnigent: Omnigent é uma metaestrutura que compõe e coordena múltiplos agentes, como agentes de codificação. Podes usar o Omnigent para desenvolver um agente personalizado que implementas e executas no Agent Bricks.

Componentes de um agente

Um agente é um sistema de IA que percebe um pedido, decide o que fazer e age para alcançar um objetivo. Ao contrário de uma única chamada de modelo, um agente executa um ciclo. Raciocina sobre o pedido com um modelo, chama ferramentas para recolher informação ou tomar ações, observa os resultados e repete até conseguir responder.

Componentes de um agente: pedidos de utilizadores, aplicações e agentes chegam ao runtime do agente, que executa o servidor do agente, que mantém o estado de execução durável e envolve o ciclo do agente construído com uma estrutura ou harness. O loop raciocina com um modelo, chama ferramentas e lê e escreve o estado do agente, com observabilidade e governação à sua volta.

Um agente de produção normalmente combina os seguintes componentes:

  • Framework ou harness: O seu código. O loop do agente, construído com uma framework ou harness como o LangGraph ou o OpenAI Agents SDK, mais as instruções e a lógica de orquestração que definem o comportamento do agente.
  • Modelo: O grande modelo de linguagem (LLM) que raciocina sobre cada passo e decide qual ação tomar a seguir.
  • Ferramentas: Funções que o agente invoca para recuperar dados, incluindo os dados do seu negócio, ou para alterar o estado de outro sistema. Exemplos incluem servidores Model Context Protocol (MCP), APIs e sandboxes que executam o código que o agente escreve.
  • Estado do agente: O que o agente acompanha. O estado do agente inclui a sessão atual, que é a conversa ou tarefa em curso, e a memória, que é o que o agente aprende e recorda ao longo das sessões.
  • Servidor do agente: A biblioteca que envolve o loop agente num servidor HTTP. Expõe a API que é chamada pelos clientes, gere as ligações dos clientes e assegura a durabilidade ao manter o estado de cada execução numa Runtime Store.
  • Runtime do agente: A computação gerida que executa o servidor do agente e gere o alojamento, a identidade e a escalabilidade.
  • Observabilidade: Rastreios que registam cada passo dado pelo agente e avaliações que medem se o seu resultado é bom.
  • Governação: Identidade, permissões e políticas que controlam quais modelos, ferramentas e dados o agente pode utilizar.

A framework ou harness, o servidor agente e o runtime do agente formam juntos a pilha de computação do agente. Veja Deploy agents on Azure Databricks.

Desafios da criação de agentes em produção

Um agente protótipo pode executar num portátil numa tarde. Executar agentes de forma fiável para utilizadores reais é mais difícil. As equipas que constroem agentes por conta própria muitas vezes passam a maior parte do tempo a montar e operar infraestrutura em vez de melhorarem o agente. Os desafios comuns dividem-se em cinco áreas:

  • Acesso ao modelo: As equipas precisam de escolher entre modelos de fronteira e abertos, mudar ou atualizar modelos sem reescrever código e obter capacidade suficiente em escala de produção, tudo isto enquanto controlam custos e acesso.
  • Computação: Os agentes precisam de computação que escale com o tráfego, mantenha o trabalho de longa duração vivo através de reinicios e falhas, e que isole cada sessão. Os agentes que escrevem e executam código precisam de um local seguro para o executar.
  • Contexto: Os agentes dão melhores respostas quando têm os dados certos no momento certo. Isso requer um estado de conversa duradouro, memória que persista entre sessões e acesso seguro a dados e ferramentas empresariais sem copiar dados ou partilhar credenciais.
  • Qualidade: Os agentes produzem resultados abertos e não determinísticos, por isso "bom" é difícil de definir e medir. Sem rastreio e avaliação, as equipas não conseguem depurar falhas, provar qualidade aos stakeholders ou detetar regressões em produção.
  • Governação e controlo: Os agentes atuam sobre os dados e contactam serviços externos. Sem permissões, políticas e monitorização de utilização unificadas, as organizações correm o risco de fuga de dados, lacunas de conformidade, uso não autorizado e custos inesperados. As equipas também querem evitar prender os seus agentes a um único fornecedor de modelos ou cloud.

Como o Agent Bricks aborda estes desafios

O Agent Bricks fornece um building block gerido para cada camada da pilha. Os componentes partilham um único modelo de identidade e governação e funcionam em conjunto, mas também pode usar cada um isoladamente. Mantém o seu framework, harness e escolhas de modelos.

Plataforma Agent Bricks: o seu agente corre em Agent Runtime com execução duradoura e recuperação em caso de falhas. O Unity Gateway liga-o a modelos Frontier e open-weight e governa os seus servidores e competências MCP, o Sandbox executa código isoladamente, os servidores MCP fornecem ferramentas, a memória gerida armazena contexto no Lakebase, e o MLflow fornece rastreio e avaliação.

Desafio Componentes do Agent Bricks
Acesso a modelos APIs do Unity Gateway e Foundation Model APIs
Computação Agent Server (DurableAgentServer), Agent Runtime e Databricks Sandbox
Context Memória de agente gerida e sessões de agentes geridos, servidores MCP e ferramentas de agentes, Pesquisa de IA e Agentes Genie
Quality Rastreio, avaliação e monitorização do MLflow
Governação e controlo Políticas do Unity Catalog e do Unity Gateway , além de suporte para qualquer framework, harness e modelo

Comece com a CLI do Agent Bricks

A Agent Bricks CLI fornece um caminho guiado de um diretório vazio para um agente implementado. Ele estrutura um projeto a partir de um modelo de framework, executa o agente localmente e implanta-o com acesso ao modelo, memória, sessões, ferramentas e rastreio já configurados. Um ficheiro declarativo agent.toml regista os recursos geridos dos quais o agente depende. Para construir o seu primeiro agente, consulte o quickstart do Agent Bricks.

Models

O Unity Gateway oferece ao seu agente uma única API para modelos frontier e abertos, incluindo modelos que o Azure Databricks aloja através das Foundation Model APIs e modelos de fornecedores externos. Podes mudar de modelo sem mudar o código do agente. O Unity Gateway também gere os servidores MCP e skills que os teus agentes utilizam, aplicando limites de taxa, guardrails e rastreamento de utilização aos pedidos que passam por ele.

Computação

  • Servidor de agente: DurableAgentServer envolve o seu loop de agentes e serve a API de invocação, com pedidos síncronos, de streaming e em segundo plano, estado de execução persistente e recuperação de crash. Os agentes que crias com a CLI Agent Bricks usam-na por defeito.
  • Runtime do agente: O runtime do agente executa o servidor agente no Databricks Apps num endpoint estável e autenticado. agentbricks deploy Fornece os recursos de que o seu agente precisa e concede-lhe acesso a eles. Para consultar um agente implementado, consulte Consultar agentes implementados no Azure Databricks.
  • Databricks Sandbox: Databricks Sandbox é uma ferramenta que o seu agente chama para executar o código que escreve num ambiente isolado, com acesso com âmbito definido aos seus dados governados.

Para saber como estas camadas se encaixam, consulte Deploy agents no Azure Databricks.

Context

  • Memória gerida e sessões: As sessões armazenam o estado de uma conversa ou tarefa, e a memória armazena os factos e preferências que um agente recorda em conversas posteriores. Ambas são armazenamentos geridos apoiados pela Lakebase que funcionam com qualquer framework. Ver Memória e sessões do agente.
  • Contexto empresarial combinado com o Genie One: O servidor MCP do Genie One dá ao seu agente o contexto empresarial combinado da sua organização. O agente coloca uma pergunta em linguagem natural, e o Genie responde-a em todos os seus dados governados, usando a Ontologia Genie para resolver termos de negócio, definições de métricas e relações de tabelas. As permissões do Unity Catalog aplicam-se, por isso o agente só pode consultar dados a que tem permissão para aceder. Para o adicionar a um projeto de CLI do Agent Bricks, execute agentbricks tools add genie-one.
  • Ferramentas e servidores MCP: Ligue agentes a servidores MCP geridos pelo Azure Databricks para Genie Agents, AI Search, funções do Unity Catalog e SQL, ou a servidores MCP personalizados e externos. Ver MCPs.
  • AI Search: Recupere conteúdos não estruturados relevantes com o Databricks AI Search, incluindo para aplicações de geração aumentada por recuperação (RAG).
  • Dados de negócio: Baseie os agentes nas tabelas, ficheiros e Agentes Genie que a sua organização já governa no Unity Catalog.

Observabilidade e qualidade

O MLflow gerido pelo Azure Databricks fornece rastreio, avaliação e monitorização para agentes. O MLflow Tracing regista cada passo que um agente realiza, tanto no desenvolvimento como na produção. A avaliação utiliza avaliadores LLM integrados, avaliadores personalizados e feedback de especialistas para medir a qualidade, e a monitorização em produção deteta regressões. Pode armazenar rastreios no Catálogo Unity e analisá-los em grande escala. Veja O que é a observabilidade e qualidade do agente?.

Governação e controlo

  • Governação unificada: O Unity Catalog governa os dados, ferramentas, modelos e agentes que os seus agentes utilizam, com permissões e linhagem.
  • Políticas sobre modelos, servidores MCP e competências: O Unity Gateway regula o acesso a modelos, servidores MCP e competências, e aplica proteções, limites de taxa e rastreamento de utilização nas chamadas que encaminha.
  • Escolha: Use qualquer framework ou harness e qualquer modelo, e mude de modelo sem reescrever o seu agente.

Ciclo de vida do desenvolvimento do agente

Construir um agente de produção é iterativo. Os passos seguintes descrevem um ciclo de vida típico.

  1. Defina o caso de uso e os critérios de sucesso: Concorde sobre o que o agente deve fazer, quem o utiliza e como mede a qualidade, o custo e a latência. Recolha pedidos de exemplo e respostas esperadas com antecedência.
  2. Constrói um agente inicial: Começa pelo design menos complexo que funcione. Liga o agente a modelos, servidores MCP e skills através do Unity Gateway e executa-o localmente.
  3. Avalie e itere sobre a qualidade: Use rastreios para depurar comportamentos, construa um conjunto de dados de avaliação a partir de pedidos reais e feedback de especialistas, e execute avaliações para medir o efeito de cada alteração em prompts, ferramentas ou modelos.
  4. Implementar: Implemente o servidor do agente no runtime do agente, com os armazenamentos, ferramentas e permissões de que o agente necessita.
  5. Monitorizar e melhorar na produção: Monitorize a qualidade com os rastreios de produção e os scorers, recolha feedback dos utilizadores e reintegre o que aprendeu na avaliação.

Agent Bricks e outras ofertas de agentes no Azure Databricks

  • Genie One: A experiência do Azure Databricks para utilizadores empresariais fazerem perguntas sobre dados em linguagem natural, visualizarem painéis e utilizarem aplicações, sem necessidade de escrever código. Um agente personalizado baseado em Agent Bricks pode chamar o Genie One como uma ferramenta. Para o adicionar a um projeto de CLI do Agent Bricks, execute agentbricks tools add genie-one.
  • Genie Agents: Uma forma low-code de criar agentes que respondem a perguntas com base nas suas tabelas e documentos. Usa Genie Agents quando não precisares de código personalizado para agentes. Os seus agentes personalizados também podem chamar Genie Agents como ferramentas.
  • Omnigent: Uma metaestrutura para compor e colaborar entre agentes, tais como agentes de programação. Podes usar o Omnigent para desenvolver agentes personalizados que funcionem com Agent Bricks.
  • Construtores de agentes legados: Produtos anteriores, como Knowledge Assistant e Supervisor Agent, já não são recomendados para novos agentes. Veja Outras formas de construir agentes.

Recursos adicionais

  • Última atualização a