O senhor pode começar com AI agentes
Crie seu primeiro agente AI usando o Mosaic AI Agent Framework. Neste tutorial, o senhor aprenderá:
- Crie um agente usando o Agent Framework.
- Adicione uma ferramenta ao seu agente.
- O senhor implantou seu agente em um Databricks servindo o modelo endpoint.
Para obter uma introdução conceitual aos agentes e outros aplicativos gen AI, consulte O que são aplicativos gen AI?
Requisitos
O site workspace deve ter os seguintes recursos ativados:
- Unity Catalog
- Estrutura do Mosaic AI Agent
- Modelos de fundação (pay-per-tokens, provisionamento, taxa de transferência ou modelos externos). Ver recurso com disponibilidade regional limitada
Exemplo de notebook
Este Notebook contém todo o código de que o senhor precisa para criar e implantar seu primeiro agente AI. Importe o Notebook para o site Databricks workspace para executá-lo.
Mosaic AI demonstração do agente
Defina o agente
Um agente AI consiste no seguinte:
- Um modelo de linguagem grande (LLM) que pode raciocinar e tomar decisões
- Ferramentas que o LLM pode usar para fazer mais do que apenas gerar texto, como executar código Python ou buscar dados
Execute o código a seguir em um Notebook Databricks para definir um agente de chamada de ferramenta simples:
-
Instale o pacote Python necessário:
Python%pip install -U -qqqq mlflow databricks-openai databricks-agents
dbutils.library.restartPython()mlflow
: Usado para desenvolvimento e rastreamento de agentes.databricks-openai
: Usado para conectar-se ao LLM hospedado no Databricks.databricks-agent
: Usado para embalar e implantar o agente.
-
Defina o agente. Esse trecho de código faz o seguinte:
- Conecta-se ao modelo Databricks servindo endpoint usando o cliente OpenAI.
- Habilita o rastreamento do MLflow usando
autolog()
. Isso adiciona instrumentação para que você possa ver o que seu agente faz quando você envia uma consulta. - Adiciona a ferramenta
system.ai.python_exec
ao seu agente. Essa função integrada Unity Catalog permite que seu agente execute o código Python. - Define uma função que consulta o LLM com um prompt e trata as respostas.
Pythonimport mlflow
import json
from databricks.sdk import WorkspaceClient
from databricks_openai import UCFunctionToolkit, DatabricksFunctionClient
# Get an OpenAI client configured to connect to Databricks model serving endpoints
# Use this client to query the LLM
openai_client = WorkspaceClient().serving_endpoints.get_open_ai_client()
# Enable automatic tracing for easier debugging
mlflow.openai.autolog()
# Load Databricks built-in tools (Python code interpreter)
client = DatabricksFunctionClient()
builtin_tools = UCFunctionToolkit(function_names=["system.ai.python_exec"], client=client).tools
for tool in builtin_tools:
del tool["function"]["strict"]
def call_tool(tool_name, parameters):
if tool_name == "system__ai__python_exec":
return DatabricksFunctionClient().execute_function("system.ai.python_exec", parameters=parameters)
raise ValueError(f"Unknown tool: {tool_name}")
def run_agent(prompt):
"""
Send a user prompt to the LLM and return a list of LLM response messages
The LLM is allowed to call the code interpreter tool, if needed, to respond to the user
"""
result_msgs = []
response = openai_client.chat.completions.create(
model="databricks-claude-3-7-sonnet",
messages=[{"role": "user", "content": prompt}],
tools=builtin_tools,
)
msg = response.choices[0].message
result_msgs.append(msg.to_dict())
# If the model executed a tool, call it
if msg.tool_calls:
call = msg.tool_calls[0]
tool_result = call_tool(call.function.name, json.loads(call.function.arguments))
result_msgs.append({"role": "tool", "content": tool_result.value, "name": call.function.name, "tool_call_id": call.id})
return result_msgs
Teste o agente
Teste o agente consultando-o com um prompt que exige a execução do código Python:
answer = run_agent("What is the 100th fibonacci number?")
for message in answer:
print(f'{message["role"]}: {message["content"]}')
Além da saída do LLM, o senhor verá informações detalhadas de rastreamento diretamente no Notebook. Esses rastreamentos ajudam a depurar chamadas lentas ou falhadas do agente. Esses traços foram adicionados automaticamente usando mlflow.openai.autolog()
.
implantado o agente
Agora que o senhor tem um agente, pode empacotá-lo e implantá-lo em um Databricks que serve endpoint. Começar a coletar feedback sobre um agente implantado, compartilhando-o com outras pessoas e conversando com ele usando uma UI de bate-papo integrada.
Prepare o código do agente para implantação
Para preparar o código do agente para implantação, envolva-o usando a interface ChatAgent
do MLflow. A interface ChatAgent
é a maneira recomendada de empacotar agentes para implantação em Databricks.
-
Para implementar a interface
ChatAgent
, você deve definir uma funçãopredict()
que envie a mensagem do usuário ao agente, colete a resposta do agente e a retorne no formatoChatAgentResponses
.Pythonimport uuid
from typing import Any, Optional
from mlflow.pyfunc import ChatAgent
from mlflow.types.agent import ChatAgentMessage, ChatAgentResponse, ChatContext
class QuickstartAgent(ChatAgent):
def predict(
self,
messages: list[ChatAgentMessage],
context: Optional[ChatContext] = None,
custom_inputs: Optional[dict[str, Any]] = None,
) -> ChatAgentResponse:
# 1. Extract the last user prompt from the input messages
prompt = messages[-1].content
# 2. Call run_agent to get back a list of response messages
raw_msgs = run_agent(prompt)
# 3. Map each response message into a ChatAgentMessage and return
# the response
out = []
for m in raw_msgs:
out.append(ChatAgentMessage(
id=uuid.uuid4().hex,
**m
))
return ChatAgentResponse(messages=out) -
Adicione o seguinte código ao Notebook para testar a classe
ChatAgent
:PythonAGENT = QuickstartAgent()
for response_message in AGENT.predict({"messages": [{"role": "user", "content": "What's the 100th fibonacci number?"}]}).messages:
print(f"role: {response_message.role}, content: {response_message.content}") -
Combine todo o código do agente em um único arquivo para que o senhor possa log e implantá-lo.
- Consolide todo o código do agente em uma célula do Notebook.
- Na parte superior da célula, adicione o comando mágico
%%writefile quickstart_agent.py
para salvar seu agente em um arquivo. - Na parte inferior da célula, chame
mlflow.models.set_model()
com seu objeto agente. Isso informa ao MLflow qual objeto de agente deve ser usado ao fornecer previsões. Essa etapa configura efetivamente o ponto de entrada do nosso código de agente.
A célula do Notebook deve se parecer com o seguinte:
%%writefile quickstart_agent.py
import json
import uuid
from databricks.sdk import WorkspaceClient
from databricks_openai import UCFunctionToolkit, DatabricksFunctionClient
from typing import Any, Optional
import mlflow
from mlflow.pyfunc import ChatAgent
from mlflow.types.agent import ChatAgentMessage, ChatAgentResponse, ChatContext
# Add an mlflow.openai.autolog() call to capture traces in the serving endpoint
# Get an OpenAI client configured to talk to Databricks model serving endpoints
# We'll use this to query an LLM in our agent
openai_client = WorkspaceClient().serving_endpoints.get_open_ai_client()
# Load Databricks built-in tools (a stateless Python code interpreter tool)
client = DatabricksFunctionClient()
builtin_tools = UCFunctionToolkit(function_names=["system.ai.python_exec"], client=client).tools
for tool in builtin_tools:
del tool["function"]["strict"]
def call_tool(tool_name, parameters):
if tool_name == "system__ai__python_exec":
return DatabricksFunctionClient().execute_function("system.ai.python_exec", parameters=parameters)
raise ValueError(f"Unknown tool: {tool_name}")
def run_agent(prompt):
"""
Send a user prompt to the LLM, and return a list of LLM response messages
The LLM is allowed to call the code interpreter tool if needed, to respond to the user
"""
result_msgs = []
response = openai_client.chat.completions.create(
model="databricks-claude-3-7-sonnet",
messages=[{"role": "user", "content": prompt}],
tools=builtin_tools,
)
msg = response.choices[0].message
result_msgs.append(msg.to_dict())
# If the model executed a tool, call it
if msg.tool_calls:
call = msg.tool_calls[0]
tool_result = call_tool(call.function.name, json.loads(call.function.arguments))
result_msgs.append({"role": "tool", "content": tool_result.value, "name": call.function.name, "tool_call_id": call.id})
return result_msgs
class QuickstartAgent(ChatAgent):
def predict(
self,
messages: list[ChatAgentMessage],
context: Optional[ChatContext] = None,
custom_inputs: Optional[dict[str, Any]] = None,
) -> ChatAgentResponse:
prompt = messages[-1].content
raw_msgs = run_agent(prompt)
out = []
for m in raw_msgs:
out.append(ChatAgentMessage(
id=uuid.uuid4().hex,
**m
))
return ChatAgentResponse(messages=out)
AGENT = QuickstartAgent()
mlflow.models.set_model(AGENT)
registrar o agente
Faça o login do seu agente e registre-o em Unity Catalog. Isso agrupa o agente e suas dependências em um único artefato para implantação.
import mlflow
from mlflow.models.resources import DatabricksFunction, DatabricksServingEndpoint
from pkg_resources import get_distribution
# Change the catalog name ("main") and schema name ("default") to register the agent to a different location
registered_model_name = "main.default.quickstart_agent"
# Specify Databricks resources that the agent needs to access.
# This step lets Databricks automatically configure authentication
# so the agent can access these resources when it's deployed.
resources = [
DatabricksServingEndpoint(endpoint_name="databricks-claude-3-7-sonnet"),
DatabricksFunction(function_name="system.ai.python_exec"),
]
mlflow.set_registry_uri("databricks-uc")
logged_agent_info = mlflow.pyfunc.log_model(
artifact_path="agent",
python_model="quickstart_agent.py",
extra_pip_requirements=[f"databricks-connect=={get_distribution('databricks-connect').version}"],
resources=resources,
registered_model_name=registered_model_name
)
implantado o agente
implantar seu agente registrado em um site endpoint:
from databricks import agents
deployment_info = agents.deploy(
model_name=registered_model_name, model_version=logged_agent_info.registered_model_version
)
Depois que o agente endpoint começar, o senhor pode conversar com ele usando o AI Playground ou compartilhá-lo com as partes interessadas para obter feedback.
Próximas etapas
Escolha para onde ir a seguir com base em seus objetivos:
Avalie e melhore a qualidade do seu agente : consulte o guia de início rápido da Avaliação de Agentes.
Crie agentes mais avançados : crie um agente que execute RAG usando dados não estruturados, gerencie conversas de vários turnos e use a Avaliação de Agentes para medir a qualidade. Veja o tutorial: Criar, avaliar e implantar um agente de recuperação.
Saiba como criar agentes usando outras estruturas : Saiba como criar agentes usando bibliotecas populares como LangGraph, pure Python e OpenAI. Consulte Use ChatAgent
para criar agentes