Agent Bricks CLI

Ważna

Ta funkcja jest dostępna w wersji beta. Nie jest wymagane żadne ustawienie w przestrzeni roboczej, aby to umożliwić. Zainstaluj CLI Agent Bricks, aby zacząć.

Agent Bricks CLI (databricks-agentbricks) to narzędzie wiersza poleceń Azure Databricks dla programistów, którzy budują i wdrażają niestandardowych agentów w kodzie.

Agent Bricks CLI to oparte przede wszystkim na kodzie rozwiązanie do tworzenia niestandardowych agentów z poziomu terminala. CLI Agent Bricks stanowi fundament projektu wykorzystującego wbudowany framework oparty na najlepszych praktykach Databricks. Następnie może uruchomić projekt lokalnie do testów i wdrożyć go na środowisku uruchomieniowym agenta Azure Databricks. CLI umożliwia przejście z pustego katalogu do wdrożonego agenta bez ręcznego podłączania czasu działania, narzędzi, pamięci i zarządzanych zasobów. Aby poznać inne sposoby tworzenia niestandardowych agentów, w tym workflow oparty na aplikacji, zobacz Utwórz agenta i wdroż go w aplikacjach Databricks.

Prerequisites

  • Databricks CLI, zainstalowany i dostępny na Twojej ścieżce.

  • Python 3.10 lub nowszy, z pip.

  • Zainstaluj CLI Agent Bricks:

    pip install databricks-agentbricks

Cykl życia Agent Bricks CLI

CLI Agent Bricks tworzy lokalny katalog wdrożalnego kodu agenta z szablonu frameworka, z już zainstalowanym interfejsem uruchomieniowym, testami i opcjonalnym interfejsem czatu. Ty piszesz logikę aplikacji (model, narzędzia i prompty), a CLI obsługuje jej uruchamianie lokalnie i wdrażanie na infrastrukturze Azure Databricks.

agent.tomljest deklaratywnym źródłem prawdy dla wszystkich zasobów zarządzanych przez Azure Databricks, na których polega Twój agent: wiązania narzędzi (piaskownica danych, usługi zarządzanego protokołu Model Context (MCP), funkcje katalogu Unity) oraz zasoby pamięci, sesji i śledzenia. agentbricks deploy Odczytuje go, żeby wszystko skonfigurować i podłączyć, więc to plik, a nie ręcznie napisany kod konfiguracyjny, jest tym, co się wdraża.

Trzy polecenia, które przenoszą agenta z pustego katalogu do produkcji:

  • agentbricks init tworzy szkielet projektu z dołączonego szablonu, opcjonalnie tworząc plik .env z profilem Databricks, dzięki czemu można od razu uruchomić projekt.
  • agentbricks dev uruchamia agenta lokalnie względem usługi obsługi modeli w Azure Databricks, dzięki czemu możesz go przetestować przed wdrożeniem.
  • agentbricks deploy udostępnia zasoby zadeklarowane w agent.toml i wdraża agenta w środowisku uruchomieniowym agenta Azure Databricks.

Cykl życia CLI Agent Bricks: fazy init, dev oraz wdrażania wraz z ich kluczowymi działaniami

Note

Możesz też w dowolnym momencie dodawać narzędzia oraz podłączać pamięć i magazyny sesji, nie tylko podczas inicjalizacji. Użyj agentbricks tools add, agentbricks memory bind, oraz agentbricks sessions bind do aktualizacji konfiguracji agenta między tymi krokami.

Możliwości CLI Agent Bricks

Capability Description
Dostęp do modelu CLI Agent Bricks automatycznie udostępnia dostęp do modelu, dzięki czemu agent może wywołać model obsługiwany przez Azure Databricks bez konieczności zarządzania poświadczeniami uwierzytelniającymi czy punktami końcowymi. Zobacz Interfejsy API modelu bazowego Databricks.
Pamięć zarządzana Pamięć długoterminowa, do której agent może zapisywać dane i którą może przeszukiwać, podzielona według aktora i oparta na zarządzanych magazynach danych. Używaj pamięci do utrzymywania faktów i preferencji między sesjami. Zobacz Pamięć zarządzanego agenta.
Sesje zarządzane Transkrypcje rozmów przechowywane w zarządzanych repozytoriach sesji i podzielone na partycje według aktora, z obsługą rozwidlania sesji na niezależne kopie. Zobacz sesje agentów zarządzanych.
Tools Funkcje zarządzane przez Azure Databricks zadeklarowane w elemencie agent.toml: piaskownica Unity Catalog o ograniczonym zakresie uprawnień, usługa MCP zarządzana przez Azure Databricks lub funkcja Unity Catalog. Niestandardowe narzędzia w języku Python są tworzone bezpośrednio w kodzie projektu. Zobacz MCP i narzędzia agentów.
Śledzenie Domyślnie włączone śledzenie MLflow, które kieruje ślady każdego uruchomienia do osobnego eksperymentu MLflow dla każdego projektu na potrzeby debugowania i monitorowania. Zobacz przegląd Śledzenia.
Wdrożenie Wdraża agenta do środowiska uruchomieniowego agenta Azure Databricks, przyznaje jednostce usługi agenta dostęp do powiązanych magazynów oraz zarządza cyklem życia wdrożenia.

Krok 1: Uwierzytelnij się za pomocą OAuth i zapisz profil

Agent Bricks CLI wykorzystuje uwierzytelnianie Databricks CLI. Uwierzytelnij się do swojej przestrzeni roboczej za pomocą OAuth (user-to-machine) i zapisz dane uwierzytelniające jako nazwany profil.

Aby rozpocząć przepływ OAuth, uruchom poniższe polecenie, zastępując host adresem URL swojego obszaru roboczego. Polecenie otwiera przeglądarkę, aby zakończyć logowanie, a następnie zapisuje profil do :~/.databrickscfg

databricks auth login --host https://<your-workspace-url> --profile <profile>

Aby ustawić ten profil jako domyślny w CLI, aby późniejsze polecenia mogły pominąć --profile, wykonaj następujące:

agentbricks login --profile <profile>

agentbricks login Weryfikuje dane uwierzytelniające profilu. Jeśli ich brakuje lub zostały odrzucone, CLI ponownie uruchamia databricks auth login i ponawia próbę.

Krok 2: Wzmocnij projekt agenta

Utwórz nowy projekt agenta i przekaż --framework, aby wybrać szablon. Ten przykład wykorzystuje szablon LangGraph, który zawiera aplikację czatu przeglądarkowego:

agentbricks init --framework langgraph my-agent
cd my-agent

CLI zawiera po jednym dołączonym szablonie dla każdego frameworka, a --framework wybiera, z którego wygenerować szkielet: langgraph dla LangGraph lub openai dla OpenAI Agents SDK. CLI zapisuje zarządzane zasoby projektu i powiązania narzędzi w agent.toml, a informacje o pochodzeniu szablonu w .agentbricks/project.toml. Aby wygenerować szkielet backendu opartego wyłącznie na API, bez aplikacji czatowej, dodaj --disable-chat-app.

Krok 3: Dołącz zarządzane sesje i magazyny pamięci

Zwiąż zarządzane sklepy, aby Twój agent mógł utrzymywać historię rozmów i pamięć długoterminową. Każde polecenie zapisuje nazwę sklepu w agent.toml i tworzy sklep, jeśli nie istnieje.

Aby powiązać magazyn sesji z magazynem pamięci, uruchom następujące polecenie:

agentbricks sessions bind my-agent-sessions
agentbricks memory bind my-agent-memory

Krok 4: Śledzenie widoku

Śledzenie jest domyślnie włączone. agentbricks init wiąże domyślny /Shared/agentbricks_traces/<project> eksperyment MLflow i agentbricks devagentbricks deploy wysyła do niego ślady każdego uruchomienia.

Aby wyświetlić listę śladów po ich wygenerowaniu przez agenta, uruchom poniższe polecenie:

agentbricks tracing list

Aby związać konkretny eksperyment MLflow, uruchom agentbricks tracing bind --experiment-id <experiment-id>. Aby wyłączyć śledzenie, uruchom agentbricks tracing unbind.

Krok 5: Uruchom agenta lokalnie

Uruchom agenta na swoim komputerze, aby przetestować go przed wdrożeniem.

agentbricks dev

Uruchamia to lokalny serwer na porcie 8000, używając tych samych poleceń i środowiska co środowisko uruchomienia agenta Azure Databricks. CLI Agent Bricks łączy agenta z modelem Azure Databricks, dzięki czemu może wywołać model lokalnie. Szablon ustawia model domyślny jako wartość MODEL w agent/agent.py. Aby użyć innego modelu, edytuj tę wartość. Wyślij żądania do http://localhost:8000, aby wchodzić w interakcję z agentem.

Krok 6: Wdroż agenta

Wdróż agenta w środowisku uruchomieniowym agenta Azure Databricks. Interfejs CLI tworzy powiązane magazyny, przyznaje do nich dostęp jednostce usługi agenta i przeprowadza wdrożenie. Wdrożony agent nazywa się agent-bricks-<name>.

agentbricks deploy my-agent

Po zakończeniu wdrożenia CLI zwraca adres URL wdrożenia. Otwórz ten adres URL, aby korzystać z agenta na żywo, który jest automatycznie połączony z obsługą modeli Azure Databricks. Aby zarządzać wdrożeniem po operacji, użyj poleceń agentbricks deployments , takich jak agentbricks deployments logs i agentbricks deployments stop.

Referencja poleceń

Pełny, aktualny opis poleceń, obejmujący wszystkie polecenia i flagi, można znaleźć w pliku Agent Bricks CLI README w serwisie GitHub.

Dodatkowe zasoby

  • Last updated on