Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Agent Bricks is het Azure Databricks agent ontwikkelplatform voor agenten. Gebruik het om de agents te bouwen en uit te rollen die je AI-agentproducten en workflows aandrijven. Agent Bricks is gemaakt voor ontwikkelaars die code schrijven. Je brengt een agent mee die gebouwd is met elk framework of testharnas en kiest elk model.
Agent Bricks ondersteunt de kernworkflows voor het bouwen van een productieagent:
- Deploy uw agent: Agent Runtime host agenten die zijn gebouwd met elk framework of harness, stateful of stateless, en AgentKit voegt duurzame uitvoering toe zodat runs herstarts en crashes overleven.
- Voer code veilig uit: Agents voeren de code uit die ze schrijven in Databricks Sandbox, een geïsoleerde omgeving waarvan de homemap over sessies heen blijft bestaan.
- Verrijk de context van je agent: Agentgeheugen en sessies stellen je agent in staat te herinneren wat hij in eerdere gesprekken heeft geleerd, zodat hij de antwoorden kan personaliseren en tokenkosten kan verlagen.
- Debug en test uw agent: MLflow Tracing registreert elke stap die uw agent onderneemt, en u kunt traces op grote schaal opslaan en beheren in de Unity Catalog.
De Agent Bricks CLI genereert agentcode die verbinding maakt met deze diensten. Je kunt lokaal itereren, ook met coding agents, en dan je agent inzetten. Om je eerste agent te bouwen en uit te rollen, zie Agent Bricks quickstart.
Hoe Agent Bricks zich verhoudt tot andere Azure Databricks-aanbiedingen:
- Genie Agents: Genie Agents is bedoeld voor het maken van agenten zonder code, zoals agenten die vragen beantwoorden via je tabellen en documenten. Agent Bricks is bedoeld voor ontwikkelaars die hun eigen agentcode schrijven. Een custom agent kan Genie Agents als hulpmiddelen inschakelen.
- Genie One: Genie One is voor zakelijke gebruikers die vragen willen stellen over data, dashboards willen bekijken en apps willen gebruiken zonder code te schrijven. Agent Bricks is bedoeld voor ontwikkelaars die de agenten zelf bouwen. Een aangepaste agent kan Genie One als hulpmiddel aanroepen om gebruik te maken van je bedrijfscontext.
- Omnigent: Omnigent is een meta-framework dat meerdere agenten samenstelt en coördineert, zoals codeeragenten. Je kunt Omnigent gebruiken om een aangepaste agent te ontwikkelen die je deployt en draait op Agent Bricks.
- Legacy agent builders: Eerdere producten, zoals Knowledge Assistant en Supervisor Agent, worden niet langer aanbevolen voor nieuwe agenten. Bekijk legacy-agentaanbiedingen.
Componenten van een agent
Een agent is een AI-systeem dat een verzoek waarneemt, beslist wat te doen en handelt om een doel te bereiken. In tegenstelling tot een enkele modelaanroep voert een agent een lus uit. Het gebruikt een model om over het verzoek te redeneren, roept tools aan om informatie te verzamelen of acties te ondernemen, observeert de resultaten en herhaalt dit totdat het kan reageren.
Een productieagent combineert doorgaans de volgende componenten:
- Agent loop (framework of harnas): Uw code. De agent-lus is gebouwd met een framework of raamwerk zoals LangGraph of de OpenAI Agents SDK, en bevat de instructies en orkestratielogica die bepalen hoe de agent zich gedraagt.
- Model: Het grote taalmodel (LLM) dat bij elke stap overweegt en beslist welke actie als volgende wordt ondernomen.
- Tools: Functies die de agent oproept om gegevens op te halen, inclusief uw bedrijfsgegevens, of om de status van een ander systeem te wijzigen. Voorbeelden zijn Model Context Protocol (MCP)-servers, API's en sandboxes die de code uitvoeren die de agent schrijft.
- Agentstatus: Wat de agent bijhoudt. Agentstatus omvat de huidige sessie, dat is het gesprek of de lopende taak, en geheugen, wat de agent leert en zich herinnert tussen sessies.
- Agent server: De bibliotheek die de agentlus in een HTTP-server verpakt. Het maakt de API beschikbaar die clients aanroepen, beheert clientverbindingen en regelt duurzaamheid door de status van elke run in een Runtime Store te houden.
- Agent-runtime: De beheerde rekenkracht die de agentserver draait en hosting, identiteit en schaling verzorgt.
- Observabiliteit: Traces die elke stap die het agent neemt vastleggen, en evaluaties die meten of de output goed is.
- Governance: Identiteit, machtigingen en beleidsregels die bepalen welke modellen, tools en data de agent kan gebruiken.
Het framework of het harness, de agentserver en de agentruntime vormen samen de agent-computestack. Zie Deploy agents on Azure Databricks.
Uitdagingen bij het bouwen van agenten in productie
Een prototype-agent kan op een middag op een laptop draaien. Agenten betrouwbaar laten draaien voor echte gebruikers is moeilijker. Teams die agenten zelf bouwen besteden vaak het grootste deel van hun tijd aan het assembleren en beheren van infrastructuur in plaats van het verbeteren van de agent. De algemene uitdagingen kunnen in vijf gebieden worden onderverdeeld:
- Toegang tot modellen: Teams moeten kiezen tussen frontier- en open modellen, modellen wisselen of upgraden zonder code te herschrijven, en voldoende capaciteit op productieschaal krijgen, terwijl ze kosten en toegang onder controle houden.
- Compute: Agents hebben rekenkracht nodig die meeschaalt met het verkeer, langlopend werk levend houdt via herstarts en storingen, en elke sessie isoleert. Agenten die code schrijven en draaien, hebben een veilige plek nodig om het te draaien.
- Context: Agenten geven betere antwoorden wanneer ze de juiste data op het juiste moment hebben. Dat vereist een duurzame conversatietoestand, geheugen dat over sessies heen blijft bestaan, en veilige toegang tot bedrijfsdata en tools zonder data te kopiëren of inloggegevens te delen.
- Kwaliteit: Agenten produceren een open ende, niet-deterministische output, dus "goed" is moeilijk te definiëren en te meten. Zonder traceren en evaluatie kunnen teams geen fouten debuggen, kwaliteit aan stakeholders bewijzen of regressies in productie opsporen.
- Governance en controle: Agenten handelen op data en roepen externe services aan. Zonder uniforme rechten, beleidsregels en gebruikstracking lopen organisaties het risico op datalekken, compliance-tekortkomingen, ongeoorloofd gebruik en onverwachte kosten. Teams willen ook voorkomen dat hun agenten vastzitten aan één modelprovider of cloud.
Hoe Agent Bricks deze uitdagingen aanpakt
Agent Bricks levert een beheerd bouwblok voor elke laag van de stack. De componenten delen één identiteits- en governancemodel en werken samen, maar je kunt elk onderdeel ook afzonderlijk gebruiken. Je houdt je framework, harnas en modelkeuzes aan.
| Uitdaging | Agent Bricks-componenten |
|---|---|
| Toegang tot modellen | Unity Gateway en Foundation Model-API's |
| Berekenen |
Agent Server (DurableAgentServer), Agent Runtime en Databricks Sandbox |
| Context | Agentgeheugen en agentsessies, MCP-servers en agenttools, AI Search en Genie Agents |
| Kwaliteit | MLflow-tracering, evaluatie en monitoring |
| Bestuur en controle | Unity Catalog- en Unity Gateway-beleidslijnen, plus ondersteuning voor elk framework, testharnas en model |
Begin met de Agent Bricks CLI
De Agent Bricks CLI biedt een begeleid pad van een lege directory naar een gedeployeerde agent. Het scaffoldt een project vanuit een frameworktemplate, draait de agent lokaal en deployt deze met modeltoegang, geheugen, sessies, tools en tracering die al geconfigureerd zijn. Een declaratief agent.toml bestand legt de beheerde bronnen vast waar de agent van afhankelijk is. Om je eerste agent te bouwen, zie Agent Bricks quickstart.
Models
Unity Gateway geeft uw agent één API voor frontier- en openmodellen, inclusief modellen die Azure Databricks hostt via Foundation Model-API's en modellen van externe providers. Je kunt van model wisselen zonder de agentcode te veranderen. Unity Gateway beheert ook de MCP-servers en skills die je agenten gebruiken, en past snelheidslimieten, beveiligingsmaatregelen en gebruikstracking toe op de verzoeken die erdoorheen gaan. Om een model aan te roepen vanuit uw agentcode, zie Verbinden met modellen.
Berekenen
-
Agent server:
DurableAgentServerwikkelt uw agentloop in en stelt de invocation API beschikbaar, met synchrone, streaming- en achtergrondverzoeken, persistente run state en crashherstel. Agenten die je maakt met de Agent Bricks CLI, gebruiken deze standaard. -
Agent runtime: Agent Runtime draait de agentserver op Databricks Apps op een stabiel, geauthenticeerd eindpunt.
agentbricks deploystelt de middelen beschikbaar die uw agent nodig heeft en verleent deze toegang daartoe. Om een geïmplementeerde agent te bevragen, zie Agents bevragen die zijn geïmplementeerd op Azure Databricks.
- Databricks Sandbox: Databricks Sandbox is een tool die uw agent aanroept om de code die hij schrijft uit te voeren in een geïsoleerde omgeving, waarbij toegang wordt geregeld door Unity Catalog-machtigingen.
Om te leren hoe deze lagen in elkaar passen, zie Agents implementeren op Azure Databricks.
Context
- Beheerd geheugen en sessies: Sessies slaan de status van één gesprek of taak op, en geheugen slaat de feiten en voorkeuren op die een agent zich in latere gesprekken herinnert. Beide zijn managed stores die worden ondersteund door Lakebase en werken met elk framework. Zie Agentgeheugen en sessies.
-
Gecombineerde zakelijke context met Genie One: De Genie One MCP-server geeft uw agent de gecombineerde zakelijke context van uw organisatie. De agent stelt een vraag in natuurlijke taal, en Genie beantwoordt deze binnen je beheerde data, waarbij Genie Ontology wordt gebruikt om zakelijke termen, metriekdefinities en tabelrelaties op te lossen. Unity Catalog-rechten zijn van toepassing, dus de agent kan alleen data opvragen die hij mag benaderen. Om het toe te voegen aan een Agent Bricks CLI-project, voer
agentbricks tools add genie-oneuit - Tools en MCP-servers: Verbind agents met door Azure Databricks beheerde MCP-servers voor Genie Agents, AI Search, Unity Catalog-functies en SQL, of met aangepaste en externe MCP-servers. Zie MCPs.
- AI Search: Haal relevante ongestructureerde content op met Databricks AI Search, inclusief voor retrieval-augmented generation (RAG)-applicaties.
- Bedrijfsgegevens: Baseer agents op de tabellen, bestanden en Genie Agents die uw organisatie al beheert in de Unity Catalog.
Observabiliteit en kwaliteit
Azure Databricks-managed MLflow biedt tracering, evaluatie en monitoring voor agenten. MLflow Tracing registreert elke stap die een agent neemt, zowel in ontwikkeling als in productie. Evaluatie maakt gebruik van ingebouwde LLM-beoordelaars, maatwerkscorers en deskundige feedback om kwaliteit te meten, en productiemonitoring vangt regressies op. Je kunt traces opslaan in Unity Catalog en ze op schaal analyseren. Zie Wat is agent-observabiliteit en kwaliteit?
Bestuur en controle
- Geïntegreerd beheer: Unity Catalog beheert de data, tools, modellen en agents die uw agents gebruiken, met machtigingen en lineage.
- Beleidsregels over modellen, MCP-servers en vaardigheden: Unity Gateway regelt de toegang tot modellen, MCP-servers en vaardigheden, en handhaaft vangrails, tarieflimieten en gebruikstracking op de oproepen die het doorstuurt.
- Keuze: Gebruik elk framework of harness en elk model, en wissel van model zonder je agent te herschrijven.
Levenscyclus van agentontwikkeling
Het bouwen van een productieagent is iteratief. De volgende stappen beschrijven een typische levenscyclus.
- Definieer de gebruikssituatie en succescriteria: Word het eens over wat de agent moet doen, wie hem gebruikt en hoe je kwaliteit, kosten en latentie meet. Verzamel voorbeeldverzoeken en verwachte antwoorden vroegtijdig.
- Bouw een eerste agent: Begin met het minst complexe ontwerp dat werkt. Verbind de agent met modellen, MCP-servers en vaardigheden via Unity Gateway en draai het lokaal.
- Evalueer en verbeter de kwaliteit iteratief: Gebruik traces om gedrag te debuggen, bouw een evaluatiedataset op basis van echte verzoeken en expertfeedback, en voer evaluaties uit om het effect van elke wijziging in prompts, tools of modellen te meten.
- Implementeren: Implementeer de agentserver naar de agent-runtime, met de stores, tools en machtigingen die de agent nodig heeft.
- Monitor en verbeter in productie: Monitor de kwaliteit met productietraces en scores, verzamel gebruikersfeedback en voer wat je leert terug in de evaluatie.
Aanvullende bronnen
- Agent Bricks quickstart: Bouw en implementeer uw eerste agent met de Agent Bricks CLI.
- Implementeer agenten op Azure Databricks: Leer hoe agents worden uitgerold en bediend.
- Wat is agentobservability en kwaliteit?: Traceer, evalueer en monitor uw agent.
- AI op Databricks: Use cases, klanten en andere bronnen.
- Agent Bricks FAQ: Antwoorden op veelgestelde vragen over Agent Bricks.