Agent Bricks quickstart
Beta
Esse recurso está em Beta. Nenhuma configuração de workspace é necessária para ativá-lo. Instale a CLI do Agent Bricks para começar.
This quickstart takes you from an empty directory to an implantado custom agent using the Agent Bricks CLI (databricks-agentbricks), the Databricks comando-line tool for building and deploying agents. A CLI do Agent Bricks gerencia acesso a modelos, memória, sessões, ferramentas e rastreamento para você, para que você possa se concentrar na lógica do seu agente.
How the Agent Bricks CLI works
A CLI do Agent Bricks cria um projeto local a partir de um modelo padrão, com o runtime, os testes e uma interface de usuário de chat opcional já configurados. Você escreve a lógica do aplicativo (modelo, ferramentas e prompts), e a CLI o execução localmente e o implanta. O arquivo declarativo agent.toml é a fonte de verdade para os recursos gerenciados pelo Databricks dos quais seu agente depende, como ferramentas, memória, sessões e rastreamento. agentbricks deploy faz a leitura para provisionar e configurar tudo.
Três comandos levam um agente de um diretório vazio para a produção:
agentbricks initcria a estrutura do projeto e gravaagent.toml.agentbricks devexecuta o agente localmente, usando o mesmo runtime e o mesmo ambiente que a Databricks usa.agentbricks deployfaz o provisionamento dos recursos declarados e implanta o deploy.
Pré-requisitos
-
The Databricks CLI, installed and on your path.
-
Python 3.11 ou acima. O Databricks recomenda Python 3.12. Se a instalação ou
agentbricks devfalhar devido à versão do Python, consulte Solução de Problemas. -
uv, que faz a execução do projeto scaffolded paraagentbricks init,agentbricks deveagentbricks deploy. -
Instale a CLI do Agent Bricks. Para instalá-lo como uma ferramenta de
uv, execute o seguinte:Bashuv tool install databricks-agentbricksPara instalá-lo com
pipem vez disso, executepip install databricks-agentbricks.
O passo 1: Autenticar
Autentique-se no seu workspace com OAuth, salve um perfil nomeado e defina-o como o default da CLI do Agent Bricks:
databricks auth login --host https://<your-workspace-url> --profile <profile>
agentbricks login --profile <profile>
O passo 2: Criar a estrutura básica do projeto
Crie um esqueleto para um novo projeto de agente, escolhendo um padrão de framework com --framework:
agentbricks init --framework langgraph my-agent
cd my-agent
O passo 3: execução o agente localmente
Faça a execução do agente em sua máquina para testá-lo antes de implantar:
agentbricks dev
agentbricks dev serve o aplicativo de chat e a API do agente em http://localhost:8000, usando o mesmo comando e ambiente que o runtime do agente Databricks, conectado ao servindo modelo Databricks.
Abra a URL em um navegador para conversar com o agente. Mantenha o servidor em execução para o próximo passo.
o passo 4: testar o agente localmente
Em um segundo terminal, envie uma solicitação para a API de invocações do agente:
curl -X POST http://localhost:8000/api/invocations \
-H 'Content-Type: application/json' \
-d "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"
Se uuidgen não estiver disponível, substitua cada $(uuidgen) por qualquer UUID.
O corpo da solicitação tem os seguintes campos:
id: Um novo UUID para cada solicitação.session_id: A conversação à qual a solicitação pertence. Para enviar uma mensagem de acompanhamento na mesma conversação, reutilize o ID de sessão com um novoid.input: As mensagens a enviar ao agente.
A resposta contém o status da invocação e um campo output com as mensagens do agente. Para todos os campos de solicitação, consulte Corpo da solicitação.
O passo 5: Implantar o agente
No diretório do projeto, implante o agente no runtime do agente do Databricks:
agentbricks deploy
agentbricks init registrou o nome my-agent em agent.toml, então você não passa um nome. A CLI cria um aplicativo chamado agent-bricks-my-agent. Use esse nome nos comandos agentbricks deployments e agentbricks endpoint.
A CLI do Agent Bricks provisiona quaisquer lojas vinculadas, concede ao service principal do agente acesso a elas e realiza a implantação. Uma primeira implantação leva alguns minutos, principalmente para começar o compute do aplicativo. agentbricks deploy aguarda até que o agente responda e, então, retorna a URL da implantação.
Para retornar imediatamente em vez de esperar a implantação terminar, adicione --no-wait a agentbricks deploy e, em seguida, execução agentbricks deployments wait.
Se a implantação falhar, view os logs da implantação:
agentbricks deployments logs agent-bricks-my-agent
O passo 6: Testar o agente implantado
Envie uma solicitação ao agente implantado:
agentbricks endpoint invoke agent-bricks-my-agent \
--path /api/invocations \
--json "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"
Como no o passo 4, se uuidgen não estiver disponível, substitua cada $(uuidgen) por qualquer UUID.
O comando procura a URL do aplicativo e autentica com seu perfil default. Para chamar a API com curl e um token OAuth, consulte Fazer query em um agente que usa DurableAgentServer. Para conversar com o agente em um navegador, abra a URL da implantação.
Próximos os passos
- Passo a passo completo do comando e recursos da CLI do Agent Bricks: CLI do Agent Bricks.
- Query um agente implantado: Query agentes implantados no Databricks.
- Vincular memória gerenciada e sessões: Memória do agente.
- Adicionar ferramentas e serviços MCP: MCPs.
- View agent traces with MLflow: Tracing overview.