Pular para o conteúdo principal
Última atualização em

Comece agora: Consulte LLMs e crie protótipos de agentes AI sem código.

Este tutorial de 5 minutos sem código apresenta IA generativa na Databricks. Você utilizará o AI Playground para fazer o seguinte:

  • Consulte modelos de linguagem grande (LLMs) e compare os resultados lado a lado
  • Protótipo de um agente de chamada de ferramenta AI
  • Exportar o agente para Databricks Apps ou para um Notebook
  • Opcional: prototipar um chatbot de perguntas e respostas usando a geração aumentada de recuperação (RAG)

Antes de começar​

Certifique-se de que o site workspace possa acessar o seguinte:

Etapa 1: Consultar LLMs usando o AI Playground​

Use o AI Playground para consultar LLMs em uma interface de bate-papo.

  1. Em seu workspace, selecione Playground no painel de navegação esquerdo em AI/ML .
  2. Digite uma pergunta como: "O que é RAG?"

Adicione um novo LLM para comparar as respostas lado a lado:

  1. No canto superior direito, selecione + para adicionar um modelo para comparação.
  2. No novo painel, selecione um modelo diferente usando o seletor dropdown.
  3. Marque as caixas de seleção Sincronizar para sincronizar as consultas.
  4. Experimente uma nova pergunta, como "O que é um sistema AI composto?", para ver as duas respostas lado a lado.

Playground de IA

Continue testando e comparando diferentes LLMs para ajudá-lo a decidir qual é o melhor para usar na criação de um agente AI .

Etapa 2: Criar um protótipo de uma ferramenta, chamando o agente AI​

As ferramentas permitem que os LLMs façam mais do que gerar linguagem. As ferramentas podem consultar dados externos, executar códigos e realizar outras ações. O AI Playground oferece ao senhor uma opção sem código para criar protótipos de agentes de chamadas de ferramentas:

  1. No Playground, escolha um modelo com o rótulo Tools enabled (Ferramentas ativadas ).

    Selecione uma ferramenta - chamando o LLM

  2. Selecione Tools (Ferramentas) > + Add tool (Adicionar ferramenta ) e selecione a função integrada do Unity Catalog, system.ai.python_exec.

    Essa função permite que seu agente execute código Python arbitrário.

    Selecione uma ferramenta de função hospedada

    Outras opções de ferramentas incluem:

    • Função UC : Selecione uma função Unity Catalog para o seu agente usar.
    • Definição de função : Defina uma função personalizada para o seu agente chamar.
    • Pesquisa de AI : Especifique um Índice de Pesquisa de AI. Se o seu agente usar um índice de Pesquisa de AI, a resposta dele citará as fontes usadas.
    • MCP : Especifique os servidores MCP a serem usados para gerenciar servidores MCP Databricks ou servidores MCP externos.

  3. Faça uma pergunta que envolva a geração ou a execução de código Python. Você pode experimentar diferentes variações em seu fraseado imediato. Se o senhor adicionar várias ferramentas, o LLM selecionará a ferramenta apropriada para gerar uma resposta.

    Protótipo do LLM com ferramenta de função hospedada

Opcional: prototipar um bot RAG para responder perguntas​

Caso haja um Índice de Pesquisa de IA configurado em seu workspace, é possível criar um protótipo de um bot de perguntas e respostas. Esse tipo de agente usa documentos em um índice de Pesquisa AI para responder a perguntas com base nesses documentos.

  1. Clique em Ferramentas > + Adicionar ferramenta . Em seguida, selecione seu Índice de Pesquisa de IA.

    Selecione uma ferramenta de Pesquisa de AI

  2. Faça uma pergunta relacionada aos seus documentos. O agente pode usar o índice para consultar informações relevantes e citará quaisquer documentos usados em sua resposta.

    Crie um protótipo para o LLM com a ferramenta de Pesquisa de AI.

Para configurar um Índice de Pesquisa de IA, consulte Criar Índice de Pesquisa de IA.

Passo 3: exportar seu agente​

Após testar seu agente no AI Playground, exporte-o para que possa implantá-lo, avaliá-lo e iterar sobre ele fora do Playground. AI Playground oferece duas opções de exportação:

  • Exportar para Databricks Apps (recomendado) : Instala um aplicativo de agente implantável a partir do padrão agent-openai-agents-sdk, incluindo uma interface de chat integrada, conexão de ferramentas MCP e autenticação. Escolha este caminho para novos agentes.
  • Criar Notebook de agente (legado) : Gera um Notebook Python que define o agente e o implanta em um endpoint de Model Serving. Escolha este caminho se Databricks Apps não estiver disponível no workspace ou na região.

A opção **Exportar para aplicativos Databricks** gera um aplicativo de agente implantado, pronto para conversar. O aplicativo usa o mesmo modelo, prompt de sistema e ferramentas (incluindo servidores MCP e pesquisa vetorial) que foram configurados no Playground.

Antes de exportar, certifique-se de que seu workspace atenda aos seguintes requisitos:

Para exportar o agente:

  1. No Playground, clique em Obter código > Exportar para Databricks Apps .

  2. Na caixa de diálogo Exportar para Databricks Apps , defina o seguinte:

    • Nome do aplicativo : Um nome exclusivo que começa com agent- e contém apenas letras minúsculas, números e hífens (por exemplo, agent-research-assistant).
    • Descrição do aplicativo : Uma breve descrição do que o agente faz.
    • Experimento MLflow : Selecione um experimento MLflow existente para usar para rastreamento e avaliação, ou crie um novo.

  3. Clique em **Exportar**. A Databricks faz o seguinte:

    1. Verifica se o nome do aplicativo está disponível.
    2. Instala o padrão agent-openai-agents-sdk no seu workspace e concede as permissões ao aplicativo para os recursos de que ele precisa. Esses recursos incluem o experimento MLflow, endpoint de serviço e quaisquer servidores MCP, funções do Unity Catalog, Genie Spaces ou índices de pesquisa vetorial que você adicionou como ferramentas.
    3. Gera agent_server/agent.py a partir da sua configuração do Playground para que o agente implantado corresponda ao que você testou.

  4. Quando a caixa de diálogo de sucesso aparecer, clique em View Agent para abrir o aplicativo implantado e conversar com ele usando a IU integrada.

Para personalizar o código do agente, configurar a autenticação, adicionar a avaliação ou reimplantar com Databricks Asset Bundles (DABs), consulte Crie um agente de AI e implante-o em Databricks Apps.

dica

Use a API do Supervisor para um loop de agente gerenciado.

Se você quiser que o Databricks execute o ciclo do agente para você, você pode usar a API de Supervisor (Beta) em vez de escrever a sua própria. A API do Supervisor aceita ferramentas hospedadas no Databricks (funções do Unity Catalog, Genie Spaces, servidores MCP) e ferramentas de função do lado do cliente que executam no código do seu aplicativo. Escolha esta opção quando não precisar de lógica Python personalizada entre chamadas de ferramentas.

Para experimentar a partir da sua configuração do Playground, certifique-se de ter adicionado pelo menos uma ferramenta no passo 2 e, em seguida, clique em Obter código > Curl API . Quando a implantação do Playground tem ferramentas e usa um modelo compatível com Supervisor, o curl é uma solicitação POST da API do Supervisor para /mlflow/v1/responses com seu modelo, prompt e ferramentas hospedadas. A opção também exige que a pré-visualização da API do Supervisor esteja habilitada. Consulte Gerenciar prévias do Databricks.

Para implantar um agente da API do Supervisor no Databricks Apps, consulte Crie um agente personalizado usando a API do Supervisor (Beta).

Próximas etapas​

Para criar agentes usando uma abordagem de código-primeiro, consulte Criar um agente AI e implantá-lo em Databricks Apps.

Nesta página