O que é o Agent Bricks?

Agent Bricks é a plataforma de desenvolvedor de agentes da Databricks. Use-o para construir e implantar os agentes que alimentam seus produtos e fluxos de trabalho de agentes. O Agent Bricks foi desenvolvido para desenvolvedores que escrevem código. Você traz um agente construído com qualquer framework ou ferramenta e escolhe qualquer modelo.

O Agent Bricks oferece suporte aos fluxos de trabalho principais para a criação de um agente de produção:

• Deploy your agent : Agent Runtime hosts agents built with any framework or harness, stateful or stateless. DurableAgentServer, part of the AgentKit library, adds durable execution so that execuções survive restarts and crashes.
• Give your agent context : Memória de agente gerenciada lets your agent recall what it learned in earlier conversations, so it can personalize its responses.
• Depure e teste seu agente : MLflow Tracing registra cada passo que seu agente realiza, e você pode armazenar e governar rastreamentos em escala no Unity Catalog.

A Agent Bricks CLI gera o código do agente que se conecta a esses serviços. Você pode iterar localmente, inclusive com agentes de codificação, e depois fazer a implantação em escala a partir do arquivo declarativo agent.toml que registra os recursos do seu agente.

How Agent Bricks relates to other Databricks offerings:

• Genie Agents : o Genie Agents serve para criar agentes sem código, como agentes que respondem a perguntas sobre suas tabelas e documentos. O Agent Bricks é destinado a desenvolvedores que escrevem seu próprio código de agente. Um agente personalizado pode chamar o Genie Agents como ferramentas.
• Genie One : o Genie One é para usuários de negócios que desejam fazer perguntas sobre dados, view dashboards e usar aplicativos sem escrever código. O Agent Bricks é para desenvolvedores que constroem os próprios agentes. Um agente personalizado pode chamar o Genie One como uma ferramenta para aproveitar o seu contexto de negócios.
• Omnigent : o Omnigent é um meta-harness que compõe e coordena vários agentes, como agentes de codificação. You can use Omnigent to develop a custom agent that you implanta e coloca em execução on Agent Bricks.

Components of an agent

Um agente é um sistema de AI que percebe uma solicitação, decide o que fazer e age para atingir um objetivo. Ao contrário de uma chamada de modelo único, um agente executa uma execução. Ele raciocina sobre a solicitação com um modelo, chama ferramentas para coletar informações ou executar ações, observa os resultados e repete até poder responder.

A production agent typically combines the following components:

• Framework ou harness : seu código. O loop do agente, construído com um framework ou harness como LangGraph ou o OpenAI Agents SDK, além das instruções e da lógica de orquestração que definem como o agente se comporta.
• Modelo : O grande modelo de linguagem (LLM) que raciocina sobre cada o passo e decide qual ação tomar a seguir.
• Ferramentas : Funções chamadas pelo agente para recuperar dados, incluindo os dados da sua empresa, ou para alterar o estado de outro sistema. Os exemplos incluem servidores do Model Context Protocol (MCP), APIs e sandboxes que executam o código escrito pelo agente.
• Estado do agente : o que o agente rastreia. O estado do agente inclui a sessão atual, que é a conversa ou tarefa em andamento, e a memória, que é o que o agente aprende e recorda entre as sessões.
• Agent server : A biblioteca que encapsula o loop do agente em um servidor HTTP. Ela expõe a API que os clientes chamam, gerencia conexões de clientes e lida com a durabilidade mantendo o estado de cada execução em um Runtime Store.
• Agent Runtime : o compute gerenciado que dá execução ao servidor do agente e lida com hospedagem, identidade e escalabilidade.
• Observability : rastreios que registram cada o passo que o agente executa e avaliações que medem se a saída dele é boa.
• Governança : identidade, permissões e políticas que controlam quais modelos, ferramentas e dados o agente pode usar.

The framework or harness, the agent server, and the agent runtime together form the agent compute stack. Consulte Deploy agents on Databricks.

Desafios da criação de agentes em produção

Um agente protótipo pode ser executado em um laptop em uma tarde. Executar agentes de forma confiável para usuários reais é mais difícil. As equipes que criam agentes por conta própria geralmente passam a maior parte do tempo montando e operando infraestrutura em vez de melhorar o agente. Os desafios comuns dividem-se em cinco áreas:

• Acesso ao modelo : as equipes precisam escolher entre modelos de fronteira e abertos, alternar ou atualizar modelos sem reescrever o código e obter capacidade suficiente em escala de produção, tudo isso enquanto controlam custos e acessos.
• Compute : os agentes precisam de um compute que escala com o tráfego, mantenha trabalhos de longa duração ativos durante reinicializações e falhas, e isole cada sessão. Agentes que escrevem e executam código precisam de um local seguro para executá-lo.
• Contexto : Os agentes fornecem melhores respostas quando têm os dados certos no momento certo. Isso exige um estado de conversação duradouro, memória que persista entre sessões e acesso seguro a dados e ferramentas de negócios sem copiar dados ou compartilhamento de credenciais.
• Qualidade : agentes produzem saída aberta e não determinística, portanto, "bom" é difícil de definir e medir. Sem rastreamento e avaliação, as equipes não conseguem depurar falhas, provar qualidade para as partes interessadas ou capturar regressões em produção.
• Governança e controle : Os agentes agem sobre dados e chamam serviços externos. Sem permissões, políticas e acompanhamento de uso unificados, as organizações correm o risco de vazamento de dados, lacunas de compliance, uso não autorizado e custos inesperados. As equipes também querem evitar prender seus agentes a um único provedor de modelos ou cloud.

Como o Agent Bricks aborda esses desafios

Agent Bricks fornece um bloco de construção gerenciado para cada camada da pilha. The components share one identity and governance model and work together, but you can also use each one on its own. You keep your framework, harness, and model choices.

Desafio	Componentes do Agent Bricks
Acesso ao modelo	Unity Gateway e APIs do Foundation Model
Compute	Agent Server (DurableAgentServer) and Agent Runtime
Contexto	Memória de agente gerenciada e sessões de agente gerenciadas, servidores MCP e ferramentas de agentes, AI Search e Genie Agents
Qualidade	Rastreamento, avaliação e monitoramento do MLflow
Governança e controle	Políticas do Unity Catalog e do Unity Gateway, além de suporte a qualquer framework, harness e modelo

Desafio	Componentes do Agent Bricks
Acesso ao modelo	Unity Gateway e APIs do Foundation Model
Compute	Agent Server (DurableAgentServer) and Agent Runtime
Contexto	Memória de agente gerenciada e sessões de agente gerenciadas, servidores MCP e ferramentas de agentes, AI Search e Genie Agents
Qualidade	Rastreamento, avaliação e monitoramento do MLflow
Governança e controle	Políticas do Unity Catalog e do Unity Gateway, além de suporte a qualquer framework, harness e modelo

Comece a usar a CLI do Agent Bricks

A Agent Bricks CLI oferece um caminho guiado de um diretório vazio até um agente implantado. Ele cria a estrutura de um projeto a partir de um padrão de framework, executa o agente localmente e o implanta com acesso a modelos, memória, sessões, ferramentas e rastreamento já configurados. Um arquivo agent.toml declarativo registra os recursos gerenciados dos quais o agente depende. Para criar seu primeiro agente, consulte Início rápido do Agent Bricks.

Modelos

Unity Gateway fornece ao seu agente uma única API para modelos de fronteira e abertos, incluindo modelos hospedados pelo Databricks por meio de Foundation Model APIs e modelos de provedores externos. Você pode trocar de modelo sem alterar o código do agente. O Unity Gateway também governa os servidores MCP e as skills que seus agentes usam, e aplica limites de taxa, proteções e acompanhamento de uso às solicitações que passam por ele.

compute

• Servidor do agente : DurableAgentServer envolve seu loop de agente e disponibiliza a API de invocação, com solicitações síncronas, de transmissão e em segundo plano, estado de execução persistente e recuperação de falhas. Os agentes criados com a CLI do Agent Bricks a utilizam por default.
• Agent Runtime : Agent Runtime faz a execução the agent server on Databricks Apps at a stable, authenticated Endpoint. agentbricks deploy provisions the recursos that your agent needs and grants it access to them. To query um agente implantado, see Query agentes implantados no Databricks.

To learn how these layers fit together, see Deploy agents on Databricks.

Contexto

• Memória e sessões gerenciadas : As sessões armazenam o estado de uma conversa ou tarefa, e a memória armazena os fatos e as preferências que um agente recorda em conversas posteriores. Ambos são armazenamentos gerenciados sustentados pelo Lakebase que funcionam com qualquer framework. Consulte Memória e sessões do agente.
• Contexto de negócios combinado com o Genie One : O servidor MCP do Genie One fornece ao seu agente o contexto de negócios combinado da sua organização. O agente faz uma pergunta em linguagem natural, e o Genie responde com base nos seus dados governados, usando a ontologia do Genie para resolver termos de negócios, definições de métricas e relacionamentos de tabelas. As permissões do Unity Catalog se aplicam, portanto, o agente só pode fazer query nos dados que tem permissão para acessar. Para adicioná-lo a um projeto do Agent Bricks CLI, execute agentbricks tools add genie-one.
• Ferramentas e servidores MCP : conecte agentes a servidores MCP gerenciados pelo Databricks para Genie Agents, Pesquisa de AI, funções do Unity Catalog e SQL, ou a servidores MCP personalizados e externos. Consulte MCPs.
• AI Search : recupere conteúdo não estruturado relevante com o Databricks AI Search, inclusive para aplicativos de geração aumentada de recuperação (RAG).
• Business data : baseie os agentes nas tabelas, nos arquivos e nos Genie Agents que sua organização já gerencia no Unity Catalog.

Observabilidade e qualidade

Databricks-gerenciado MLflow provides tracing, evaluation, and monitoramento para agents. MLflow Tracing records each o passo that an agent takes, in development and in production. Evaluation uses integradas LLM judges, custom scorers, and expert feedback to measure quality, and production monitoramento catches regressions. You can store traces in Unity Catalog and analyze them em escala. See What is agent observability and quality?.

Governança e controle

• Governança unificada : Unity Catalog rege os dados, ferramentas, modelos e agentes que seus agentes usam, com permissões e linhagem.
• Políticas sobre modelos, servidores MCP e habilidades : o Unity Gateway rege o acesso a modelos, servidores MCP e habilidades, e impõe salvaguardas, limites de taxa e acompanhamento de uso nas chamadas que ele roteia.
• Escolha : use qualquer framework ou harness e qualquer modelo, e alterne entre modelos sem reescrever seu agente.

Ciclo de vida do desenvolvimento de agentes

Criar um agente de produção é um processo iterativo. Os passos seguintes descrevem um ciclo de vida típico.

1. Define the use case and success criteria : concorde sobre o que o agente deve fazer, quem o usa e como você mede qualidade, custo e latência. Colete exemplos de solicitações e respostas esperadas antecipadamente.
2. Criar um agente inicial : comece com o design menos complexo que funcione. Conecte o agente a modelos, servidores MCP e habilidades por meio do Unity Gateway e faça a execução localmente.
3. Evaluate and iterate on quality : use rastreios para depurar o comportamento, crie um dataset de avaliação com base em solicitações reais e feedback de especialistas, e realize a execução de avaliações para medir o efeito de cada alteração em prompts, ferramentas ou modelos.
4. Implantar : Implante o servidor de agentes no runtime do agente, com os repositórios, ferramentas e permissões de que o agente precisa.
5. Monitorar e aprimorar em produção : Monitore a qualidade com rastreamentos e avaliadores de produção, colete o feedback do usuário e realimente a avaliação com o que você aprendeu.

Agent Bricks e outras ofertas de agentes no Databricks

• Genie One : The Databricks experience for business users to ask questions about data in natural language, view dashboards, and use apps, without writing code. A custom agent built on Agent Bricks can call Genie One as a tool. To add it to an Agent Bricks CLI project, execução agentbricks tools add genie-one.
• Genie Agents : uma maneira de código mínimo para criar agentes que respondem a perguntas sobre suas tabelas e documentos. Use Genie Agents quando não precisar de código de agente personalizado. Seus agentes personalizados também podem chamar Genie Agents como ferramentas.
• Omnigent : A meta-harness for composing and collaborating with agents, such as combining coding agents. You can use Omnigent to develop custom agents that execução on Agent Bricks.
• Legacy agent builders : Earlier produtos, such as Knowledge Assistant and Supervisor Agent, are no longer recommended for new agents. See Other ways to build agents.

Additional recursos

• Início rápido do Agent Bricks: Construa e implante seu primeiro agente com a CLI do Agent Bricks.
• Implantar agentes no Databricks: saiba como os agentes são implantados e disponibilizados.
• What is agent observability and quality?: rastreie, avalie e monitorate seu agente.
• AI no Databricks: Casos de uso, clientes e outros recurso.
• Perguntas frequentes sobre o Agent Bricks: respostas para perguntas comuns sobre o Agent Bricks.