Pular para o conteúdo principal

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:

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

Open notebook in new tab

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:

  1. 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.
  2. 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.
    Python
    import 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:

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.

  1. Para implementar a interface ChatAgent, você deve definir uma função predict() que envie a mensagem do usuário ao agente, colete a resposta do agente e a retorne no formato ChatAgentResponses.

    Python
    import 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)
  2. Adicione o seguinte código ao Notebook para testar a classe ChatAgent:

    Python
    AGENT = 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}")
  3. 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:

Python
%%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.

Python
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:

Python
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