Pular para o conteúdo principal
Última atualização em

Configure o CI/CD para seu agente do Databricks Apps

Um pipeline de CI/CD executa cada alteração em seu agente por meio de revisão de código e uma implantação automatizada, para que as implantações em produção não dependam do laptop de um único desenvolvedor. Uma vez que o pipeline estiver configurado, cada merge para sua branch principal implanta e reinicia seu agente no Databricks Apps.

Esta página aborda as partes específicas do agente. CI/CD para Databricks Apps com GitHub Actions documenta a configuração do fluxo de trabalho principal: a federação de identidade de carga de trabalho, o ambiente GitHub e o YAML de implantação. Conclua essa página primeiro, depois retorne aqui para as adições que se aplicam a aplicativos de agente.

Requisitos​

O passo 1. Use o fluxo de trabalho inicial​

Vários modelos de agente em databricks/app-templates disponibilizam um .github/workflows/deploy.yml pronto para uso, assim você não precisa escrever o fluxo de trabalho do zero.

  1. Selecione um padrão de agente em databricks/app-templates, como agent-langgraph ou agent-openai-agents-sdk.
  2. No seu diretório de padrão clonado, verifique se .github/workflows/deploy.yml existe.
  3. Configurar o fluxo de trabalho:
    • **Se deploy.yml existir**: Abra-o, confirme que o databricks bundle run o passo referencia a key do recurso do seu pacote de databricks.yml e siga os pré-requisitos no comentário do cabeçalho do arquivo.
    • Se deploy.yml não existir : Copie-o de um padrão existente, ou do o Passo 4. Adicionar o fluxo de trabalho de implantação. Em seguida, atualize o databricks bundle run <key> passo para corresponder à key de recurso do seu bundle.

Etapa 2. Pré-preencha a ID do experimento MLflow​

Os padrões de agente deixam MLFLOW_EXPERIMENT_ID vazio em databricks.yml. O script quickstart o preenche localmente na primeira configuração, mas um CI runner novo não. Se experiment_id estiver vazio, databricks bundle deploy falha com um erro de tipo do Terraform (For input string: "").

Para corrigi-lo, faça commit do valor preenchido:

  1. Execute uv run quickstart --profile <your-profile> localmente na máquina onde você criou o agente.
  2. Verifique se o recurso de experimento em databricks.yml (a entrada com name: 'experiment' em resources.apps.<key>.resources) agora tem um experiment_id numérico.
  3. commit a alteração.

O experimento tem escopo de workspace, então o mesmo ID é válido para cada implantação de CI que tem como alvo esse workspace. Se você implantar em vários workspaces, declare um experimento por destino em databricks.yml (um por bloco targets.<env>) ou use uma variável de pacote.

Conceder permissões Postgres para padrões de memória do Lakebase​

Os padrão de agente avançados (agent-langgraph-advanced, agent-openai-advanced) declaram um recurso Lakebase Postgres de autoscale diretamente em databricks.yml. Com a CLI do Databricks v0.295.0 e posterior, databricks bundle deploy provisiona o recurso juntamente com o aplicativo.

O recurso postgres do DAB concede ao service principal do Databricks do aplicativo acesso em nível de workspace ao projeto Lakebase, mas o Lakebase mantém uma camada separada de função Postgres para acesso ao banco de dados (esquemas, tabelas e sequências). O service principal do Databricks precisa de uma função Postgres com os privilégios certos antes que o agente possa ler ou gravar suas tabelas de memória. Consulte Arquitetura de autenticação para o modelo de duas camadas.

A concessão desses privilégios em nível de Postgres é uma configuração única . Execute-o localmente entre o primeiro bundle deploy e bundle run. O CI é reimplantado após esse fluxo através do caminho padrão deploy e depois run, porque a função Postgres do Service Principal da Databricks persiste durante a vida útil do aplicativo.

  1. Implante o pacote para provisionar o recurso Lakebase:

    Bash
    databricks bundle deploy --target prod

  2. Conceda ao Service Principal do Databricks os privilégios de nível de Postgres de que ele precisa:

    Bash
    uv run python scripts/grant_lakebase_permissions.py \
      "$(databricks apps get <app-name> --output json | jq -r '.service_principal_client_id')" \
      --memory-type openai \
      --autoscaling-endpoint <endpoint>

    Para o padrão LangGraph, passe --memory-type langgraph. O script também aceita --project <project> --branch <branch> para autoscaling do Lakebase, ou --instance-name <name> para Lakebase provisionado.

  3. Inicie o aplicativo:

    Bash
    databricks bundle run <bundle-key> --target prod

Passo 3. Realize um teste de fumaça do agente implantado​

databricks bundle run retorna assim que o executor sinaliza ao agente para iniciar, mas o processo do agente ainda pode falhar durante a inicialização. Após a verificação de integridade de Passo 5. Aguarde até que o aplicativo esteja íntegro, adicione o seguinte passo de teste de fumaça a deploy.yml que envia uma solicitação canary para /invocations:

YAML
- name: Smoke test invocations
  env:
    APP_NAME: my-agent
  run: |
    APP_URL=$(databricks apps get "$APP_NAME" --output json | jq -r '.url')
    TOKEN=$(databricks auth token | jq -r '.access_token')
    STATUS=$(curl -sS -o /tmp/canary.json -w "%{http_code}" \
      -X POST "$APP_URL/invocations" \
      -H "Authorization: Bearer $TOKEN" \
      -H "Content-Type: application/json" \
      -d '{"input": [{"role": "user", "content": "ping"}], "stream": false}')
    if [ "$STATUS" != "200" ]; then
      echo "Smoke test failed with status $STATUS:" >&2
      cat /tmp/canary.json >&2
      exit 1
    fi
    echo "Smoke test passed."
nota

O Databricks Apps aceita apenas tokens OAuth para invocação. Use o token OAuth do Workspace de databricks auth token; o Databricks Apps rejeita qualquer outro tipo de token.

Outros recursos​

Nesta página