メインコンテンツまでスキップ
に最終更新

始めましょう: ノーコードで LLM をクエリし、AI エージェントのプロトタイプを作成する

この 5 分間のノーコード チュートリアルでは、 Databricksにおける生成AIを紹介します。この AI Playground を使用して、次の操作を行います。

  • 大規模言語モデル (LLM) のクエリを実行し、結果を並べて比較する
  • ツールを呼び出すAIエージェントのプロトタイプ作成
  • エージェントをDatabricks Appsまたはノートブックにエクスポートします。
  • オプション: RAG(Retrieval-augmented generation)を使用した質問応答チャットボットのプロトタイプ作成

始める前に​

ワークスペースが以下にアクセスできることを確認します。

ステップ 1: AI Playground を使用して LLM をクエリする​

AI Playground を使用して、チャット インターフェースで LLM にクエリを実行します。

  1. ワークスペースで、 AI/機械学習 の左側のナビゲーション ウィンドウから Playground を選択します。
  2. 「RAG とは何ですか?」などの質問を入力します。

新しい LLM を追加して、応答を並べて比較します。

  1. 右上の + を選択して、比較用のモデルを追加します。
  2. 新しいペインで、ドロップダウンセレクターを使用して別のモデルを選択します。
  3. [ 同期 ] チェックボックスをオンにして、クエリを同期します。
  4. 「複合 AI システムとは何ですか?」などの新しいプロンプトを試して、2 つの応答を並べて表示します。

AI playground

さまざまな LLM をテストして比較し続けることで、AI エージェントの構築に最適な LLM を決定できます。

ステップ 2: ツールを呼び出す AI エージェントのプロトタイプを作成する​

ツールを使用すると、LLMは言語を生成する以上のことを行うことができます。ツールでは、外部データのクエリ、コードの実行、その他のアクションを実行できます。AI Playground には、ツールコール エージェントのプロトタイプを作成するためのノーコード オプションが用意されています。

  1. Playground から、[ Tools enabled ] というラベルの付いたモデルを選択します。

    ツール呼び出し LLM を選択します

  2. ツール > + ツールの追加 を選択し、組み込みの Unity Catalog 関数 [system.ai.python_exec] を選択します。

    この関数を使用すると、エージェントは任意のPythonコードを実行できます。

    ホストされた関数ツールを選択する

    その他のツール オプションは次のとおりです。

    • UC関数 : エージェントが使用するUnity Catalog関数を選択します。
    • 関数定義 : エージェントが呼び出すカスタム関数を定義します。
    • AI検索 ：AI検索インデックス を指定します。エージェントがAI検索インデックスを使用している場合、その応答には使用されたソースが引用されます。
    • MCP : 管理された Databricks MCP サーバーまたは外部 MCP サーバーを使用するようにMCP サーバーを指定します。

  3. Python コードの生成または実行に関連する質問をします。プロンプトの言い回しにさまざまなバリエーションを試すことができます。複数のツールを追加すると、LLM は適切なツールを選択して応答を生成します。

    ホスト型関数ツールを使用した LLM のプロトタイプ作成

オプション: RAGの質問応答ボットのプロトタイプ作成​

ワークスペースにAI検索インデックスが設定されている場合は、Q&Aボットを試作できます。この種類のエージェントは、AI Search インデックス内のドキュメントを使用して、それらのドキュメントに基づいて質問に答えます。

  1. ツール > + ツールの追加 をクリックします。次に、AI検索インデックスを選択します。

    AI検索ツールを選択してください。

  2. ドキュメントに関する質問をしてください。エージェントはインデックスを使用して関連情報を検索し、回答内で使用されたドキュメントを引用します。

    AI Search ツールを用いたLLMのプロトタイピング

AI検索インデックスを設定するには、 AI検索インデックスを作成するを参照してください。

ステップ3: エージェントをエクスポートする​

AI Playground でエージェントをテストした後、Playground の外でデプロイ、評価、および反復できるようにエクスポートします。AI Playground には、2つのエクスポートパスが用意されています。

  • Databricks Apps にエクスポート（推奨） ：組み込みのチャット UI、MCP ツールワイヤリング、および認証機能を備えた、agent-openai-agents-sdk テンプレートからデプロイ可能なエージェント アプリをインストールします。このパスを新しいエージェント用に選択してください。
  • エージェント ノートブックを作成 (レガシー) ：エージェントを定義し、モデルサービング エンドポイントにデプロイする Python ノートブックを生成します。Databricks Apps がワークスペースまたはリージョンで利用できない場合は、このパスを使用してください。

Export to Databricks Apps オプションは、すぐにチャットできるデプロイされたエージェントアプリを生成します。アプリは、Playground で設定した同じモデル、システムプロンプト、ツール (MCP サーバーとベクトル検索を含む) を使用します。

エクスポートする前に、必ずワークスペースが次の要件を満たしていることを確認してください。

エージェントをエクスポートするには：

  1. Playground で コードを取得 > Databricks Apps にエクスポート をクリックします。

  2. 「 Export to Databricks Apps 」ダイアログで、以下を設定します。

    • 「アプリ名」： agent-で始まり、小文字、数字、ハイフンのみを含む一意の名前です（例：agent-research-assistant ）。
    • アプリの説明: エージェントの機能に関する簡単な説明です。
    • MLflowエクスペリメント ：トレースと評価に使用する既存のMLflowエクスペリメントを選択するか、新しいエクスペリメントを作成します。

  3. エクスポート をクリックします。Databricks では、次のことを行います。

    1. アプリ名が利用可能であることを検証します。
    2. agent-openai-agents-sdkテンプレートをワークスペースにインストールし、必要なリソースに対してアプリに権限を付与します。これらのリソースには、MLflowエクスペリメント、サービングエンドポイント、およびツールとして追加したMCPサーバー、Unity Catalog関数、Genieスペース、またはベクトル検索インデックスが含まれます。
    3. Playground構成からagent_server/agent.pyを生成し、デプロイされたエージェントがテストした内容と一致するようにします。

  4. 成功ダイアログが表示されたら、 View Agent をクリックして、組み込みUIを使用してデプロイされたアプリを開き、チャットしてください。

エージェントコードをカスタマイズする、認証を設定する、評価を追加する、またはDatabricks Asset Bundles (DABs)で再デプロイするには、AIエージェントを作成してDatabricks Appsにデプロイするを参照してください。

次のステップ​

コードファースト アプローチを使用してエージェントを作成するには、 AIエージェントを作成してDatabricks Appsにデプロイするを参照してください。

このページの見出し