Pular para o conteúdo principal
Última atualização em

Integrar ferramentas do Unity Catalog com frameworks de AI generativa de terceiros

As ferramentas de agente de AI do Unity Catalog podem ser usadas em bibliotecas populares de AI generativa como LangChain, LlamaIndex, OpenAI e Anthropic. Essas integrações combinam a governança de ferramentas do Unity Catalog com os recursos de estruturas de autoria de agentes de terceiros. Por exemplo:

  • No LangChain, as funções do Unity Catalog podem fazer parte do fluxo de trabalho de um agente para executar tarefas como consultar ou transformar dados.
  • Nas integrações OpenAI ou Anthropic, as funções são chamadas diretamente pelo modelo de AI durante a execução.

Selecione sua estrutura nas seguintes abas para criar uma ferramenta do Unity Catalog e usá-la com essa estrutura. Execute o código em um Notebook Databricks ou script Python.

Requisitos​

  • Instale o Python 3.10 ou acima.

Use o Databricks Unity Catalog para integrar funções SQL e Python como ferramentas em fluxos de trabalho do LangChain e do LangGraph. Essa integração combina a governança do Unity Catalog com os recursos da LangChain para construir aplicativos poderosos baseados em LLM.

Neste exemplo, você cria uma ferramenta do Unity Catalog, testa sua funcionalidade e a adiciona a um agente.

Instalar dependências​

Instale pacotes de AI do Unity Catalog com o opcional do Databricks e instale o pacote de integração da LangChain.

Python
# Install the Unity Catalog AI integration package with the Databricks extra
%pip install unitycatalog-langchain[databricks]

# Install Databricks Langchain integration package
%pip install databricks-langchain
dbutils.library.restartPython()

Inicialize o Cliente de Função do Databricks​

Inicializar o Cliente de Função do Databricks.

Python
from unitycatalog.ai.core.base import get_uc_function_client

client = get_uc_function_client()

Defina a lógica da ferramenta​

Crie uma função do Unity Catalog contendo a lógica da ferramenta.

Python

CATALOG = "my_catalog"
SCHEMA = "my_schema"

def add_numbers(number_1: float, number_2: float) -> float:
  """
  A function that accepts two floating point numbers adds them,
  and returns the resulting sum as a float.

  Args:
    number_1 (float): The first of the two numbers to add.
    number_2 (float): The second of the two numbers to add.

  Returns:
    float: The sum of the two input numbers.
  """
  return number_1 + number_2

function_info = client.create_python_function(
  func=add_numbers,
  catalog=CATALOG,
  schema=SCHEMA,
  replace=True
)

Teste a função​

Teste sua função para verificar se funciona como esperado:

Python
result = client.execute_function(
  function_name=f"{CATALOG}.{SCHEMA}.add_numbers",
  parameters={"number_1": 36939.0, "number_2": 8922.4}
)

result.value # OUTPUT: '45861.4'

Envolva a função usando o UCFunctionToolKit​

Empacote a função usando UCFunctionToolkit para torná-la acessível às bibliotecas de criação de agentes. O kit de ferramentas garante a consistência em diferentes bibliotecas e adiciona recursos úteis, como o rastreamento automático para recuperadores.

Python
from databricks_langchain import UCFunctionToolkit

# Create a toolkit with the Unity Catalog function
func_name = f"{CATALOG}.{SCHEMA}.add_numbers"
toolkit = UCFunctionToolkit(function_names=[func_name])

tools = toolkit.tools

Use a ferramenta em um agente​

Adicione a ferramenta a um agente LangChain usando a propriedade tools de UCFunctionToolkit.

Este exemplo cria um agente simples usando a API AgentExecutor do LangChain por simplicidade. Para cargas de trabalho de produção, use o fluxo de trabalho de criação de agentes visto em Crie um agente de AI e seja implantado nos Databricks Apps.

Python
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain.prompts import ChatPromptTemplate
from databricks_langchain import (
  ChatDatabricks,
  UCFunctionToolkit,
)
import mlflow

# Initialize the LLM (replace with your LLM of choice, if desired)
LLM_ENDPOINT_NAME = "databricks-meta-llama-3-3-70b-instruct"
llm = ChatDatabricks(endpoint=LLM_ENDPOINT_NAME, temperature=0.1)

# Define the prompt
prompt = ChatPromptTemplate.from_messages(
  [
    (
      "system",
      "You are a helpful assistant. Make sure to use tools for additional functionality.",
    ),
    ("placeholder", "{chat_history}"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
  ]
)

# Enable automatic tracing
mlflow.langchain.autolog()

# Define the agent, specifying the tools from the toolkit above
agent = create_tool_calling_agent(llm, tools, prompt)

# Create the agent executor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "What is 36939.0 + 8922.4?"})
Nesta página