Prise en main : interrogez des LLM et prototypez des agents sans code

Ce didacticiel sans code de 5 minutes présente l’IA sur Azure Databricks. Vous allez utiliser le AI Playground pour effectuer les tâches suivantes :

• Interroger des modèles de langage volumineux (LLMs) et comparer les résultats côte à côte
• Créez le prototype d’un agent capable d’appeler des outils
• Exporter votre agent vers Databricks Apps ou vers un notebook
• Facultatif : Prototyper un chatbot question-réponse à l’aide d’une génération d’extraction augmentée (RAG)

Avant de commencer

Vérifiez que votre espace de travail peut accéder aux éléments suivants :

• Modèles de base.

• Unity Catalog.
• Agents personnalisés. Consultez Fonctionnalités avec une disponibilité régionale limitée.

Étape 1 : Interroger des grands modèles de langage à l’aide d’AI Playground

Utilisez AI Playground pour interroger des machines virtuelles LLM dans une interface de conversation.

1. Dans votre espace de travail, sélectionnez Playground dans le volet de navigation gauche sous IA/ML.
2. Tapez une question telle que « Qu’est-ce que RAG ? »

Ajoutez un nouveau LLM pour comparer les réponses côte à côte :

1. En haut à droite, sélectionnez + pour ajouter un modèle à des fins de comparaison.
2. Dans le nouveau volet, sélectionnez un autre modèle à l’aide du sélecteur de liste déroulante.
3. Cochez les cases Synchroniser pour synchroniser les requêtes.
4. Essayez une nouvelle requête, par exemple, « Qu'est-ce qu'un système d'IA composite ? » pour voir les deux réponses côte à côte.

Continuez à tester et comparer différents llMs pour vous aider à choisir le meilleur pour créer un agent.

Étape 2 : Prototyper un agent appelant des outils

Les outils permettent aux machines virtuelles d’effectuer plus que de générer le langage. Les outils peuvent interroger des données externes, exécuter du code et effectuer d’autres actions. AI Playground vous offre une option sans code pour prototyper des agents appelant des outils :

1. Dans Playground, choisissez un modèle étiqueté Outils activé.

   

2. Sélectionnez Outils>+ Ajouter un outil et sélectionnez la fonction catalogue Unity intégrée. system.ai.python_exec

   Cette fonction permet à votre agent d’exécuter du code Python arbitraire.

   

   Voici d’autres options d’outil :

   • Fonction UC : sélectionnez une fonction de catalogue Unity que votre agent doit utiliser.
   • Définition de la fonction : définissez une fonction personnalisée pour que votre agent appelle.
   • Recherche IA : spécifiez un index de recherche IA. Si votre agent utilise un index de recherche IA, sa réponse cite les sources utilisées.
   • MCP : spécifiez des serveurs MCP pour utiliser des serveurs MCP managés Databricks ou des serveurs MCP externes.

3. Posez une question qui implique la génération ou l’exécution de code Python. Vous pouvez essayer différentes variantes de la formulation de votre proposition. Si vous ajoutez plusieurs outils, le LLM sélectionne l’outil approprié pour générer une réponse.

   

Facultatif : Prototype d’un bot de réponse aux questions RAG

Si vous disposez d’un index AI Search configuré dans votre espace de travail, vous pouvez prototyper un bot question-réponse. Ce type d’agent utilise des documents dans un index de recherche IA pour répondre à des questions basées sur ces documents.

1. Cliquez sur Outils>+ Ajouter un outil. Sélectionnez ensuite votre index de recherche IA.

   

2. Posez une question relative à vos documents. L’agent peut utiliser l’index pour rechercher des informations pertinentes et citer tous les documents utilisés dans sa réponse.

   

Pour configurer un index de recherche IA, consultez Créer un index de recherche IA.

Étape 3 : Exporter votre agent

Après avoir testé votre agent dans AI Playground, exportez-le afin de pouvoir déployer, évaluer et itérer sur celui-ci en dehors du terrain de jeu. AI Playground propose deux chemins d’exportation :

• Exporter vers Databricks Apps (recommandé) : installe une application d’agent déployable à partir du agent-openai-agents-sdk modèle, y compris une interface utilisateur de conversation intégrée, un câblage d’outils MCP et une authentification. Choisissez cette option pour les nouveaux agents.
• Create agent notebook (hérité) : génère un bloc-notes Python qui définit l’agent et le déploie sur un point de terminaison Model Serving. Choisissez ce chemin si Databricks Apps n’est pas disponible dans votre espace de travail ou région.

Exporter vers les applications (recommandé)

L’option Exporter vers Databricks Apps génère une application d’agent déjà déployée avec laquelle vous pouvez discuter. L’application utilise le même modèle, l’invite système et les outils (y compris les serveurs MCP et la recherche vectorielle) que vous avez configurés dans le terrain de jeu.

Avant d’exporter, vérifiez que votre espace de travail répond aux exigences suivantes :

• Databricks Apps doit être activé dans votre espace de travail. Consultez Configurer votre espace de travail Databricks Apps et votre environnement de développement.
• Le point de terminaison sélectionné à l’étape 2 doit prendre en charge les outils.
• La préversion des serveurs MCP managés doit être activée dans votre espace de travail. Consultez Gérer les préversions d’Azure Databricks.

Pour exporter l’agent :

1. Dans Le terrain de jeu, cliquez sur Obtenir le code>Exporter vers Databricks Apps.

2. Dans la boîte de dialogue Exporter vers Databricks Apps , définissez les éléments suivants :

   • Nom de l’application : nom unique qui commence par agent- et contient uniquement des lettres minuscules, des chiffres et des traits d’union (par exemple). agent-research-assistant
   • Description de l’application : brève description de ce que fait l’agent.
   • Expérience MLflow : sélectionnez une expérience MLflow existante à utiliser pour le suivi et l’évaluation, ou créez-en une nouvelle.

3. Cliquez sur Exporter. Azure Databricks effectue les opérations suivantes :

   1. Vérifie que le nom de l’application est disponible.
   2. Installe le modèle agent-openai-agents-sdk dans votre espace de travail et accorde à l’application les autorisations pour les ressources dont elle a besoin. Ces ressources comprennent l’expérience MLflow, le point de terminaison de service, ainsi que tous les serveurs MCP, fonctions Unity Catalog, agents Genie ou index de recherche vectorielle que vous avez ajoutés comme outils.
   3. Génère agent_server/agent.py à partir de la configuration de votre Playground afin que l’agent déployé corresponde à celui que vous avez testé.

4. Lorsque la boîte de dialogue de réussite s’affiche, cliquez sur Afficher l’agent pour ouvrir l’application déployée et discuter avec elle à l’aide de l’interface utilisateur intégrée.

Pour personnaliser le code de l’agent, configurer l’authentification, ajouter une évaluation ou redéployer avec Databricks Asset Bundles (DABs), consultez Créer un agent et le déployer sur Databricks Apps.

Créer un bloc-notes d’agent (ancienne version)

Après avoir testé votre agent dans AI Playground, cliquez sur Obtenir le code>Créer un bloc-notes pour l'agent pour exporter votre agent vers un notebook Python.

Après avoir exporté le code de l’agent, Azure Databricks enregistre un dossier avec un bloc-notes de pilote dans votre espace de travail. Ce pilote définit un agent ResponsesAgent avec appel d’outils, teste l’agent localement, utilise la journalisation basée sur le code, enregistre l’agent et le déploie à l’aide des agents personnalisés.

Étapes suivantes

Pour créer des agents à l’aide d’une approche code-first, consultez Créer un agent et le déployer sur Databricks Apps.