Crie agentes no Databricks

Esta página fornece uma visão geral das ferramentas para construir, implantar e gerenciar agentes AI no Databricks. Para saber mais sobre agentes, consulte Padrões de projeto de sistemas de agentes.

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

Servir e gerar consultas de modelos de linguagem AI de grande porte (LLMs)

Disponibilizar um conjunto selecionado de modelos AI de última geração de provedores LLM , como OpenAI e Anthropic , e torná-los acessíveis por meio APIs seguras e escaláveis.

Recurso	Descrição
Modelos de fundação	Fornece modelos AI genéricos, incluindo modelos de código aberto e de terceiros, como Meta Llama , Anthropic Claude , OpenAI GPT e outros.

Crie e implante agentes AI de nível empresarial

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

Recurso	Descrição
AI Playground (sem código)	Crie protótipos e teste agentes AI em um ambiente sem código. Experimente rapidamente os comportamentos dos agentes e as integrações de ferramentas antes de gerar o código para implantação.
Assistente de conhecimento	Crie e otimize chatbots AI específicos para cada domínio usando uma interface intuitiva.
Criar agentes personalizados	Crie, implante e avalie agentes usando Python. Suporta agentes escritos com qualquer biblioteca de autoria, incluindo LangGraph, LangChain, OpenAI e LlamaIndex. Integrado com MLflow Tracing. Itere rapidamente usando Databricks Apps. Para começar rapidamente, consulte Começar com agentes AI.
ferramentas de agentes AI	Crie ferramentas de agente para consultar dados estruturados e não estruturados, código de execução ou conectar-se a APIs de serviços externos.
MCP (Protocolo de Contexto do Modelo)	Padronize a forma como os agentes se conectam a dados e ferramentas com uma interface segura e consistente.

Avaliar, depurar e otimizar agentes

Monitore o desempenho dos agentes, colete feedback e promova melhorias de qualidade com ferramentas de avaliação e rastreamento.

Recurso	Descrição
MLflow Tracing	Utilize MLflow Tracing para observabilidade de ponta a ponta. Registre cada passo que seu agente dá para depurar, monitorar e auditar o comportamento do agente em desenvolvimento e produção.
Agent Evaluation	Utilize Agent Evaluation e MLflow para medir qualidade, custo e latência. Recolha feedback das partes interessadas e dos especialistas na matéria através de aplicações de revisão integradas e utilize juízes LLM para identificar e resolver problemas de qualidade.
Agentes de monitoramento	Utilize a mesma configuração de avaliação (avaliadores LLM e métricas personalizadas) tanto na avaliação offline quanto no monitoramento online.