Use agentes no Databricks

Esta página fornece uma visão geral das ferramentas para construir, implantar e usar agentes de AI na Databricks. Para saber mais sobre agentes, consulte Padrões de design de sistema de agentes.

• • Começar: GenAI sem código
  • Experimente o AI Playground para testes e prototipagem baseados na interface do usuário.
• • Introdução: MLflow 3 para GenAI
  • Experimente o MLflow para rastreamento de GenAI, avaliação e feedback humano.

Sirva e consulte grandes modelos de linguagem (LLMs) de AI generativa

Ofereça um conjunto selecionado de modelos de IA generativa de provedores de LLM como OpenAI e Anthropic e os disponibilize por meio de APIs seguras e escaláveis.

Recurso	Descrição
Modelos Básicos	Oferece modelos de AI generativa, incluindo modelos de código aberto e de terceiros, como Meta Llama , Anthropic Claude , OpenAI GPT e muito mais.

Crie e tenha Agentes de AI Implantados de Nível Empresarial

Crie e implante seus próprios agentes, incluindo agentes de chamada de ferramentas, aplicativos de geração aumentada de recuperação e sistemas multiagente. Para um ponto de partida sem código, use o AI Playground para selecionar um LLM, adicionar ferramentas e conversar com o agente para testar suas respostas antes de exportar para o código.

Recurso	Descrição
AI Playground (sem código)	Prototipar e testar agentes de AI em um ambiente sem código. Experimente rapidamente comportamentos de agente e integrações de ferramenta antes de gerar código para implantação.
Assistente de conhecimento	Criar e otimizar chatbots de AI específicos de domínio usando uma interface intuitiva.
Construir agentes personalizados	Desenvolva, implante e avalie agentes com Python. Suporta agentes escritos com qualquer biblioteca, incluindo LangGraph, LangChain, OpenAI e LlamaIndex. Integrado com MLflow Tracing. Itere rapidamente usando o Databricks Apps. Para começar com rapidez, consulte Introdução aos agentes de AI.
Conecte agentes a ferramentas	Crie ferramentas de agente para consultar dados estruturados e não estruturados, executar código ou conectar-se a APIs de serviço externas.
MCP (Model Context Protocol)	Padroniza a forma como os agentes se conectam a dados e ferramentas com uma interface segura e consistente.

Usar agentes externos

Se seu agente estiver em execução fora do Databricks, faça o registro dele como um Serviço de Agente no Unity Catalog para torná-lo detectável pela sua equipe e controlar quem pode usá-lo.

Recurso	Descrição
Serviços de Agente (Beta)	Realizar o registro de agentes externos no Unity Catalog. Navegar e descobrir agentes entre equipes a partir de uma única view e controlar o acesso com as mesmas permissões que protegem suas tabelas, modelos e funções.

Avaliar, depurar e otimizar agentes

Acompanhe o desempenho do agente, colete feedback e promova melhorias de qualidade com ferramentas de avaliação e rastreamento.

Recurso	Descrição
MLflow Tracing	Use o MLflow Tracing para observabilidade de ponta a ponta. Log cada o passo que seu agente dá para depurar, monitorar e auditar o comportamento do agente em desenvolvimento e produção.
Agent Evaluation	Use Agent Evaluation e MLflow para medir qualidade, custo e latência. Colete feedback de stakeholders e especialistas no assunto por meio de aplicativos de revisão integrados e use juízes de LLM para identificar e resolver problemas de qualidade.
Monitorar agentes	Use a mesma configuração de avaliação (juízes de LLM e métricas personalizadas) em avaliação offline e monitoramento online.