Ajan Bricks nedir?

Agent Bricks, Azure Databricks aracı geliştirici platformudur. Agentic ürünlerinizi ve iş akışlarınızı güçlendiren ajanları oluşturmak ve dağıtmak için kullanın. Agent Bricks, kod yazan geliştiriciler için tasarlanmıştır. Herhangi bir çerçeve veya altyapıyla oluşturulmuş bir ajan getirirsiniz ve herhangi bir modeli seçersiniz.

Agent Bricks, bir üretim ajanı oluşturmak için temel iş akışlarını destekler:

• Ajanınızı dağıtın: Agent Runtime, herhangi bir framework veya harness ile oluşturulmuş ajanları, durumlu veya durumsuz olsun, barındırır; AgentKit ise çalıştırmaların yeniden başlatma ve çökmelerden sonra da sürmesini sağlayan dayanıklı yürütme ekler.
• Kodu güvenli çalıştırın: Ajanlar, yazdıkları kodu Databricks Sandbox'ta çalıştırırlar; bu, ana dizini oturumlar arasında kalıcı olan izole bir ortamdır.
• Ajanınızın bağlamını zenginleştirin: Ajanın hafızası ve oturumları , ajanınızın önceki konuşmalarda öğrendiklerini hatırlamasını sağlar, böylece yanıtları kişiselleştirebilir ve token maliyetlerini azaltabilir.
• Ajanınızda hata ayıklayın ve test edin: MLflow Tracing, ajanınızın attığı her adımı kaydeder ve Unity Catalog'da izleri ölçekli olarak depolayıp yönetebilirsiniz.

Agent Bricks CLI, bu hizmetlere bağlanan ajan kodunun iskeletini oluşturur. Kodlama ajanları da dahil olmak üzere yerel olarak yineleme yapabilir ve ardından ajanınızı dağıtabilirsiniz.

Agent Bricks'in diğer Azure Databricks teklifleriyle ilişkisi:

• Genie Agents: Genie Agents, kodsuz ajanlar yaratmak içindir; örneğin tablolarınız ve belgeleriniz üzerinden soruları yanıtlayan ajanlar gibi. Agent Bricks, kendi ajan kodunu yazan geliştiriciler içindir. Özel bir ajan, Genie Agent'leri araç olarak çağırabilir.
• Genie One: Genie One, veri hakkında soru sormak, gösterge panellerini görüntülemek ve kod yazmadan uygulamaları kullanmak isteyen iş kullanıcıları içindir. Agent Bricks, ajanları kendileri inşa eden geliştiriciler içindir. Özel bir ajan, iş bağlamınızdan yararlanmak için Genie One'ı bir araç olarak çağırabilir.
• Omnigent: Omnigent, kodlama ajanları gibi birden fazla ajanı bir araya getiren ve koordine eden bir meta-harness'tir. Omnigent ile Agent Bricks üzerinde dağıtıp çalıştıracağınız özel bir ajan geliştirebilirsiniz.

Bir ajanın bileşenleri

Ajan, bir talebi algılayan, ne yapacağına karar veren ve bir hedefe ulaşmak için harekete geçen bir yapay zeka sistemidir. Tek bir model çağrısının aksine, bir ajan bir döngü çalıştırır. İstek üzerinde bir modelle akıl yürütür, bilgi toplamak veya eylem almak için araçları çağırır, sonuçları gözlemler ve yanıt verebilene kadar bunu tekrarlar.

Bir üretim ajanı genellikle aşağıdaki bileşenleri birleştirir:

• Agent döngüsü (framework veya harness): Kodunuz. Ajan döngüsü, LangGraph veya OpenAI Agents SDK gibi bir çerçeve veya altyapı kullanılarak oluşturulur ve ajanın nasıl davranacağını tanımlayan talimatlar ve orkestrasyon mantığını içerir.
• Model: Her adım hakkında akıl yürüten ve bir sonraki olarak hangi eylemi gerçekleştireceğine karar veren büyük dil modeli (LLM).
• Araçlar: Ajanın, iş verileriniz dahil olmak üzere veri almak veya başka bir sistemin durumunu değiştirmek için çağırdığı fonksiyonlar. Örnek olarak, ajanın yazdığı kodu çalıştıran Model Context Protocol (MCP) sunucuları, API'ler ve kum havuzları bulunur.
• Ajan durumu: Temsilcinin takip ettiği şey. Ajan durumu, mevcut oturumu (yani devam eden konuşma veya görev) ve hafızayı, yani ajanın oturumlar boyunca öğrendiği ve hatırladığı şeyi içerir.
• Agent sunucusu: Ajan döngüsünü bir HTTP sunucusu içinde sarmalayan kütüphane. İstemcilerin çağırdığı API'yi açığa çıkarır, istemci bağlantılarını yönetir ve her çalıştırmanın durumunu bir Çalışma Zamanı Deposunda tutarak, dayanıklılığı yönetir.
• Ajan çalışma zamanı: Ajan sunucusunu çalıştıran ve barındırma, kimlik ve ölçeklendirme işlemlerini yöneten yönetilen hesaplama.
• Gözlemlenebilirlik: Ajanın attığı her adımı kaydeden izler ve çıktısının iyi olup olmadığını ölçen değerlendirmeler.
• Yönetişim: Ajanın hangi modelleri, araçları ve verileri kullanabileceğini kontrol eden kimlik, izinler ve politikalar.

Çerçeve veya harness, ajan sunucusu ve ajan çalışma zamanı birlikte ajan hesaplama yığını oluşturur. Bkz. Deploy agents on Azure Databricks.

Üretimde ajan oluşturmanın zorlukları

Prototip bir ajan, bir öğleden sonrasında dizüstü bilgisayarda çalışabilir. Gerçek kullanıcılar için ajanları güvenilir şekilde çalıştırmak daha zor. Kendi başlarına ajanlar inşa eden ekipler, ajanı geliştirmek yerine çoğu zamanlarının çoğunu altyapıyı kurmaya ve işletmeye harcarlar. Ortak zorluklar beş alana ayrılır:

• Model erişimi: Ekipler, en gelişmiş ve açık modeller arasında seçim yapmalı, kodu yeniden yazmadan modelleri değiştirmeli veya yükseltmeli ve üretim ölçeğinde yeterli kapasite elde etmeli; tüm bunları maliyeti ve erişimi kontrol altında tutarken yapabilmelidir.
• Hesaplama: Ajanlar, trafikle ölçeklenen, uzun süreli çalışmaların yeniden başlatmalar ve arızalar sırasında da devam etmesini sağlayan ve her oturumu izole eden hesaplamaya ihtiyaç duyar. Kod yazan ve kod çalıştıran ajanların bunu çalıştırmak için güvenli bir yere ihtiyacı vardır.
• Bağlam: Ajanlar, doğru zamanda doğru veriye sahip olduklarında daha iyi cevaplar verirler. Bu, kalıcı konuşma durumu, oturumlar boyunca kalıcı bellek ve veri kopyalamadan veya kimlik bilgilerini paylaşmadan iş verilerine ve araçlara güvenli erişim gerektirir.
• Kalite: Ajanlar açık uçlu, deterministik olmayan çıktı üretir, bu yüzden neyin "iyi" olduğunu tanımlamak ve ölçmek zordur. İz sürme ve değerlendirme olmadan takımlar başarısızlıkları ayıklayamaz, paydaşlara kaliteyi kanıtlayamaz veya üretimdeki regresyonları yakalayamaz.
• Yönetişim ve kontrol: Ajanlar veri üzerinde işlem gerçekleştirir ve dış hizmetleri çağırır. Birleşik izinler, politikalar ve kullanım takibi olmadan, organizasyonlar veri sızıntısı, uyum açıkları, yetkisiz kullanım ve beklenmedik maliyetler riski altındadır. Ekipler ayrıca temsilcilerini tek bir model sağlayıcıya veya buluta kilitlemekten kaçınmak ister.

Agent Bricks bu zorlukları nasıl ele alıyor

Agent Bricks, yığının her katmanı için yönetilen bir yapı bloğu sağlar. Bileşenler tek bir kimlik ve yönetişim modelini paylaşır ve birlikte çalışır, ancak her birini ayrıca kullanabilirsiniz. Çerçeve, harness ve model seçimlerinizi koruyacaksınız.

Zorluk	Agent Bricks bileşenleri
Model erişimi	Unity Gateway ve Foundation Model API'leri
Compute	Agent Server (DurableAgentServer), Agent Runtime ve Databricks Sandbox
Context	Ajan belleği ve ajan oturumları, MCP sunucuları ve ajan araçları, AI Arama ve Genie Agentleri
Nitelik	MLflow iz sürme, değerlendirme ve izleme
İdare ve denetim	Unity Kataloğu ve Unity Gateway politikaları ile her türlü çerçeve, koşum ve model için destek

Agent Bricks CLI'yi kullanmaya başlayın

Agent Bricks CLI, boş bir dizinden dağıtılmış bir ajana kadar rehberli bir yol sunar. Bir framework şablonundan bir proje oluşturur, ajanı yerel olarak çalıştırır ve model erişimi, bellek, oturumlar, araçlar ve izleme zaten yapılandırılmış şekilde dağıtır. Deklaratif agent.toml bir dosya, ajanın bağımlı olduğu yönetilen kaynakları kaydeder. İlk ajanınızı oluşturmak için Agent Bricks hızlı başlangıç konusuna bakın.

Models

Unity Gateway, ajanınıza öncü ve açık modeller için tek bir API sunar; bunlara, Azure Databricks'in Foundation Model API'leri üzerinden barındırdığı modeller ve dış sağlayıcılardan gelen modeller dahildir. Ajan kodunu değiştirmeden modelleri değiştirebilirsiniz. Unity Gateway ayrıca ajanlarınızın kullandığı MCP sunucularını ve skills'i yönetir ve üzerinden geçen taleplere oran sınırları, koruma engelleri ve kullanım takibi uygular.

Compute

• Agent server: DurableAgentServer ajan döngüsünüzü sarar ve çağrı API'sini sunar; eşzamanlı, akış ve arka plan istekleri, kalıcı çalıştırma durumu ve çökme kurtarma ile. Agent Bricks CLI ile oluşturduğunuz ajanlar varsayılan olarak onu kullanır.
• Agent runtime: Agent Runtime, Databricks Apps üzerinde ajan sunucusunu kararlı, doğrulanmış bir uç noktada çalıştırır. agentbricks deploy temsilcinizin ihtiyaç duyduğu kaynakları hazırlar ve ona bunlara erişim izni verir. Dağıtılmış bir aracıyı sorgulamak için Azure Databricks üzerinde dağıtılan aracıları sorgulama bölümüne bakın.

• Databricks Sandbox: Databricks Sandbox, ajanınızın yazdığı kodu izole bir ortamda çalıştırmak için çağırdığı bir araçtır ve yönetilen verilerinize sınırlı erişim sağlar.

Bu katmanların nasıl birbirine uyduğunu öğrenmek için Deploy agents on Azure Databricks bölümüne bakınız.

Context

• Yönetilen bellek ve oturumlar: Oturumlar bir konuşmanın veya görevin durumunu saklar, hafıza ise bir ajanın sonraki konuşmalarda hatırladığı gerçekleri ve tercihleri saklar. Her ikisi de Lakebase tarafından desteklenen ve herhangi bir framework'le çalışan yönetilen depolardır. Ajan belleği ve oturumlar bölümüne bakın.
• Genie One ile birleşik iş bağlamı: Genie One MCP sunucusu , ajanınıza organizasyonunuzun birleşik iş bağlamını sunar. Ajan doğal dilde bir soru sorar ve Genie, iş terimlerini, metrik tanımlarını ve tablo ilişkilerini çözümlemek için Genie Ontology'yi kullanarak yönetilen verileriniz genelinde yanıt verir. Unity Kataloğu izinleri uygulanır, bu yüzden ajan yalnızca erişebileceği verileri sorgulayabilir. Agent Bricks CLI projesine eklemek için agentbricks tools add genie-oneçalıştırın.
• Araçlar ve MCP sunucuları: Ajanları Genie Agents, AI Search, Unity Catalog fonksiyonları ve SQL için Azure Databricks tarafından yönetilen MCP sunucularına veya özel ve harici MCP sunucularına bağlayın. MCP'lere Bkz.
• Yapay Zeka Araması: İlgili yapılandırılmamış içeriği Databricks AI Search ile alın, geri getirmeli artırılmış üretim (RAG) uygulamaları için de dahil.
• İş verileri: Ajanları, kuruluşunuzun zaten Unity Catalog'da yönettiği tablolar, dosyalar ve Genie Agents üzerine temellendirin.

Gözlemlenebilirlik ve kalite

Azure Databricks tarafından yönetilen MLflow, ajanlar için iz sürme, değerlendirme ve izleme sağlar. MLflow Tracing bir ajanın geliştirme ve üretim sürecinde attığı her adımı kaydeder. Değerlendirme, kaliteyi ölçmek için yerleşik LLM değerlendiricileri, özel puanlayıcılar ve uzman geri bildirimleri kullanır ve üretim izleme gerilemeleri tespit eder. İzleri Unity Catalog'da depolayabilir ve ölçekli olarak analiz edebilirsiniz. Bkz. Ajan gözlemlenebilirlik ve kalitesi nedir?.

İdare ve denetim

• Birleşik yönetişim: Unity Catalog, temsilcilerinizin kullandığı verileri, araçları, modelleri ve ajanları izinler ve veri soyağacı ile yönetir.
• Modeller, MCP sunucuları ve beceriler politikaları: Unity Gateway, modellere, MCP sunucularına ve becerilere erişimi yönetir ve yönlendirdiği çağrılarda koruma engelleri, hız sınırları ve kullanım takibi uygular.
• Seçim: Herhangi bir çerçeve veya çalıştırma ortamı ve herhangi bir modeli kullanın ve aracınızı yeniden yazmadan modelleri değiştirin.

Agent geliştirme yaşam döngüsü

Bir prodüksiyon ajanı oluşturma süreci yinelemeli bir süreçtir. Aşağıdaki adımlar tipik bir yaşam döngüsünü tanımlar.

1. Kullanım durumunu ve başarı kriterlerini tanımlayın: Ajanın ne yapacağı, kimlerin kullanacağı ve kalite, maliyet ile gecikmeyi nasıl ölçeceğiniz konusunda anlaşın. Örnek talepleri ve beklenen yanıtları erken toplayın.
2. İlk bir temsilci oluşturun: İşe yarayan en az karmaşık tasarımla başlayın. Ajanı modellere, MCP sunucularına ve yeteneklere Unity Gateway üzerinden bağlayın ve yerel olarak çalıştırın.
3. Kaliteyi değerlendirin ve yineleyin: Davranışı hata ayıklamak için izler kullanın, gerçek talepler ve uzman geri bildirimlerinden bir değerlendirme veri seti oluşturun ve her değişikliğin istemele, araçlara veya modellere etkisini ölçmek için değerlendirmeler yapın.
4. Dağıtın: Ajan sunucusunu, ajan çalışma zamanına, aracının ihtiyaç duyduğu depolar, araçlar ve izinlerle birlikte dağıtın.
5. Üretimi takip edin ve geliştirin: Üretim izleri ve puanlayıcılarla kaliteyi izleyin, kullanıcı geri bildirimlerini toplayın ve öğrendiklerinizi değerlendirmeye aktarın.

Azure Databricks'te Agent Bricks ve diğer ajan teklifleri

• Genie One: İş kullanıcılarının kod yazmadan veriler hakkında doğal dilde sorular sormasını, panoları görüntülemesini ve uygulamaları kullanmasını sağlayan Azure Databricks deneyimi. Agent Bricks üzerine inşa edilen özel bir ajan, Genie One'ı bir araç olarak çağırabilir. Agent Bricks CLI projesine eklemek için agentbricks tools add genie-oneçalıştırın.
• Genie Agents: Tablolarınız ve belgeleriniz üzerinden soruları yanıtlayan ajanlar oluşturmak için düşük kodlu bir yöntem. Özel ajan koduna ihtiyacınız olmadığında Genie Agent'ları kullanın. Özel temsilcileriniz de Genie Agent'leri araç olarak çağırabilir.
• Omnigent: Kodlama ajanlarını birleştirmek gibi ajanlarla iş birliği yapmak ve onları bir araya getirmek için bir meta-çerçeve. Omnigent'i Agent Bricks üzerinde çalışan özel ajanlar geliştirmek için kullanabilirsiniz.
• Eski ajan oluşturucular: Knowledge Assistant ve Supervisor Agent gibi önceki ürünler artık yeni ajanlar için önerilmiyor. Legacy agent tekliflerine bakın.

Ek kaynaklar

• Agent Bricks hızlı başlangıç: İlk ajanınızı Agent Bricks CLI ile oluşturun ve dağıtın.
• Azure Databricks'te ajanları dağıtın: Ajanların nasıl dağıtıldığını ve servis edildiğini öğrenin.
• Ajan gözlemlenebilirliği ve kalitesi nedir?: Ajanınızın izini sürün, değerlendirin ve izleyin.
• Databricks Üzerine Yapay Zeka: Kullanım durumları, müşteriler ve diğer kaynaklar.
• Agent Bricks SSS: Agent Bricks hakkında sıkça sorulan soruların yanıtları.