Aller au contenu principal

Démarrage rapide d'Agent Bricks

info

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 init génère l'ossature du projet et écrit agent.toml.
  • agentbricks dev exécute l'agent localement, en utilisant le même runtime et le même environnement que ceux utilisés par Databricks.
  • agentbricks deploy assure le provisionnement des ressources déclarées et déploie l'application.

Cycle de vie de la CLI Agent Bricks : phases d'initialisation (init), de développement (dev) et de déploiement avec leurs actions clés

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 dev échoue en raison de la version de Python, voir Dépannage.

  • uv, qui exécute le projet échafaudé pour agentbricks init, agentbricks dev et agentbricks deploy.

  • Installez l'Agent Bricks CLI. Pour l'installer en tant qu'outil uv, exécutez la commande suivante :

    Bash
    uv tool install databricks-agentbricks

    Pour l’installer avec pip à la place, exécutez pip 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 :

Bash
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:

Bash
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 :

Bash
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 :

Bash
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 nouveau id.
  • 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 :

Bash
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 :

Bash
agentbricks deployments logs agent-bricks-my-agent

Étape 6 : Tester l’agent déployé​

Envoyer une requête à l’agent déployé :

Bash
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​