Démarrage rapide d'Agent Bricks
Bêta
Cette fonctionnalité est en version bêta. Aucun paramètre de Workspace n’est requis pour l’activer. Installez la CLI Agent Bricks pour start.
Ce guide de démarrage rapide vous fait passer d'un répertoire vide à un agent personnalisé déployé à l'aide de l'Agent Bricks CLI (databricks-agentbricks), l'outil en ligne de commande Databricks pour créer et déployer des agents. L'Agent Bricks CLI gère l'accès aux modèles, la mémoire, les sessions, les outils et le traçage à votre place, afin que vous puissiez vous concentrer sur la logique de votre agent.
Fonctionnement de la CLI Agent Bricks
L’Agent Bricks CLI crée la structure d’un projet local à partir d’un Template de framework, avec le runtime, les tests et une interface de chat optionnelle déjà configurés. Vous écrivez la logique de l’application (modèle, outils et prompts), et la CLI l’exécute localement et la déploie. Le fichier déclaratif agent.toml constitue la source de vérité pour les ressources gérées par Databricks dont dépend votre agent, telles que les outils, la mémoire, les sessions et le traçage. agentbricks deploy le lit pour assurer le provisionnement et tout configurer.
Trois commandes permettent de faire passer un agent d'un répertoire vide à la production :
agentbricks initgénère l'ossature du projet et écritagent.toml.agentbricks devexécute l'agent localement, en utilisant le même runtime et le même environnement que ceux utilisés par Databricks.agentbricks deployassure le provisionnement des ressources déclarées et déploie l'application.
Prérequis
-
La CLI de Databricks, installée et accessible dans votre chemin d'accès.
-
Python 3.11 ou version ultérieure. Databricks recommande Python 3.12. Si l'installation ou
agentbricks devéchoue en raison de la version de Python, voir Dépannage. -
uv, qui exécute le projet échafaudé pouragentbricks init,agentbricks devetagentbricks deploy. -
Installez l'Agent Bricks CLI. Pour l'installer en tant qu'outil
uv, exécutez la commande suivante :Bashuv tool install databricks-agentbricksPour l’installer avec
pipà la place, exécutezpip install databricks-agentbricks.
Étape 1 : S'authentifier
Authentifiez-vous sur votre workspace avec OAuth, enregistrez un profil nommé et définissez-le default pour la CLI Agent Bricks :
databricks auth login --host https://<your-workspace-url> --profile <profile>
agentbricks login --profile <profile>
Étape 2 : générer le squelette du projet
Générez le squelette d’un nouveau projet d’agent en choisissant un template de framework avec --framework:
agentbricks init --framework langgraph my-agent
cd my-agent
Étape 3 : exécutez l’agent localement
Exécutez l’agent sur votre machine pour le tester avant de le déployer :
agentbricks dev
agentbricks dev sert l'application de chat et l'API de l'agent à http://localhost:8000, en utilisant la même commande et le même environnement que le runtime de l'agent Databricks, connecté au service de modèle Databricks.
Ouvrez l'URL dans un navigateur pour discuter avec l'agent. Laissez le serveur en cours d'exécution pour la prochaine étape.
Étape 4 : Tester l'agent localement
Dans un second terminal, envoyez une requête à l’API d’appel de l’agent :
curl -X POST http://localhost:8000/api/invocations \
-H 'Content-Type: application/json' \
-d "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"
Si uuidgen n’est pas disponible, remplacez chaque $(uuidgen) par un UUID quelconque.
Le corps de la requête comporte les champs suivants :
id: Un nouveau UUID pour chaque requête.session_id: La conversation à laquelle appartient la requête. Pour envoyer un message de suivi dans la même conversation, réutilisez l'ID de session avec un nouveauid.input: messages à envoyer à l'agent.
La réponse contient status de l'appel et un champ output avec les messages de l'agent. Pour tous les champs de requête, consultez le corps de la requête.
Étape 5 : Déployer l’agent
À partir du répertoire du projet, déployez l'agent sur le runtime de l'agent Databricks :
agentbricks deploy
agentbricks init a enregistré le nom my-agent dans agent.toml, donc vous ne transmettez pas de nom. La CLI crée une application nommée agent-bricks-my-agent. Utilisez ce nom dans les commandes agentbricks deployments et agentbricks endpoint.
La CLI Agent Bricks provisionne tous les magasins liés, accorde au Service Principal de l’agent l’accès à ces magasins, puis déploie le déploiement. Un premier déploiement prend quelques minutes, principalement pour start le compute de l’application. agentbricks deploy attend que l’agent réponde, puis renvoie l’URL du déploiement.
Pour revenir immédiatement au lieu d’attendre que le déploiement se termine, ajoutez --no-wait à agentbricks deploy, puis exécutez agentbricks deployments wait.
Si le déploiement échoue, consultez les logs du déploiement :
agentbricks deployments logs agent-bricks-my-agent
Étape 6 : Tester l’agent déployé
Envoyer une requête à l’agent déployé :
agentbricks endpoint invoke agent-bricks-my-agent \
--path /api/invocations \
--json "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"
Comme à l'étape 4, si uuidgen n'est pas disponible, remplacez chaque $(uuidgen) par n'importe quel UUID.
La commande recherche l'URL de l'application et s'authentifie avec votre profil default. Pour appeler l'API avec curl et un jeton OAuth à la place, voir query un agent qui utilise DurableAgentServer. Pour discuter avec l'agent dans un navigateur, ouvrez l'URL du déploiement.
Étapes suivantes
- Procédure de commande complète et fonctionnalités de la CLI Agent Bricks : Agent Bricks CLI.
- query un agent déployé : query les agents déployés sur Databricks.
- Liez la mémoire gérée et les sessions : Mémoire des agents.
- Ajoutez des outils et des services MCP : MCP.
- Consultez les traces de l’agent avec MLflow : Vue d’ensemble du traçage.