CLI databricks air 可在 AI Runtime（按需的無伺服器 GPU 運算平台）上執行單節點及多節點 GPU 工作負載。 在 YAML 中定義工作負載的運算、環境與指令，然後使用databricks air run提交它。
AI Runtime 負責 GPU 配置與環境設定，並提供運行狀態、日誌、系統指標及 MLflow 追蹤。 YAML 與 CLI 工作流程自然地與編碼代理合作，代理能定義、提交及監控工作負載。
使用 CLI 來：
- 在本地環境中開發並迭代 Python 應用程式。
- 在 YAML 檔案中定義可重複的單節點或多節點工作負載，並可納入版本控制。
- 從終端機或自動化開發工作流程提交並管理工作負載項目。
典型工作負載包括 LLM 微調與後訓練、分散式訓練、批次推論、Ray 應用程式及超參數搜尋。
關於工作區需求，請參見 需求。 要提交工作負載，請依照 快速入門。
Data bricks 的 CLI 指令用於 AI 執行環境，符合與 AI 執行環境工作負載相同的合規標準。 關於支援的標準與例外，請參見 合規安全設定檔。
Note
databricks air指令與工作負載設定與套件中databricks-air舊有的基於 air Python 的 CLI 不同。 請參見 Python CLI 遷移。
探索可執行的範例
AI Runtime Cookbook 包含可執行的 Databricks CLI 工作負載，用於模型訓練、微調、批次推論、Ray 及超參數搜尋。 每個配方包含一個工作負載的 YAML 檔案、原始碼及執行指令。
工作負載的運作方式
你提供工作負載的 YAML檔案、需要時的應用程式代碼，以及啟動應用程式的指令。 提交工作負載時：
- 工作負載定義會根據支援的結構與配置限制進行驗證。
- 若
code_source已設定，所選程式碼會以快照形式打包並上傳。 - 每個節點上均已準備好所需的 GPU 運算與環境。
- 工作負載 YAML 提供的指令會在每個節點執行。
提交時會回傳一個工作執行 ID，用以識別工作負載。 用它來檢查狀態、檢查日誌和設定，或取消工作負載。 你也可以查看 Jobs 執行頁面和 MLflow 實驗，以了解執行細節、系統指標、日誌和產物。
此工作流程提供管理型 GPU 佈建、可重現環境設定及內建可觀察性，無需配置或維護 GPU 基礎設施。
工作負載設定
工作負載 YAML 檔案描述以下元件：
- 實驗：追蹤工作負載的 MLflow 實驗和執行記錄。
- 環境：受管理的環境、相依關係或 自訂的 Docker 映像 。
- Compute：加速器類型及可配置的加速器數量。
- 程式碼來源：可選的應用程式程式碼快照，供工作負載使用。
- Command：啟動應用程式的 shell 指令。
- 執行階段設定：如重試、逾時、環境變數、機密與權限等選項。
關於組態欄位與範例，請參見 Workload YAML 參考。
上傳應用程式程式碼
用 code_source 來透過工作負載上傳應用程式檔案。 AI 執行時會讓上傳的目錄在每個節點上都能使用，並設定 $CODE_SOURCE_PATH 為其位置。 例如，以下指令會在已上傳的目錄中執行 train.py：
command: python "$CODE_SOURCE_PATH/train.py"
你可以上傳目前的工作樹，或選擇 Git 分支或提交。 完整範例請參考 快速入門。
開發與管理工作負載
開發通常遵循以下流程：
- 在本地開發應用程式程式碼和工作負載 YAML。
- 在本機使用
databricks air run --file <file> --dry-run驗證 YAML。 - 使用
databricks air run --file <file>提交工作量。 在執行完成前，將--watch新增至串流日誌。 - 使用
databricks air get、databricks air list、databricks air logs來檢查工作負載與日誌。 - 可選擇使用
databricks air cancel停止正在執行的工作負載。
關於所有指令與旗標，請參見 air 指令群組。
無論是排程執行、多工工作流程，或跨環境推廣，您都可以使用 databricks air convert-to-dabs 作為套件的起點。 請參見 「排程 GPU 工作負載與組合任務」。
用 MLflow 追蹤工作流程
每個提交的工作負載都以 Databricks 作業執行個體呈現，並透過 MLflow 實驗進行追蹤：
- Databricks 工作執行：顯示工作負載狀態、執行嘗試次數及工作執行頁面的輸出。
- MLflow 實驗：包含自動擷取的系統指標、工作負載設定及日誌的 MLflow 執行。 你的應用程式也可以使用 MLflow API 來記錄自訂參數、指標和產物。
使用工作執行 ID 搭配例如 databricks air get、databricks air logs 和 databricks air cancel 等指令。 參見 實驗追蹤與可觀測性。
執行單節點與分散式工作負載
AI Runtime 會在每個已配置的節點上執行一次已設定的指令。 對於分散式工作負載，它提供協調變數，如 NUM_NODES、NODE_RANK、LOCAL_WORLD_SIZE、MASTER_ADDR 和 MASTER_PORT。
此執行模型與框架無關。 你的指令必須啟動並設定分散式框架，例如呼叫 torchrun、某個 Ray bootstrap 腳本，或其他框架啟動器。 完整工作負載請參考 AI Runtime Cookbook。
使用 AI 代理
databricks-ai-runtime代理技能提供指引，協助 AI 代理（如 Claude Code、Cursor 和 Codex）透過 Databricks CLI 與 AI Runtime 協作。 用它來建立工作負載 YAML、提交 GPU 訓練工作、檢查運行狀態、串流日誌，以及取消執行。 同時也包含自訂 Docker 映像檔的指引。
安裝 Databricks CLI 並設定驗證後，請執行以下指令：
databricks aitools install --skills-only --skills databricks-ai-runtime
依照提示選擇你的 AI 助理和安裝範圍選項。 關於安裝選項，請參見 aitools 指令群組。 關於技能涵蓋的內容，請參見「使用 AI Runtime 的代理人技能」。