Qu’est-ce qu’Agent Bricks ?

Agent Bricks est la plateforme de développement d'agents Databricks. Utilisez-la pour créer et déployer les agents qui alimentent vos workflows et produits d'agents. Agent Bricks est conçu pour les développeurs qui écrivent du code. Vous intégrez un agent créé avec n'importe quel framework ou outil de harnais et choisissez le modèle de votre choix.

Agent Bricks prend en charge les flux de travail essentiels pour créer un agent de production :

• Déployez votre agent : Agent Runtime héberge des agents construits avec n'importe quel framework ou harness, avec ou sans état. DurableAgentServer, qui fait partie de la bibliothèque AgentKit, ajoute une exécution durable afin que les exécutions survivent aux redémarrages et aux pannes.
• Donnez du contexte à votre agent : La mémoire d'agent gérée permet à votre agent de se souvenir de ce qu'il a appris lors des conversations précédentes, afin de personnaliser ses réponses.
• Déboguez et testez votre agent : MLflow Tracing enregistre chaque étape effectuée par votre agent, et vous permet de stocker et de gouverner les traces Monter en charge dans Unity Catalog.

La CLI Agent Bricks génère le code d'agent qui se connecte à ces services. Vous pouvez effectuer des itérations localement, y compris avec des agents de codage, puis monter en charge à partir du fichier déclaratif agent.toml qui consigne les ressources de votre agent.

Comment Agent Bricks s'intègre aux autres offres Databricks :

• Genie Agents : Genie Agents permet de créer des agents sans code, tels que des agents qui répondent à des questions à partir de vos tables et documents. Agent Bricks s'adresse aux développeurs qui écrivent leur propre code d'agent. Un agent personnalisé peut appeler des Agents Genie comme outils.
• Genie One : Genie One est destiné aux utilisateurs métier qui souhaitent poser des questions sur les données, afficher des tableaux de bord et utiliser des applications sans écrire de code. Agent Bricks est conçu pour les développeurs qui créent eux-mêmes les agents. Un agent personnalisé peut appeler Genie One comme un outil pour s’appuyer sur votre contexte métier.
• Omnigent : Omnigent est un méta-harnais qui compose et coordonne plusieurs agents, tels que des agents de codage. Vous pouvez utiliser Omnigent pour développer un agent personnalisé que vous déployez et exécutez sur Agent Bricks.

Composants d’un agent

Un agent est un système d’IA qui perçoit une requête, décide de ce qu’il doit faire et agit pour atteindre un objectif. Contrairement à un appel de modèle unique, un agent exécute une boucle. Il raisonne sur la requête à l’aide d’un modèle, appelle des outils pour collecter des informations ou effectuer des actions, observe les résultats et répète le processus jusqu’à ce qu’il puisse répondre.

Un agent en production combine généralement les composants suivants :

• Framework ou harness : votre code. La boucle de l'agent, construite avec un framework ou un harness tel que LangGraph ou l'OpenAI Agents SDK, ainsi que les instructions et la logique d'orchestration qui définissent le comportement de l'agent.
• Model : Le grand modèle de langage (LLM) qui analyse chaque étape et décide de l'action à entreprendre ensuite.
• Outils : fonctions appelées par l'agent pour récupérer des données, y compris vos données d'entreprise, ou pour modifier l'état d'un autre système. Il s'agit par exemple des serveurs Model Context Protocol (MCP), des APIs et des sandbox qui exécutent le code écrit par l'agent.
• État de l'agent : ce que l'agent suit et enregistre. L'état de l'agent comprend la session active, qui correspond à la conversation ou à la tâche en cours, et la mémoire, qui correspond à ce que l'agent apprend et mémorise d'une session à l'autre.
• Serveur d'agent : la bibliothèque qui enveloppe la boucle de l'agent dans un serveur HTTP. Il expose l'API appelée par les clients, gère les connexions des clients et assure la durabilité en conservant l'état de chaque exécution dans un Runtime Store.
• Runtime d'agent : le compute géré qui exécute le serveur d'agent et gère l'hébergement, l'identité et la montée en charge.
• Observabilité : des traces qui enregistrent chaque étape effectuée par l'agent, et des évaluations qui mesurent si son résultat est de bonne qualité.
• Gouvernance : identité, autorisations et politiques qui contrôlent les modèles, les outils et les données que l'agent peut utiliser.

Le framework ou l’infrastructure, le serveur d’agent et l’runtime d’agent forment ensemble la pile de compute de l’agent. Consultez Déployer des agents sur Databricks.

Défis liés à la création d'agents en production

Un agent prototype peut s'exécuter sur un ordinateur portable en un après-midi. Exécuter des agents de manière fiable pour de vrais utilisateurs est plus difficile. Les équipes qui créent des agents par leurs propres moyens passent souvent le plus clair de leur temps à assembler et à exploiter l'infrastructure plutôt qu'à améliorer l'agent. Les défis courants se répartissent en cinq domaines :

• Model access : les équipes doivent choisir entre des modèles de pointe et open source, changer ou mettre à niveau des modèles sans réécrire de code, et obtenir une capacité suffisante pour Monter en charge en production, tout en maîtrisant les coûts et l'accès.
• Compute : les agents ont besoin de compute qui montent en charge avec le trafic, garantissent la persistance des tâches de longue durée malgré les redémarrages et les pannes, et isolent chaque session. Les agents qui écrivent et exécutent du code ont besoin d’un environnement sécurisé pour le faire.
• Contexte : les agents fournissent de meilleures réponses lorsqu'ils disposent des bonnes données au bon moment. Cela nécessite un état de conversation persistant, une mémoire conservée d'une session à l'autre et un accès sécurisé aux outils et aux données métier, sans copie de données ni partage d'informations d'identification.
• Qualité : les agents produisent des résultats ouverts et non déterministes. Il est donc difficile de définir et de mesurer ce qui est « bon ». Sans traçabilité ni évaluation, les équipes ne peuvent pas déboguer les défaillances, prouver la qualité aux parties prenantes ni détecter les régressions en production.
• Gouvernance et contrôle : les agents agissent sur les données et appellent des services externes. Sans stratégies, suivi d'utilisation et autorisations unifiés, les organisations s'exposent à des fuites de données, à des lacunes en matière de conformité, à des utilisations non autorisées et à des coûts imprévus. Les équipes souhaitent également éviter de lier leurs agents à un unique fournisseur de modèles ou à un seul cloud.

Comment Agent Bricks relève ces défis

Agent Bricks fournit une brique de construction gérée pour chaque couche de la pile. Les composants partagent une identité unique et un modèle de gouvernance commun tout en fonctionnant ensemble, mais vous pouvez également utiliser chacun d'eux de manière autonome. Vous conservez vos choix de framework, de harness et de modèle.

Défi	Composants d'Agent Bricks
Accès aux modèles	Unity Gateway et Foundation Model APIs
Calculer	Agent Server (DurableAgentServer) et Agent Runtime
Contexte	Mémoire d'agent gérée et sessions d'agent gérées, serveurs MCP et outils d'agent, AI Search, ainsi que Genie Agents
Qualité	Traçage, évaluation et monitoring avec MLflow
Gouvernance et contrôle	Politiques de Unity Catalog et de Unity Gateway, avec prise en charge de n'importe quel framework, harness et modèle

Défi	Composants d'Agent Bricks
Accès aux modèles	Unity Gateway et Foundation Model APIs
Calculer	Agent Server (DurableAgentServer) et Agent Runtime
Contexte	Mémoire d'agent gérée et sessions d'agent gérées, serveurs MCP et outils d'agent, AI Search, ainsi que Genie Agents
Qualité	Traçage, évaluation et monitoring avec MLflow
Gouvernance et contrôle	Politiques de Unity Catalog et de Unity Gateway, avec prise en charge de n'importe quel framework, harness et modèle

start avec l’interface CLI Agent Bricks

Le Agent Bricks CLI fournit un parcours guidé d'un répertoire vide à un agent déployé. Il structure un projet à partir d'un template de framework, exécute l'agent localement et le déploie avec l'accès aux modèles, la mémoire, les sessions, les outils et le traçage déjà configurés. Un fichier agent.toml déclamatoire enregistre les ressources gérées dont l'agent dépend. Pour créer votre premier agent, consultez le guide de démarrage rapide d'Agent Bricks.

Modèles

Unity Gateway fournit à votre agent une API unique pour les modèles de pointe et ouverts, y compris les modèles hébergés par Databricks via Foundation Model APIs et les modèles de fournisseurs externes. Vous pouvez changer de modèle sans modifier le code de l'agent. Unity Gateway gère également les serveurs MCP et les skills utilisés par vos agents, et applique des limites de débit, des garde-fous ainsi qu'un suivi de l'utilisation aux requêtes qui le traversent.

compute

• Agent server : DurableAgentServer encapsule votre boucle d’agent et gère l’API d’appel avec des requêtes synchrones, en streaming et en arrière-plan, un état d’exécution persistant et la récupération après incident. Les agents que vous créez avec l’ Agent Bricks CLI l’utilisent par default.
• Agent Runtime : Agent Runtime exécute le serveur de l’agent sur Databricks Apps au niveau d’un endpoint stable et authentifié. agentbricks deploy effectue le provisionnement des ressources dont votre agent a besoin et lui octroie l’accès à celles-ci. Pour query un agent déployé, consultez Query agents deployed on Databricks.

Pour découvrir comment ces couches s’articulent, consultez Deploy agents on Databricks.

Contexte

• Managed memory and sessions : les sessions stockent l’état d’une conversation ou d’une tâche, et la mémoire stocke les faits et les préférences qu’un agent se rappelle lors des conversations ultérieures. Il s’agit dans les deux cas de magasins gérés pris en charge par Lakebase et compatibles avec n’importe quel framework. Consultez la mémoire et les sessions de l’agent.
• Contexte métier combiné avec Genie One : Le serveur MCP Genie One fournit à votre agent le contexte métier combiné de votre organisation. L'agent pose une question en langage naturel, et Genie y répond dans l'ensemble de vos données gérées, en utilisant la Genie Ontology pour résoudre les termes métier, les définitions de métriques et les relations entre tables. Les autorisations de Unity Catalog s'appliquent ; ainsi, l'agent ne peut effectuer que des query sur les données auxquelles il est autorisé à accéder. Pour l'ajouter à un projet Agent Bricks CLI, exécutez agentbricks tools add genie-one.
• Outils et serveurs MCP : connectez des agents à des serveurs MCP gérés par Databricks pour les agents Genie, la recherche IA, les fonctions Unity Catalog et SQL, ou à des serveurs MCP personnalisés et externes. Consultez la page MCP et outils d'agent.
• Recherche IA : récupérez du contenu non structuré pertinent grâce à Databricks AI Search, y compris pour les applications de génération augmentée de récupération (RAG).
• Données métier : ancrez les agents dans les tables, les fichiers et les Genie Agents que votre organisation gère déjà dans Unity Catalog.

Observabilité et qualité

Le MLflow géré par Databricks fournit des fonctionnalités de traçage, d'évaluation et de monitoring pour les agents. MLflow Tracing enregistre chaque étape effectuée par un agent, en développement et en production. L'évaluation utilise des juges LLM intégrés, des évaluateurs personnalisés et des retours d'experts pour mesurer la qualité, tandis que le monitoring de la production détecte les régressions. Vous pouvez stocker des traces dans Unity Catalog et les analyser à grande échelle. Découvrez ce qu'est l'observabilité et la qualité des agents.

Gouvernance et contrôle

• Gouvernance unifiée : Unity Catalog régit les données, les outils, les modèles et les agents utilisés par vos agents, avec des autorisations et un lineage.
• Politiques concernant les modèles, les serveurs MCP et les compétences : Unity Gateway gère l'accès aux modèles, aux serveurs MCP et aux compétences, et applique des garde-fous, des limites de débit et un suivi de l'utilisation sur les appels qu'il achemine.
• Choix : utilisez n'importe quel framework ou harness ainsi que n'importe quel modèle, et changez de modèle sans avoir à réécrire votre agent.

Cycle de vie du développement d'un agent

La création d'un agent de production est itérative. Les étapes suivantes décrivent un cycle de vie typique.

1. Définissez le cas d'usage et les critères de réussite : mettez-vous d'accord sur ce que l'agent doit faire, sur les personnes qui l'utilisent et sur la manière de mesurer la qualité, le coût et la latence. Recueillez dès le début des exemples de requêtes et de réponses attendues.
2. Créer un agent initial : Start par la conception la moins complexe qui fonctionne. Connectez l'agent aux modèles, aux serveurs MCP et aux compétences via Unity Gateway, puis exécutez-le localement.
3. Évaluer et itérer sur la qualité : utilisez les traces pour déboguer le comportement, créez un dataset d’évaluation à partir de requêtes réelles et des commentaires d'experts, et exécutez des évaluations pour mesurer l'effet de chaque modification apportée aux invites, aux outils ou aux modèles.
4. Déploiement : déployez le serveur d'agents vers le runtime d'agents, avec les magasins, les outils et les autorisations requis par l'agent.
5. Surveiller et améliorer en production : surveillez la qualité avec les traces de production et les évaluateurs, collectez les retours des utilisateurs et réinjectez vos apprentissages dans l'évaluation.

Agent Bricks et autres offres d’agents sur Databricks

• Genie One : l'expérience Databricks permettant aux utilisateurs métier d'interroger les données en langage naturel, d'afficher des tableaux de bord et d'utiliser des applications, sans écrire de code. Un agent personnalisé créé sur Agent Bricks peut appeler Genie One comme un outil. Pour l'ajouter à un projet Agent Bricks CLI, exécutez agentbricks tools add genie-one.
• Agents Genie : une méthode low-code pour créer des agents qui répondent à des questions sur vos tables et documents. Utilisez les agents Genie lorsque vous n'avez pas besoin de code d'agent personnalisé. Vos agents personnalisés peuvent également appeler des agents Genie comme outils.
• Omnigent : un méta-harnais permettant de composer et de faire collaborer des agents, par exemple en combinant des agents de codage. Vous pouvez utiliser Omnigent pour développer des agents personnalisés qui s’exécutent sur Agent Bricks.
• Constructeurs d'agents hérités : les produits antérieurs, tels que Knowledge Assistant et Supervisor Agent, ne sont plus recommandés pour les nouveaux agents. Consultez la section Offres d'agents hérités.

Ressources supplémentaires

• Guide de démarrage rapide d'Agent Bricks: créez et déployez votre premier agent avec l'interface CLI d'Agent Bricks.
• Déployer des agents sur Databricks: découvrez comment les agents sont déployés et mis en service.
• Qu’est-ce que l’observabilité et la qualité des agents ? Suivez, évaluez et surveillez votre agent.
• L'IA sur Databricks: cas d'usage, clients et autres ressources.
• FAQ Agent Bricks: réponses aux questions fréquentes concernant Agent Bricks.