Criar um agente AI

Prévia

Esse recurso está em Pré-lançamento público.

Este artigo apresenta o processo de criação de agentes AI em Databricks e descreve os métodos disponíveis para a criação de agentes.

Para saber mais sobre agentes, consulte O que são sistemas compostos AI e agentes AI?

Crie um agente em código

O Mosaic AI Agent Framework e o MLflow fornecem ferramentas para ajudar o senhor a criar agentes prontos para a empresa em Python.

Databricks oferece suporte a agentes de autoria que usam biblioteca de autoria de agentes de terceiros, como LangChain, LlamaIndex ou implementações personalizadas de Python.

Para saber como criar agentes AI em Databricks, consulte Autorizar agentes AI no código.

Protótipo de agentes com o AI Playground

O AI Playground é a maneira mais fácil de começar a criar um agente na Databricks. O AI Playground permite que o senhor selecione entre vários LLMs e adicione rapidamente ferramentas ao LLM usando uma interface de usuário com pouco código. Em seguida, você pode conversar com o agente para testar suas respostas e, em seguida, exportar o agente para código para implantação ou desenvolvimento adicional.

Consulte Protótipo de agentes de chamada de ferramentas no AI Playground.

O AI Playground oferece uma opção de baixo código para a criação de protótipos de agentes.

Compreender as assinaturas do modelo para garantir a compatibilidade com o recurso Databricks

O Mosaic AI usa MLflow Model Signatures para definir os requisitos de esquema de entrada e saída dos agentes. A assinatura do modelo informa aos componentes internos e externos como interagir com seu agente e valida se eles aderem ao esquema.

Para garantir a compatibilidade com Databricks e MLflow recurso, seu agente deve estar em conformidade com as assinaturas ChatCompletionRequest e ChatCompletionResponse da OpenAI, que são código aberto e amplamente compatíveis com outras plataformas.

Além disso, a Databricks oferece suporte a campos de entrada e saída personalizados que ampliam esses esquemas. Para facilitar isso, o site MLflow oferece ChatModel, que adiciona campos personalizados pelo site default.

Isso garante que qualquer agente criado usando a interface ChatModel será automaticamente compatível com a interface de conclusão de bate-papo e com o conjunto de ferramentas mais amplo da Databricks.

MLflowConsulte: Começando a usar o ChatModel.