Démarrage rapide de Unity Gateway

Envoyez votre première requête via Unity Gateway vers l'endpoint compatible OpenAI.

Prérequis

• Un workspace Databricks dans une région prise en charge par Unity Gateway.
• Pour vous authentifier avec OAuth, installez la CLI Databricks. Vous pouvez également utiliser un jeton d'accès personnel, qui ne nécessite pas la CLI Databricks.

S'authentifier

Pour commencer, utilisez un jeton d'accès personnel. OAuth est recommandé pour les cas d'usage de production. Définissez DATABRICKS_TOKEN sur le jeton de votre Workspace.

Personal access token

Exportez un jeton d’accès personnel:

Bash

export DATABRICKS_TOKEN=<your-personal-access-token>

OAuth

Remplacez <workspace-url> par l’URL de votre workspace Databricks. Ensuite, connectez-vous à la CLI Databricks et exportez un jeton OAuth à courte durée de vie :

Bash

databricks auth login --host https://<workspace-url>
export DATABRICKS_TOKEN=$(databricks auth token --host https://<workspace-url> | jq -r .access_token)

Choisissez un modèle

Databricks fournit des modèles prêts à l’emploi que vous pouvez parcourir dans l’interface utilisateur sous le schéma system.ai, ou consulter la liste complète des modèles pris en charge ici.

Ce guide de démarrage rapide utilise system.ai.gpt-5-2. Pour query un modèle différent, remplacez-le par son nom complet.

Envoyez votre demande

Remplacez <workspace-url> par l'URL de votre workspace Databricks.

Bash

Bash

curl https://<workspace-url>/ai-gateway/mlflow/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DATABRICKS_TOKEN" \
  -d '{
    "model": "system.ai.gpt-5-2",
    "max_output_tokens": 256,
    "input": [
      {
        "role": "user",
        "content": [{"type": "input_text", "text": "Hello!"}]
      },
      {
        "role": "assistant",
        "content": [{"type": "output_text", "text": "Hello! How can I assist you today?"}]
      },
      {
        "role": "user",
        "content": [{"type": "input_text", "text": "What is Databricks?"}]
      }
    ]
  }'

Python

Python

from openai import OpenAI
import os

client = OpenAI(
  api_key=os.environ.get("DATABRICKS_TOKEN"),
  base_url="https://<workspace-url>/ai-gateway/mlflow/v1",
)

response = client.responses.create(
  model="system.ai.gpt-5-2",
  max_output_tokens=256,
  input=[
    {"role": "user", "content": [{"type": "input_text", "text": "Hello!"}]},
    {"role": "assistant", "content": [{"type": "output_text", "text": "Hello! How can I assist you today?"}]},
    {"role": "user", "content": [{"type": "input_text", "text": "What is Databricks?"}]},
  ],
)

print(response.output)

TypeScript

TypeScript

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: process.env.DATABRICKS_TOKEN,
  baseURL: 'https://<workspace-url>/ai-gateway/mlflow/v1',
});

const response = await client.responses.create({
  model: 'system.ai.gpt-5-2',
  max_output_tokens: 256,
  input: [
    { role: 'user', content: [{ type: 'input_text', text: 'Hello!' }] },
    { role: 'assistant', content: [{ type: 'output_text', text: 'Hello! How can I assist you today?' }] },
    { role: 'user', content: [{ type: 'input_text', text: 'What is Databricks?' }] },
  ],
});

console.log(response.output);

Afficher votre demande

Ouvrez le modèle que vous avez interrogé (system.ai.gpt-5-2) dans Catalog Explorer et sélectionnez l'onglet Metrics tab pour afficher la requête que vous venez d'envoyer dans l'historique d'utilisation, ainsi que son utilisation des jetons et sa latence. Voir l'observabilité de Unity Gateway.

Étapes suivantes

• Modèles de base et d’intégration de query
• Endpoint de modèle personnalisés
• Observabilité d'Unity Gateway