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 ao aplicativo as permissões para os recursos de que necessita. Esses recursos incluem o experimento do MLflow, o endpoint de serviço e quaisquer servidores MCP, funções do Unity Catalog, Genie Agents ou índices de pesquisa vetorial adicionados 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 o Databricks executar o loop do agente para você, é possível usar a API de Supervisor (Beta) em vez de escrever o seu próprio. A API de Supervisor oferece suporte a ferramentas hospedadas pelo Databricks (funções do Unity Catalog, Genie Agents, servidores MCP) e a ferramentas de função do lado do cliente que são executadas no código do seu aplicativo. Selecione esta opção quando não for necessária lógica Python personalizada entre as chamadas de ferramenta.

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