Pular para o conteúdo principal
Última atualização em

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

Este tutorial sem código de 5 minutos apresenta o AI generativo em Databricks. O senhor usará 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
  • Exporte seu agente para codificar
  • 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 site workspace, selecione Playground .
  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 vetorial : Especifique um índice de pesquisa vetorial. Se o seu agente usar um índice de busca vetorial, a resposta citará as fontes utilizadas.
    • 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

Etapa 3: exportar seu agente para codificar​

Após testar seu agente no AI Playground, clique em Obter código > Criar notebook do agente para exportar seu agente para um notebook Python .

O Notebook Python contém o código que define o agente e o implanta em um modelo de serviço endpoint.

nota

O Notebook exportado atualmente utiliza um fluxo de trabalho de autoria de agente legado que implantou o agente em modelo específico. A Databricks recomenda que os agentes de criação usem o Databricks Apps. Veja Criar um agente AI e implantá-lo em Databricks Apps.

Opcional: prototipar um bot RAG para responder perguntas​

Se o senhor tiver um índice de pesquisa de vetores configurado em seu site workspace, poderá criar um protótipo de bot de perguntas e respostas. Esse tipo de agente usa documentos em um índice de pesquisa vetorial para responder perguntas com base nesses documentos.

  1. Clique em Ferramentas > + Adicionar ferramenta . Em seguida, selecione seu índice de pesquisa vetorial.

    Selecione uma ferramenta de busca vetorial

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

    Protótipo do LLM com ferramenta de pesquisa de vetores

Para configurar um índice de pesquisa vetorial, consulte Criar um índice de pesquisa vetorial.

Exportar e implantar agentes AI Playground​

Após criar o protótipo do agente AI no AI Playground, exporte-o para um Notebook Python para implantá-lo em um endpoint de modelo de serviço.

  1. Clique em Obter código > Criar notebook do agente para gerar o notebook que define e implanta o agente AI .

    Após exportar o código do agente, uma pasta contendo um Notebook de drivers é salva em seu workspace. Este driver define uma ferramenta chamada ResponsesAgent, testa o agente localmente, usa registro baseado em código, registra e implanta o agente AI usando Mosaic AI Agent Framework.

  2. Responda a todas as tarefas pendentes no caderno.

nota

O código exportado pode se comportar de maneira diferente da sua sessão no AI Playground. Databricks recomenda executar o Notebook exportado para iterar e depurar ainda mais, avaliar a qualidade do agente e, em seguida, implantá-lo para compartilhar com outras pessoas.

Próximas etapas​

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