Agent Bricks CLI

Important

Bu özellik Beta sürümündedir. Bunu etkinleştirmek için herhangi bir çalışma alanı ayarı gerekmez. Başlamak için Agent Bricks CLI'sini kurun.

Agent Bricks CLI (databricks-agentbricks), kodda özel ajanlar oluşturan ve dağıtan geliştiriciler için Azure Databricks komut satırı aracıdır.

Agent Bricks CLI, terminalden özel ajanlar oluşturmak için kod öncelikli bir yoldur. Agent Bricks CLI, Databricks'in en iyi uygulamalarına dayanan yerleşik bir çerçeve kullanarak bir projeyi destekler. Ardından projeyi yerel olarak test edebilir ve Azure Databricks ajan çalışma zamanına dağıtabilir. CLI, boş bir dizinden dağıtımlı bir ajana geçmenizi sağlar; böylece çalışma zamanı, araçlar, bellek ve yönetilen kaynakları elle bağlamazsınız. Uygulama tabanlı iş akışı dahil özel ajanlar oluşturmanın diğer yolları için bkz. Eski ajan sunucusunu kullanarak Databricks Uygulamalarında ajanları çalıştır.

Prerequisites

  • Databricks CLI, kurulmuş ve yolunuzda kullanılabilir.

  • Python 3.11 veya üzeri. Agent Bricks CLI paketi Python 3.10'a yüklenir, ancak iskeletini oluşturduğu projeler Python 3.11 veya üzerini gerektirir. Databricks Python 3.12'yi öneriyor.

  • uv, agentbricks init, agentbricks dev ve agentbricks deploy için iskele projesini çalıştırır.

  • Agent Bricks CLI'sini kurun. uv aracı olarak kurmak için aşağıdakileri çalıştırın:

    uv tool install databricks-agentbricks

    Bunun yerine, pip ile yüklemek için pip install databricks-agentbricks çalıştırın. Kurulum başarısız olursa, Sorun Giderme bölümüne bakabilirsiniz.

Genel Bakış: oturum açmadan dağıtılmış bir ajana kadar

Aşağıdaki dizi, Create a new agent içindeki adımları özetler:

databricks auth login --host "https://<your-workspace-url>" --profile my-workspace
agentbricks login --profile my-workspace
agentbricks init --framework langgraph my-agent
cd my-agent
agentbricks dev
agentbricks deploy my-agent

Tip

Her komut ve komut grubu --help destekler. Örneğin, bellek komutlarını ve bayraklarını listelemek için agentbricks memory --help komutunu çalıştırın.

Agent Bricks CLI yaşam döngüsü

Agent Bricks CLI, bir framework şablonunu temel alarak, çalışma zamanı, testler ve isteğe bağlı bir sohbet kullanıcı arayüzü önceden yapılandırılmış dağıtıma hazır ajan kodlarını içeren yerel bir dizinin iskeletini oluşturur. Uygulama mantığını (model, araçlar ve istekler) yazıyorsunuz ve Komuta Sistemi bunu yerel olarak çalıştırıp Azure Databricks altyapısına dağıtmayı yönetiyor.

agent.toml ajanınızın bağımlı olduğu tüm Azure Databricks tarafından yönetilen kaynaklar için bildirimsel tek doğru kaynaktır: araç bağlamaları (veri sandbox, yönetilen Model Context Protocol (MCP) servisleri, Unity Catalog fonksiyonları) ve bellek, oturum ve takip kaynakları. agentbricks deploy her şeyi sağlamak ve yapılandırmak için bu dosyayı okur, yani dağıtımı yapan şey el yazısıyla yazılmış kurulum kodu değil, dosyanın kendisidir.

Bir ajanı boş bir dizinden üretime götüren üç komut:

  • agentbricks init projenin iskeletini paketlenmiş bir şablondan oluşturur, isteğe bağlı olarak .env dosyasını bir Databricks profiliyle doldurarak projenin hemen çalışmasını sağlar.
  • agentbricks devAgent'i Azure Databricks model serving'e karşı yerel olarak çalıştırır, böylece dağıtımdan önce test edebilirsiniz.
  • agentbricks deploy agent.toml içinde bildirilen kaynakları sağlar ve ajanı Azure Databricks ajan çalışma zamanına dağıtır.

Agent Bricks CLI yaşam döngüsü: başlatma, geliştirme ve dağıtma aşamaları temel eylemleriyle birlikte

Note

Ayrıca araçlar ekleyebilir ve bellek ile oturum depolarını yalnızca init sırasında değil, istediğiniz zaman da bağlayabilirsiniz. agentbricks tools addBu adımların herhangi biri arasında ajanınızın yapılandırmasını güncellemek için , agentbricks memory bind, ve agentbricks sessions bind kullanın.

Agent Bricks CLI yetenekleri

Capability Description
Model erişimi Agent Bricks CLI, otomatik olarak model erişimini sağlar, böylece ajanınız kimlik bilgilerini veya uç noktalarını yönetmeden Azure Databricks tarafından hizmet verilen bir modeli çağırabilir. Bkz. Databricks Foundation Model API'leri.
Yönetilen bellek Bir ajanın yazabildiği ve arayabildiği, aktör bazında bölümlenmiş ve yönetilen depolarla desteklenen uzun süreli bellek. Oturumlar arasında bilgileri ve tercihleri kalıcı tutmak için belleği kullanın ve oturum deposundan anıları çıkarmak için agentbricks memory pipeline kullanın. Ajan belleği ve Ajan bellek işlem hatları sayfalarına bakınız.
Yönetilen oturumlar Yönetilen oturum depolarında tutulan ve aktörlere göre bölünmüş konuşma transkriptleri, oturumların bağımsız kopyalara ayrılması desteğiyle desteklenir. Bkz. Agent oturumları.
Tools agent.toml içinde bildirilen Azure Databricks-managed yetenekler: bir sandbox, bir Azure Databricks-managed MCP service veya bir Unity Catalog function. Özel Python araçları doğrudan proje kodunda yazılır. MCP'lere Bkz.
İz sürme Varsayılan olarak açık olan MLflow izleme, her çalıştırmanın izlerini hata ayıklama ve izleme için proje başına bir MLflow deneyine yönlendirir. Takip genel bakışına bakınız.
Deployment Azure Databricks ajan çalışma zamanı ortamına bir ajan dağıtır, ajanın hizmet sorumlusuna ilişkilendirilmiş depolara erişim verir ve dağıtım yaşam döngüsünü yönetir.

Yeni bir ajan yarat

Adım 1: OAuth ile kimlik doğrulaması yapın ve profilinizi kaydedin

Agent Bricks CLI, Databricks CLI doğrulamasını kullanır. OAuth (kullanıcıdan makineye) ile çalışma alanınıza kimlik doğrulaması yapın ve kimlik bilgilerini adlandırılmış bir profil olarak kaydedin. Aşağıdaki iki komutu çalıştırın.

Note

Profil, ~/.databrickscfg içinde kaydedilen adlandırılmış bir bağlantı ayarları kümesidir (bir çalışma alanı URL'si ve kimlik bilgileri). Bu sayfadaki örneklerde adı my-workspace olan bir profil kullanılır. Herhangi bir isim seçin, sonra bunu --profile ile geçirin.

  1. OAuth akışını başlatmak için aşağıdaki uygulamayı çalıştırın, hostu çalışma alanı URL'niz ile değiştirin. Komut, giriş sürecini tamamlamak için bir tarayıcı açar ve ardından profili my-workspace~/.databrickscfg konumuna yazar:

    databricks auth login --host "https://<your-workspace-url>" --profile my-workspace

  2. Profili doğrulayıp sonraki komutların --profile olmadan çalıştırılabilmesi için Agent Bricks CLI varsayılanı olarak kaydetmek üzere aşağıdakini çalıştırın:

    agentbricks login --profile my-workspace

    Profilin kimlik bilgileri eksikse veya reddedildiyse, agentbricks login yeniden çalıştırır databricks auth login ve yeniden dener.

Adım 2: Ajan projesinin iskeletini oluşturun

Yeni bir ajan projesi oluşturun ve şablonu seçmek için --framework parametresini verin. Bu örnek, tarayıcı sohbet uygulamasını içeren LangGraph şablonunu kullanır:

agentbricks init --framework langgraph my-agent
cd my-agent

CLI, her çerçeve için birlikte gelen bir şablon sunar ve --framework iskeletin hangisinden oluşturulacağını seçer: LangGraph için langgraph veya OpenAI Agents SDK için openai. CLI, projenin yönetilen kaynaklarını ve araç bağlamalarını agent.toml konumuna, şablonun kaynağını ise .agentbricks/project.toml konumuna yazar. Sohbet uygulaması olmadan yalnızca API arka ucunun iskeletini oluşturmak için --disable-chat-app ekleyin.

Adım 3: Yönetilen oturum ve bellek depolarını bağlayın

Yönetilen depolar, ajanınızın konuşma geçmişini ve uzun vadeli hafızasını sürdürmesini sağlar. agentbricks init, agent.toml içinde projeye göre adlandırılmış bir oturum deposu ve bir bellek deposu ilan eder; örneğin my-agent-cuzvas-memory. agentbricks deploy eksik depoları oluşturur ve ajana erişim izni verir, böylece çoğu ajan bu adımı atlayabilir.

Farklı bir mağaza kullanmak için, adıyla bağlayın. Her komut, agent.toml içindeki mağaza adını değiştirir. Mağazayı oluşturmaz. my-agent-sessions adlı bir oturum deposunu ve my-agent-memory adlı bir bellek deposunu bağlamak için aşağıdakini çalıştırın:

agentbricks sessions bind my-agent-sessions
agentbricks memory bind my-agent-memory

Ajanı zaten mağazada olan anılarla başlatmak için, mağazayı oluşturun ve dağıtmadan önce girişler ekleyin. Agent Bricks CLI sekmesine bakın, Aracı bellekle çalışmaya başlayın.

Adım 4: İzlemeyi görüntüleme

İzleme varsayılan olarak etkindir. agentbricks init varsayılan bir MLflow deneyini bağlar /Shared/agentbricks_traces/<project>-<suffix> ve agentbricks devagentbricks deploy her çalışmanın izlerini ona gönderir.

Ajanınız bazı izler oluşturduktan sonra izleri listelemek için aşağıdakıları çalıştırın:

agentbricks tracing list

Belirli bir MLflow deneyini bağlamak için agentbricks tracing bind --experiment-id <experiment-id>çalıştırın. İzlemeyi kapatmak için agentbricks tracing unbind komutunu çalıştırın.

Adım 5: Ajanı yerel olarak çalıştırın

Aracıyı dağıtıma almadan önce makinenizde çalıştırıp test edin.

agentbricks dev

Bu, Azure Databricks ajanı çalışma zamanında kullanılan aynı komut ve ortamı kullanarak port 8000'de yerel bir sunucu başlatır. Agent Bricks CLI, ajanı Azure Databricks model servisine bağlayarak modeli yerel olarak çağırabilir. Şablon, agent/agent.py içinde varsayılan model olarak MODEL değerini ayarlar. Farklı bir model kullanmak için o değeri düzenleyin. Temsilciyle etkileşim kurmak için istekleri http://localhost:8000 gönderin.

Note

agentbricks dev hafıza veya oturum depolarına bağlanmıyor. Uzun süreli bellek kapalı ve konuşma geçmişi yalnızca yerel sunucu çalışırken sürer. Sohbet uygulaması, bir mağaza bağlı olsa bile yerel bellek için Bağlı değil gösteriyor. agentbricks deploy sonrasında hafıza bağlanır.

Adım 6: Ajanı Yerleştirin

Agenti Azure Databricks agent runtime'ına dağıtın. CLI, bağlı depoları sağlar, ajanın hizmet yöneticisine onlara erişim tanır ve dağıtımı başlatır. Konuşlandırılan ajanın adı agent-bricks-<name>.

agentbricks deploy my-agent

Dağıtım tamamlandığında, Komut Sistemi dağıtımın URL'sini döndürür. Canlı ajanınızla etkileşime girmek için bu URL'yi açın; bu otomatik olarak Azure Databricks model serving'ine bağlanır. Sonrasında dağıtımı yönetmek için, agentbricks deployments ve agentbricks deployments stopgibi komutları agentbricks deployments logs kullanın.

İlk dağıtım birkaç dakika sürüyor, çoğunlukla uygulamanın işlem kaynağını başlatmak için. Daha sonraki dağıtımlar daha hızlı. Dağıtım zaman aşımı yaparsa veya URL yanıt vermezse, Dağıtım zaman aşımına uğruyor veya URL yanıt vermiyor sayfasına bakabilirsiniz. MCP_USER_AUTH_REQUIRED Dağıtılan ajanı çağırırken hatalar için Sorun Giderme bölümüne bakınız.

Mevcut bir ajanı getirin

Eğer zaten LangGraph veya OpenAI Agents SDK ile bir ajan oluşturduysanız, bunu Agent Bricks CLI'sına taşımak ve DurableAgentServer için --existing bayrağını kullanın. CLI kodunuzu yeniden yazmaz. Bunun yerine, Claude Code veya Codex gibi bir kodlama ajanının projeyi dönüştürmek için takip ettiği geçiş talimatlarını hazırlar.

Adım 1: Göçü hazırlayın

Ajanın proje dizininden, migrasyonu hazırlayın. Ajanın kullandığı çerçeveyi belirtin: LangGraph için langgraph veya OpenAI Agents SDK için openai.

agentbricks init --framework langgraph --existing .

CLI, göç talimatlarını, kodlama ajanınız için bir istemi ve CLI'nın şablonlarından oluşturulan bir referans projesini içeren bir agent-bricks-migrate/ dizini oluşturur. Ayrıca, kodlama ajanlarını yönergelere yönlendiren becerileri .claude/skills/ ve .agent/skills/ içine ekler. Komut, uygulama kodunuzu, bağımlılıklarınızı veya .env dosyanızı değiştirmez ve çalışma alanınızda herhangi bir kaynak oluşturmaz.

Adım 2: Projeyi kodlama ajanınızla dönüştürün

agent-bricks-migrate/ içindeki istemi kodlama ajanınıza yapıştırın. Kodlama ajanı projeyi agent.toml ve bir DurableAgentServer giriş noktası kullanacak şekilde dönüştürür ve dönüşümü doğrular.

Adım 3: Dönüşümü kontrol edin

Proje dizininde agentbricks doctor çalıştırın:

agentbricks doctor .

agentbricks doctorProjenin dosyalarını kodunu çalıştırmadan veya Azure Databricks ile iletişime geçmeden denetler. Proje, geçerli bir agent.toml öğesine sahip olduğunda, DurableAgentServer öğesini bir çağırma işleyicisiyle başlattığında ve çerçevesi için adaptörü çağırdığında başarılı olur. Başarısız bir rapor, dönüşümün tamamlanmadığı anlamına gelir.

Adım 4: Temizle, çalıştır ve konuşlandır

agent-bricks-migrate/ öğesini ve ona işaret eden iki yeteneği silin ve bunları commit'lerinizin dışında tutun. Sonra ajanı agentbricks dev ile çalıştırın ve agentbricks deploy ile dağıtın.

Considerations

  • --existing LangGraph ve OpenAI Agents SDK'yı DurableAgentServer ile destekler. Bunu desteklemiyor --server custom.
  • Ajanı yönetilen bir oturum deposuna geçirmek, mevcut konuşma geçmişini taşımaz. Göç talimatları, önceki konuşmaları nasıl yöneteceğinize karar vermenizi istiyor.
  • --memory-store, --session-store ve --disable-chat-app seçenekleri referans projesini şekillendirir. Kaynak yaratmazlar.

MCP araçları ekleyin

Ajanınızı Agent Bricks CLI ile oluşturuyorsanız, projenize agentbricks tools add mcp <catalog>.<schema>.<service> ile bir MCP Hizmeti ekleyin. Komut, çalışma alanınızdaki erişebileceğiniz tüm MCP Hizmetlerini, dahili system.ai servisler ve diğer kataloglar ve şemalarda bulunan MCP Hizmetlerini kabul eder. Komut, hizmetin çalışma alanınızda var olup olmadığını kontrol eder ve aracı agent.toml içine kaydeder. Ajan, çalışma zamanında araca bağlanır, bu nedenle herhangi bir bağlantı kodu yazmanız gerekmez.

Ekleyebileceğiniz yerleşik system.ai MCP Hizmetlerini listelemek için aşağıdaki komutu çalıştırın:

agentbricks tools list --kind mcp

MCP Hizmetlerini başka bir şemada listelemek için çalıştırın agentbricks tools list --kind mcp --schema <catalog>.<schema>.

Aşağıdaki örnekler yaygın yerleşik hizmetleri ekler:

# Answer analytics questions across your workspace with Genie One.
agentbricks tools add mcp system.ai.genie_one_mcp

# Run SQL on a SQL warehouse.
agentbricks tools add mcp system.ai.dbsql

# Connect to third-party applications.
agentbricks tools add mcp system.ai.slack
agentbricks tools add mcp system.ai.github

Başka bir katalog ve şemadan, örneğin harici bir MCP sunucusundan bir MCP Servisi eklemek için onun üç bölümlü adını geçirin. --name seçeneği, aracın kimliğini agent.toml içinde ayarlar:

agentbricks tools add mcp main.tools.ticket_search --name tickets

Varsayılan olarak, bir araç isteği ajanınıza gönderen kullanıcının izinleriyle çalışır. Bunun yerine uygulamanın servis sorumlusu olarak çalıştırmak için --auth app ekleyin. Google Drive, Gmail, Google Calendar ve Microsoft 365 için, her kullanıcı ilk aramadan önce bir kez OAuth girişini tamamlar. Bağlı uygulamalara bakın.

Araçları incelemek veya kaldırmak için agentbricks tools list veya agentbricks tools remove mcp <service> çalıştırın.

Diğer araçlar için aşağıdaki sayfalara bakınız:

agent.toml Referans

agent.toml ajanınızın kullandığı Azure Databricks tarafından yönetilen kaynaklar için bildirimsel doğruluk kaynağıdır. agentbricks init Onu oluşturur, agentbricks tools add, agentbricks memory bind, agentbricks sessions bind, ve agentbricks tracing bind günceller ve agentbricks deploy kaynakları sağlamak ve erişim vermek için okur. Ayrıca bunu doğrudan düzenleyebilirsiniz.

Bölüm veya alan Description
schema_version Formatın agent.toml versiyonu. Oluşturulan projeler 1 kullanır.
[agent] framework Çerçeve şablonu: langgraph veya openai.
[agent] server Ajan sunucusu: DurableAgentServer için agentbricks, ya da kendi sunucun için custom.
[memory_store] name Ajanın kullandığı yönetilen bellek deposu.
[session_store] name Ajanın kullandığı yönetilen oturum deposu.
[tracing] experiment_name İzlere yönelik MLflow deneyi. İzlemeyi kapatmak için bölümü çıkarın.
[[tools]] Bir araç bağlama. Her aracın bir id, user veya app değerine sahip bir auth, aracı tanımlayan bir source ve isteğe bağlı bir policy vardır.
[auth.user] Kodla yazdığınız araçlar için kullanıcı yetkilendirmesi isteyin: required ve additional_api_scopes. Bkz. Kullanıcı yetkilendirmesi isteği.

Aşağıdaki örnek, agentbricks init tarafından adı my-agent olan bir LangGraph ajanı için oluşturulan dosyadır:

schema_version = 1

[agent]
framework = "langgraph"
server = "agentbricks"

[memory_store]
name = "my-agent-cuzvas-memory"

[session_store]
name = "my-agent-cuzvas-sessions"

[tracing]
experiment_name = "/Shared/agentbricks_traces/my-agent-cuzvas"

Rastgele sonek (cuzvas bu örnekte) her proje için farklıdır, bu yüzden aynı ada sahip projeler depoları veya deneyleri paylaşmaz.

Aşağıdaki örnek, agentbricks tools add tarafından yazılan araç bağlamalarını gösterir: yerleşik bir MCP servisi, bir Genie Agent ve bir sandbox:

[[tools]]
id = "web_search"
auth = "user"
source = { kind = "mcp", service = "system.ai.web_search" }

[[tools]]
id = "genie_agent"
auth = "user"
source = { kind = "genie_agent", space_id = "<space-id>" }

[[tools]]
id = "sandbox"
auth = "user"
source = { kind = "sandbox", service = "system.ai.sandbox" }

Unity Kataloğu fonksiyonu çağıran araçlar auth = "app" kullanır ve yalnızca source = { kind = "uc_function", function = "<catalog>.<schema>.<function>" } destekler.

Komut Referansı

Aşağıdaki tabloda Agent Bricks CLI komutları listelenmektedir.

Command Description
agentbricks login Bir profilin kimliğini doğrula ve varsayılan olarak kaydet.
agentbricks logout Varsayılan kaydedilen profili kimlik bilgilerini silmeden unutun.
agentbricks init --existing ile yeni bir ajan projesi oluşturun veya mevcut bir ajanı göçe hazırlayın.
agentbricks doctor Agent Bricks CLI için mevcut bir agentın ayarlandığından emin olun.
agentbricks dev Ajanı yerel olarak sohbet arayüzü ile çalıştırın.
agentbricks memory Uzun süreli belleği yönetin: bir depoyu bağlayın veya bağlantısını kaldırın, ayrıca depoları, girişleri ve bellek işlem hatlarını yönetin.
agentbricks sessions Konuşma oturumlarını yönetin: bir mağazayı bağlayın veya bağlantısını kaldırın ve oturum mağazalarını yönetin.
agentbricks tools Temsilcinin araçlarını listeleyin, ekleyin ve kaldırın.
agentbricks mcp Yönetilen MCP hizmetlerini keşfedin.
agentbricks tracing İz sürmeyi bağlayın, çözün ve inceleyin.
agentbricks deploy Agenti Azure Databricks agent runtime'ına dağıtın.
agentbricks deployments Konuşlandırılan ajanları yönetin: list, get, wait, logs, start, stop, ve delete.
agentbricks endpoint HTTP uç noktasını çağırın.
agentbricks experimental Haber verilmeksizin değişebilecek deneysel komutlar: experimental models ve experimental prompts.

Her bayrak ve seçenek için GitHub'taki Agent Bricks CLI komut referansına bakabilirsiniz.

Troubleshooting

Dağıtma başarısız oluyor çünkü çalışma alanı limitine ulaştı

Yönetilen bellek depoları ve oturum depolarının her biri çalışma alanı başına bir sınıra sahiptir. Eğer agentbricks deploy, Workspace has reached the maximum of <N> managed memory stores ile başarısız olursa, aşağıdakilerden birini yapın, sonra agentbricks deploy öğesini yeniden çalıştırın:

  • Bir yuva boşaltın. Artık ihtiyacınız olmayan depoları bulmak için agentbricks memory stores list --all çalıştırın, ardından bunları agentbricks memory stores delete <name> ile silin. Oturum depoları için agentbricks sessions stores list komutunu çalıştırın ve kullanılmayan depoları agentbricks sessions stores delete <name> ile silin.
  • Depolama alanı olmadan konuşlandır. Bellek deposu sınırı için agentbricks memory unbind komutunu çalıştırın. Oturum deposu sınırı için agentbricks sessions unbind komutunu çalıştırın. Ajan ise uzun süreli hafıza veya konuşma geçmişi olmadan çalışır.

Dağıtım zaman aşımına uğrar veya URL yanıt vermez

Kısa komut zaman aşımıyla bir script veya kodlama ajanından dağıtıyorsanız, beklemeden dağıtın, sonra ayrı bekleyin:

agentbricks deploy my-agent --no-wait
agentbricks deployments wait agent-bricks-my-agent

Varsayılan olarak, agentbricks deployments wait yaklaşık 100 saniye sonra geri döner. Çıkış kodları şunlardır:

  • 0: Ajan dağıtıldı ve çalışıyor.
  • 1: Dağıtım başarısız oldu. Yeniden denemeyi bırakın. Hatayı ve agentbricks deployments logs agent-bricks-my-agent çıktısını kontrol et.
  • 75: Konuşlandırma hâlâ devam ediyor. Aynı komutu tekrar çalıştır.

set -e kullanan bir betikte, 75 çıkış kodu betiği durdurur, bu yüzden yalnızca 75'te yeniden deneyin:

while true; do
  agentbricks deployments wait agent-bricks-my-agent && break
  status=$?
  [ "$status" -eq 75 ] || exit "$status"
done

Eğer uygulamanın bilgi işlem kaynağı zamanında başlamadığı için dağıtım başarısız olursa, uygulamanın durumunu kontrol etmek için agentbricks deployments get agent-bricks-my-agent komutunu çalıştırın. Uygulama durdurulursa, agentbricks deployments start agent-bricks-my-agentçalıştırın . Sonra tekrar çalıştırın agentbricks deploy my-agent.

Dağıtılan ajana yapılan talepler MCP_USER_AUTH_REQUIRED ile başarısız olur

Bir MCP aracı auth = "user" kullanıyorsa, dağıtılan ajan Databricks Apps'in oturum açmış kullanıcının token'ını iletmesini gerektirir. Bu, aracı çağırmayan istemler dâhil her istek için geçerlidir. Doğrudan bearer token kullanan istekler, örneğin curl çağrıları veya CI görevleri, MCP_USER_AUTH_REQUIRED hatasıyla başarısız olur.

Ajanı programatik olarak çağırmak için, aracı --auth app ile ekleyin, örneğin agentbricks tools add mcp system.ai.dbsql --auth app. Mevcut bir aracı değiştirmek için, agentbricks tools remove mcp <service> ile kaldırın, --auth app ile yeniden ekleyin ve yeniden dağıtın.

Intel Mac'te cryptography derlenirken kurulum başarısız oluyor

Intel Mac'te kaynaktan cryptography paketini oluştururken kurulum başarısız olursa, bunun yerine önceden hazırlanmış paketleri kurun. Kurulumu pip ile yapmak için aşağıdakini çalıştırın:

pip install --only-binary :all: databricks-agentbricks

Python sürümü nedeniyle kurulum veya agentbricks dev başarısız oluyor

Kurulum veya agentbricks dev bağımlılık oluştururken başarısız olursa, python3 --version ile Python sürümünüzü kontrol edin. Scaffolded projeler Python 3.11 veya üzerini gerektirir ve Databricks Python 3.12'yi önerir. Yeni Python sürümlerinde, bazı bağımlılıklar önceden hazırlanmış paketlere sahip olmayabilir. CLI'yi Python 3.12 ile kurmak için aşağıdakileri çalıştırın:

uv tool install --python 3.12 databricks-agentbricks

Ek kaynaklar

  • Son güncelleştirme: