Uso de agentes en Azure Databricks

En esta página se proporciona información general sobre las herramientas para compilar, implementar y usar agentes en Azure Databricks. Para más información sobre los agentes, consulte Patrones de diseño del sistema del agente.

Feature Descripción
Introducción: inteligencia artificial sin código Pruebe AI Playground para pruebas de IU y creación de prototipos.
Introducción: MLflow 3 para GenAI Pruebe MLflow para el seguimiento, la evaluación y los comentarios humanos de GenAI.

Servir y consultar modelos de lenguaje grande (LLM)

Sirva un conjunto mantenido de modelos de INTELIGENCIA ARTIFICIAL de proveedores de LLM, como OpenAI y Anthropic, y haga que estén disponibles a través de API seguras y escalables.

Feature Descripción
Modelos de base Servir modelos de IA, incluidos los modelos de código abierto y de terceros, como Meta Llama, Anthropic Claude, OpenAI GPT, etc.

Compilación e implementación de agentes de nivel empresarial

Compile e implemente sus propios agentes, incluidos los agentes de llamada a herramientas, las aplicaciones de generación aumentada de recuperación y los sistemas multiagente. Para un punto de partida sin código, use AI Playground para seleccionar un LLM, agregar herramientas y chatear con el agente para probar sus respuestas antes de exportar al código.

AI Playground proporciona una opción de código bajo para la creación de prototipos de agente.

Feature Descripción
Ai Playground (sin código) Crear prototipos y probar agentes en un entorno sin código. Experimente rápidamente con los comportamientos del agente y las integraciones de herramientas antes de generar código para la implementación.
Asistente de conocimiento Cree y optimice bots de chat de IA específicos del dominio mediante una interfaz intuitiva.
Agente supervisor Cree un agente de supervisor que organice agentes de Genie, puntos de conexión de agente, funciones de Catálogo de Unity, servidores MCP y agentes personalizados.
Creación de agentes personalizados Cree, implemente y evalúe agentes mediante Python. Admite agentes escritos con cualquier biblioteca de creación, como LangGraph, LangChain, OpenAI y LlamaIndex. Integrado con el seguimiento de MLflow. Itera rápidamente mediante Aplicaciones de Databricks. Para empezar a trabajar rápidamente, consulte Introducción a los agentes.
MCPs y herramientas para agentes Cree herramientas de agente para consultar datos estructurados y no estructurados, ejecutar código o conectarse a las API de servicio externos.
MCP (Protocolo de contexto de modelo) Normalice cómo los agentes se conectan a datos y herramientas con una interfaz segura y coherente.

Registrar y gobernar agentes

Si el agente se ejecuta fuera de Databricks, regístrelo como servicio de agente en el catálogo de Unity para que sea reconocible para su equipo y controlar quién puede usarlo.

Feature Descripción
Servicios de agentes (Beta) Registrar agentes en el Catálogo de Unity. Explore y descubra agentes de todos los equipos desde una sola vista, y controle el acceso con los mismos permisos que protegen sus tablas, modelos y funciones.

Evaluación, depuración y optimización de agentes

Realice un seguimiento del rendimiento del agente, recopile comentarios e impulse las mejoras de calidad con las herramientas de evaluación y seguimiento.

Feature Descripción
Rastreo de MLflow Use el rastreo de MLflow para la observabilidad de principio a fin. Registre todos los pasos que toma el agente para depurar, supervisar y auditar el comportamiento del agente en desarrollo y producción.
Evaluación del agente Usa la Evaluación del Agente y MLflow para medir la calidad, el costo y la latencia. Recopile comentarios de las partes interesadas y expertos en la materia a través de aplicaciones de revisión integradas y use jueces de LLM para identificar y resolver problemas de calidad.
Supervisión de agentes Utiliza la misma configuración de evaluación (jueces LLM y métricas personalizadas) en la evaluación sin conexión y el monitoreo en línea.
  • Last updated on