Was ist Agent Bricks?

Agent Bricks ist die Azure Databricks Agent-Entwicklungsplattform. Nutzen Sie es, um die Agenten zu erstellen und zu deployen, die Ihre agentischen Produkte und Arbeitsabläufe antreiben. Agent Bricks ist für Entwickler konzipiert, die Code schreiben. Sie bringen einen Agenten mit, der mit einem beliebigen Framework oder Harness erstellt wurde, und wählen ein beliebiges Modell aus.

Agent Bricks unterstützt die Kern-Arbeitsabläufe zum Erstellen eines Produktionsagenten:

• Setzen Sie Ihren Agenten ein:Agent Runtime beherbergt Agenten, die mit jedem beliebigen Framework oder Harness gebaut wurden, entweder zustandsbehaftet oder zustandslos. DurableAgentServer, Teil der AgentKit-Bibliothek, ermöglicht eine dauerhafte Ausführung, sodass Ausführungen Neustarts und Abstürze überstehen.
• Code sicher ausführen: Agenten führen den Code, den sie schreiben, in Databricks Sandbox aus, einer isolierten Umgebung, deren Home-Verzeichnis über Sitzungen hinweg erhalten bleibt.
• Geben Sie Ihrem Agenten Kontext: Das verwaltete Agenten-Gedächtnis ermöglicht es Ihrem Agenten, sich daran zu erinnern, was es in früheren Gesprächen gelernt hat, sodass er seine Antworten personalisieren kann.
• Debuggen und testen Sie Ihren Agenten: MLflow Tracing zeichnet jeden Schritt Ihres Agenten auf, und Sie können Traces im Unity-Katalog in großem Maßstab speichern und steuern.

Die Agent Bricks CLI erstellt das Grundgerüst für Agent-Code, der eine Verbindung zu diesen Diensten herstellt. Du kannst lokal iterieren, auch mit Coding-Agenten, und dann im großen Maßstab aus der deklarativen agent.toml Datei deployen, die die Ressourcen deines Agenten erfasst.

Wie Agent Bricks mit anderen Azure Databricks-Angeboten zusammenhängt:

• Genie Agents: Genie Agents dient dazu, Agenten ohne Code zu erstellen, wie zum Beispiel Agenten, die Fragen über Ihre Tabellen und Dokumente beantworten. Agent Bricks ist für Entwickler, die ihren eigenen Agentencode schreiben. Ein Custom Agent kann Genie Agents als Tools aufrufen.
• Genie One: Genie One ist für Geschäftskunden, die Fragen zu Daten stellen, Dashboards ansehen und Apps nutzen möchten, ohne Code zu schreiben. Agent Bricks ist für Entwickler, die die Agenten selbst bauen. Ein Custom Agent kann Genie One als Werkzeug aufrufen, um auf Ihren Geschäftskontext zurückzugreifen.
• Omnigent: Omnigent ist ein Meta-Harness, das mehrere Agenten kombiniert und koordiniert, wie zum Beispiel codierende Agenten. Du kannst Omnigent nutzen, um einen benutzerdefinierten Agenten zu entwickeln, den du auf Agent Bricks einsetzt und ausführst.

Komponenten eines Agenten

Ein Agent ist ein KI-System, das eine Anfrage wahrnimmt, entscheidet, was zu tun ist, und handelt, um ein Ziel zu erreichen. Im Gegensatz zu einem einzelnen Modellaufruf führt ein Agent eine Schleife durch. Es analysiert die Anfrage mit einem Modell, ruft Werkzeuge auf, um Informationen zu sammeln oder Maßnahmen zu ergreifen, beobachtet die Ergebnisse und wiederholt das, bis es antworten kann.

Ein Produktionsagent kombiniert typischerweise die folgenden Komponenten:

• Framework oder Harness: Dein Code. Die Agent-Schleife, aufgebaut mit einem Framework oder Harness wie LangGraph oder dem OpenAI Agents SDK, plus die Anweisungen und Orchestrierungslogik, die definieren, wie sich der Agent verhält.
• Modell: Das große Sprachmodell (LLM), das über jeden Schritt nachdenkt und entscheidet, welche Aktion als Nächstes ausgeführt werden soll.
• Tools: Funktionen, die der Agent aufruft, um Daten, einschließlich Ihrer Geschäftsdaten, abzurufen oder den Zustand eines anderen Systems zu ändern. Beispiele sind Model Context Protocol (MCP)-Server, APIs und Sandboxen, die den vom Agent geschriebenen Code ausführen.
• Agent State: Was der Agent speichert. Der Agentenzustand umfasst die aktuelle Sitzung, also das laufende Gespräch oder die Aufgabe, und den Speicher, also das, was der Agent sitzungsübergreifend lernt und abruft.
• Agent-Server: Die Bibliothek, die die Agent-Schleife in einen HTTP-Server umwickelt. Es stellt die API bereit, die Clients aufrufen, verwaltet Client-Verbindungen und sorgt für die Haltbarkeit, indem der Zustand jedes Laufs in einem Runtime Store gespeichert wird.
• Agent-Laufzeit: Die verwaltete Rechenleistung, die den Agentenserver betreibt und Hosting, Identität und Skalierung übernimmt.
• Observabilität: Spuren, die jeden Schritt des Agenten aufzeichnen, sowie Bewertungen, die messen, ob sein Ergebnis gut ist.
• Governance: Identität, Berechtigungen und Richtlinien, die steuern, welche Modelle, Werkzeuge und Daten der Agent nutzen darf.

Das Framework oder Harness, der Agent-Server und die Agent-Laufzeit bilden zusammen den Agent-Compute-Stack. Siehe Agents auf Azure Databricks bereitstellen.

Herausforderungen bei der Entwicklung von Agenten im Produktivbetrieb

Ein Prototyp-Agent kann an einem Nachmittag auf einem Laptop laufen. Agenten zuverlässig für echte Nutzer zu betreiben, ist schwieriger. Teams, die Agenten selbst bauen, verbringen oft die meiste Zeit mit dem Aufbau und Betrieb der Infrastruktur, anstatt den Agenten zu verbessern. Die häufigsten Herausforderungen lassen sich in fünf Bereiche einteilen:

• Modellzugang: Teams müssen zwischen Frontier- und Open-Modellen wählen, die Modelle wechseln oder aktualisieren, ohne Code neu zu schreiben, und genügend Kapazität im Produktionsmaßstab erreichen, während sie Kosten und Zugang kontrollieren.
• Compute: Agenten benötigen Rechenleistung, die mit dem Datenverkehr skaliert, lang laufende Prozesse über Neustarts und Ausfälle hinweg fortführt und jede Sitzung isoliert. Agenten, die Code schreiben und ausführen, brauchen einen sicheren Ort, um ihn auszuführen.
• Kontext: Agenten geben bessere Antworten, wenn sie zur richtigen Zeit die richtigen Daten haben. Das erfordert einen dauerhaften Konversationszustand, einen Speicher, der über Sitzungen hinweg erhalten bleibt, sowie sicheren Zugriff auf Geschäftsdaten und -tools, ohne Daten zu kopieren oder Zugangsdaten zu teilen.
• Qualität: Agenten produzieren offene, nicht-deterministische Ergebnisse, daher ist "gut" schwer zu definieren und zu messen. Ohne Nachverfolgung und Bewertung können Teams Fehler nicht debuggen, Qualität gegenüber Stakeholdern nicht nachweisen oder Regressionen in der Produktion erkennen.
• Governance und Kontrolle: Agenten basieren auf Daten und rufen externe Dienste an. Ohne einheitliche Berechtigungen, Richtlinien und Nutzungsverfolgung riskieren Organisationen Datenlecks, Compliance-Lücken, unbefugte Nutzung und unerwartete Kosten. Teams wollen außerdem vermeiden, ihre Agenten an einen einzigen Modellanbieter oder Cloud-Anbieter zu binden.

Wie Agent Bricks diese Herausforderungen angeht

Agent Bricks stellt für jede Ebene des Stacks einen verwalteten Baustein bereit. Die Komponenten teilen sich ein Identitäts- und Governance-Modell und arbeiten zusammen, aber du kannst auch jede einzelne für sich verwenden. Du behältst deine Framework-, Harness- und Modellauswahl.

Fang mit der Agent Bricks CLI an

Die Agent Bricks CLI bietet einen geführten Pfad von einem leeren Verzeichnis zu einem eingesetzten Agenten. Es erstellt ein Projekt aus einer Framework-Vorlage, führt den Agenten lokal aus und stellt es mit bereits konfiguriertem Modellzugriff, Speicher, Sitzungen, Tools und Tracing bereit. Eine deklarative agent.toml Datei erfasst die verwalteten Ressourcen, auf die der Agent angewiesen ist. Um Ihren ersten Agenten zu erstellen, lesen Sie den Agent Bricks Quickstart.

Models

Unity Gateway bietet Ihrem Agenten eine API für Frontier- und Open-Modelle, einschließlich Modellen, die Azure Databricks über Foundation Model APIs hostet, und Modellen von externen Anbietern. Du kannst das Modell wechseln, ohne den Agentencode zu ändern. Unity Gateway steuert außerdem die MCP-Server und Skills, die deine Agenten nutzen, und wendet Rate-Limits, Schutzmechanismen und Nutzungsverfolgung auf die Anfragen an, die ihn durchlaufen.

Compute

• Agent-Server: DurableAgentServer Wrappt deine Agent-Schleife und stellt die Invocation-API bereit, mit synchronen, Streaming- und Hintergrundanfragen, persistentem Laufzeitzustand und Absturzwiederherstellung. Agenten, die du mit der Agent Bricks CLI erstellst, nutzen dies standardmäßig.
• Agent Runtime: Agent Runtime betreibt den Agent-Server auf Databricks Apps an einem stabilen, authentifizierten Endpunkt. agentbricks deploy stellt die benötigten Ressourcen bereit und gewährt ihm Zugang zu ihnen. Um einen bereitgestellten Agenten abzufragen, siehe Auf Azure Databricks bereitgestellte Agenten abfragen.

• Databricks Sandbox: Databricks Sandbox ist ein Tool, das dein Agent aufruft, um den von ihm geschriebenen Code in einer isolierten Umgebung auszuführen, mit begrenztem Zugriff auf deine verwalteten Daten.

Um zu erfahren, wie diese Schichten zusammenpassen, siehe Agenten auf Azure Databricks bereitstellen.

Kontext

• Verwalteter Speicher und Sitzungen: Sitzungen speichern den Zustand eines Gesprächs oder einer Aufgabe, und der Speicher speichert die Fakten und Präferenzen, die ein Agent in späteren Gesprächen abruft. Beide sind verwaltete Stores, die von Lakebase unterstützt werden und mit jedem Framework funktionieren. Siehe Agenten-Speicher und Sitzungen.
• Kombinierter Geschäftskontext mit Genie One: Der Genie One MCP-Server bietet Ihrem Agenten den kombinierten Geschäftskontext Ihrer Organisation. Der Agent stellt eine Frage in natürlicher Sprache, und Genie beantwortet sie in deinen verwalteten Daten, wobei Genie Ontology verwendet wird, um Geschäftsbegriffe, Metrikdefinitionen und Tabellenbeziehungen aufzulösen. Die Unity Catalog-Berechtigungen gelten, sodass der Agent nur Daten abfragen kann, auf die er zugreifen darf. Um es zu einem Agent Bricks CLI-Projekt hinzuzufügen, führe agentbricks tools add genie-one.
• Tools und MCP-Server: Verbinden Sie Agenten mit von Azure Databricks verwalteten MCP-Servern für Genie Agents, KI-Suche, Unity Catalog-Funktionen und SQL oder mit benutzerdefinierten und externen MCP-Servern. Siehe MCPs.
• KI-Suche: Beziehen Sie relevante unstrukturierte Inhalte mit Databricks AI Search ab, einschließlich für Retrieval-Augmented Generation (RAG)-Anwendungen.
• Geschäftsdaten: Verankern Sie Agents in den Tabellen, Dateien und Genie-Agenten, die Ihre Organisation bereits im Unity-Katalog verwaltet.

Observability und Qualität

Von Azure Databricks verwaltetes MLflow bietet Nachverfolgung, Bewertung und Überwachung für Agenten. MLflow Tracing dokumentiert jeden Schritt, den ein Agent in der Entwicklung und in der Produktion unternimmt. Die Bewertung nutzt integrierte LLM-Bewerter, benutzerdefinierte Bewerter und Expertenfeedback, um Qualität zu messen, und Produktionsmonitoring erkennt Regressionen. Du kannst Traces im Unity-Katalog speichern und sie im großen Maßstab analysieren. Was ist Agenten-Observabilität und -qualität?

Governance und Steuerung

• Einheitliche Governance: Unity Catalog steuert die Daten, Werkzeuge, Modelle und Agenten, die Ihre Agenten verwenden, mit Berechtigungen und Datenherkunft.
• Richtlinien zu Modellen, MCP-Servern und Fähigkeiten:Unity Gateway regelt den Zugriff auf Modelle, MCP-Server und Fähigkeiten und setzt Leitplanken, Rate-Limits und Nutzungsverfolgung der von ihm geleiteten Calls durch.
• Wahl: Verwenden Sie jedes Framework oder Harness und jedes Modell und wechseln Sie das Modell, ohne Ihren Agenten neu zu schreiben.

Lebenszyklus der Agentenentwicklung

Der Bau eines Produktionsagenten ist iterativ. Die folgenden Schritte beschreiben einen typischen Lebenszyklus.

1. Definieren Sie den Anwendungsfall und die Erfolgskriterien: Einigen Sie sich darauf, was der Agent tun soll, wer ihn nutzt und wie Sie Qualität, Kosten und Latenz messen. Sammeln Sie frühzeitig Beispielanfragen und erwartete Antworten.
2. Baue einen anfänglichen Agenten: Beginne mit dem am wenigsten komplexen Design, das funktioniert. Verbinde den Agent mit Modellen, MCP-Servern und Skills über Unity Gateway und führe es lokal aus.
3. Qualität bewerten und iterieren: Verwenden Sie Traces, um Verhalten zu debuggen, erstellen Sie einen Evaluationsdatensatz aus echten Anfragen und Expertenfeedback und führen Sie Bewertungen durch, um die Wirkung jeder Änderung an Prompts, Tools oder Modellen zu messen.
4. Deploy: Stelle den Agent-Server in der Agent-Laufzeit mit den Speichern, Tools und Berechtigungen bereit, die der Agent benötigt.
5. In der Produktion überwachen und verbessern: Überwachen Sie die Qualität mit Produktionstraces und Scorern, sammeln Sie Nutzerfeedback und geben Sie das Gelernte in die Bewertung zurück.

Agent Bricks und andere Agentenangebote auf Azure Databricks

• Genie One: Das Azure Databricks-Erlebnis für Geschäftsanwender, um Fragen zu Daten in natürlicher Sprache zu stellen, Dashboards anzusehen und Apps zu nutzen, ohne Code schreiben zu müssen. Ein maßgeschneiderter Agent, der auf Agent Bricks basiert, kann Genie One als Werkzeug aufrufen. Um es zu einem Agent Bricks CLI-Projekt hinzuzufügen, führe agentbricks tools add genie-one.
• Genie-Agenten: Eine Low-Code-Methode, um Agenten zu erstellen, die Fragen über Ihre Tabellen und Dokumente beantworten. Nutze Genie Agents, wenn du keinen benutzerdefinierten Agentencode brauchst. Ihre Custom Agents können auch Genie Agents als Werkzeuge aufrufen.
• Omnigent: Ein Meta-Harness zum Orchestrieren und Zusammenarbeiten mit Agenten, zum Beispiel durch das Kombinieren von Coding-Agenten. Du kannst Omnigent nutzen, um benutzerdefinierte Agenten zu entwickeln, die auf Agent Bricks laufen.
• Legacy-Agent-Builder: Frühere Produkte wie Knowledge Assistant und Supervisor Agent werden für neue Agenten nicht mehr empfohlen. Siehe Weitere Möglichkeiten, Agenten aufzubauen.

Weitere Ressourcen

• Agent Bricks Quickstart: Baue und deploye deinen ersten Agenten mit der Agent Bricks CLI.
• Agenten auf Azure Databricks bereitstellen: Erfahren Sie, wie Agenten bereitgestellt und ausgeführt werden.
• Was ist Agent-Observability und -qualität?: Verfolgen, bewerten und überwachen Sie Ihren Agent.
• KI auf Databricks: Anwendungsfälle, Kunden und andere Ressourcen.
• Agent Bricks FAQ: Antworten auf häufige Fragen zu Agent Bricks.