Łączenie agentów z danymi ustrukturyzowanymi

Wybierz narzędzie na podstawie danych, których potrzebuje Twój agent, i tego, kto pisze zapytanie:

Wykonuj zapytania na danych za pomocą Genie One

Azure Databricks zaleca Genie One MCP dla agentów, którzy odpowiadają w języku naturalnym na pytania biznesowe w przestrzeni roboczej. Wykorzystuje ontologię Genie do interpretacji terminów biznesowych i odpytuje dane Twojej przestrzeni roboczej z uprawnieniami wywołującego.

Postępuj zgodnie z Użyj narzędzi MCP w agencie Python i ustaw server_url na adres URL MCP Genie One:

https://<workspace-hostname>/ai-gateway/mcp-services/system.ai.genie_one_mcp

Zastąp <workspace-hostname> nazwą hosta swojego obszaru roboczego. Następnie zapytaj swojego agenta o Twoje dane, na przykład: "Którzy byli 10 najlepszymi klientami pod względem przychodów w zeszłym kwartale?"

Dla Claude Code lub Codex zainstaluj Databricks AI Tools i skorzystaj z skillu data discovery, który wysyła zapytania do Genie One przez Databricks CLI.

Wyszukaj konkretnego agenta Genie w Pythonie

Użyj AI Bridge, aby udostępnić konkretnego agenta Genie jako narzędzie w swoim agencie Python. AI Bridge obsługuje żądania, odpytywanie i wyniki zapytań za pośrednictwem Genie API.

Dla Claude Code lub Codex zainstaluj Databricks AI Tools, aby korzystać z umiejętności Genie Agents za pomocą Databricks CLI.

Zanim zaczniesz

1. Użyj Pythona 3.12. Do lokalnego rozwoju loguj się za pomocą CLI Databricks, używając profilu DEFAULT, aby klienci Python mogli znaleźć twoje dane uwierzytelniające.
2. Wybierz agenta Genie, do którego Twoja tożsamość ma dostęp, z wymaganymi uprawnieniami do magazynu i danych. Skopiuj jego identyfikator spacji z Ustawień i zastąp <genie-agent-id> tym ID.
3. Zastąp <model-endpoint> endpointem modelu Azure Databricks, który obsługuje wywoływanie narzędzi i do którego masz uprawnienia do wysyłania zapytań.
4. Uruchom polecenie instalacji dla swojego frameworka w terminalu. W notatniku używaj %pip i restartuj Python po instalacji. Wykonaj przykłady w notatniku z await, obsługującym najwyższy poziom await.

Uruchom swojego agenta

Oba przykłady pozwalają modelowi wywołać ask_genie i wykorzystać wynik w odpowiedzi. Klient Genie z databricks-ai-bridge może być również opakowany jako narzędzie funkcji Python w innych frameworkach. Zakładka OpenAI Agents SDK pokazuje tego klienta bez zależności LangChain.

LangGraph

Ten przykład opakowuje pomocnika AI Bridge GenieAgent jako narzędzie LangChain.

pip install --upgrade databricks-langchain langgraph

from databricks_langchain import ChatDatabricks
from databricks_langchain.genie import GenieAgent
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

genie = GenieAgent(genie_space_id="<genie-agent-id>")


@tool
def ask_genie(question: str) -> str:
    """Ask the configured Genie Agent a question about its business data."""
    response = genie.invoke({
        "messages": [{"role": "user", "content": question}]
    })
    return response["messages"][-1].content


agent = create_react_agent(
    ChatDatabricks(endpoint="<model-endpoint>"),
    tools=[ask_genie],
)
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Use Genie to find total sales last month.",
    }]
})
print(result["messages"][-1].content)

Zestaw SDK agentów OpenAI

Ten przykład wykorzystuje klienta AI Bridge Genie oraz dekorator function_tool zestawu SDK OpenAI Agents. Model działa na Azure Databricks.

pip install --upgrade databricks-ai-bridge databricks-openai openai-agents

from agents import Agent, Runner, function_tool
from agents import set_default_openai_api, set_default_openai_client
from agents.tracing import set_trace_processors
from databricks_ai_bridge.genie import Genie
from databricks_openai import AsyncDatabricksOpenAI

set_default_openai_client(AsyncDatabricksOpenAI())
set_default_openai_api("chat_completions")
set_trace_processors([])
genie = Genie(space_id="<genie-agent-id>", return_pandas=False)


@function_tool
def ask_genie(question: str) -> str:
    """Ask the configured Genie Agent a question about its business data."""
    return genie.ask_question(question).result


agent = Agent(
    name="Data analyst",
    instructions="Use ask_genie to answer questions about business data.",
    model="<model-endpoint>",
    tools=[ask_genie],
)
result = await Runner.run(agent, "What were total sales last month?")
print(result.final_output)

Sprawdź wyjście lub ślady agenta, aby potwierdzić, że wywołuje ask_genie i wykorzystuje wynik. Te przykłady rozpoczynają nową rozmowę w Genie przy każdym wywołaniu narzędzia. Aby zachować kontekst, zapisz zwrócony identyfikator rozmowy dla każdego użytkownika i przekaż go przy następnym wywołaniu:

• GenieAgent: przeczytać response["conversation_id"] i uwzględnić "conversation_id" wraz z "messages" w kolejnym słowniku wejściowym.
• Genie: odczytać response.conversation_id i przekazać jako conversation_id do ask_question().

Opcje klienta i szczegóły implementacji znajdziesz w repozytorium AI Bridge, w tym w GenieAgent pomocniku i Genie kliencie.

Podczas hostowania agenta w aplikacjach Databricks dodaj agenta Genie jako zasób aplikacji z uprawnieniami Can run . Jednostka usługi aplikacji również potrzebuje dostępu do punktu końcowego modelu oraz do bazowego magazynu i danych.

Uruchom SQL z Databricks SQL MCP

Używaj Databricks SQL MCP , gdy twój agent musi pisać i uruchamiać SQL na tabelach Unity Catalog.

Aby używać system.ai.dbsql, system.ai.sandbox lub system.ai.web_search, administrator konta musi włączyć wersję beta Unity Gateway na stronie Podglądy w konsoli konta. Zobacz Podglądy konta.

Postępuj zgodnie z Użyj narzędzi MCP w agencie Python i ustaw server_url na:

https://<workspace-hostname>/ai-gateway/mcp-services/system.ai.dbsql

Zastąp <workspace-hostname> nazwą hosta swojego obszaru roboczego. Poproś agenta, żeby uruchomił SELECT 1 AS result i potwierdził, że wywołał narzędzie i zwrócił 1.

Jeśli chodzi o agentów kodujących, korzystaj z przewodnika konfiguracyjnego swojego agenta. Informacje o wyborze hurtowni i opcjach specyficznych dla SQL znajdziesz w dokumentacji Databricks SQL MCP.

Uruchom wstępnie zdefiniowane zapytanie za pomocą funkcji Unity Catalog

Utwórz narzędzie do strukturalnego pobierania przy użyciu funkcji SQL Katalogu Unity, gdy zapytanie jest znane z wyprzedzeniem, a agent przekazuje parametry.

Poniższy przykład tworzy funkcję Unity Catalog o nazwie lookup_customer_info. Zakłada, że masz tabelę customer_data z kolumnami customer_name, customer_id i customer_email.

Przejrzyj wymagania i uprawnienia dotyczące funkcji. Zastąp my_catalog.my_schema katalogiem i schematem, gdzie możesz tworzyć funkcje i dostosowywać nazwy tabel i kolumn do swoich danych. Uruchom następujący kod w edytorze SQL:

CREATE FUNCTION my_catalog.my_schema.lookup_customer_info(
  customer_name_input STRING COMMENT 'Name of the customer whose info to look up'
)
RETURNS STRING
COMMENT 'Returns metadata about a particular customer, given the customer''s name, including the customer''s email and ID. The
customer ID can be used for other queries.'
RETURN SELECT CONCAT(
    'Customer ID: ', customer_id, ', ',
    'Customer Email: ', customer_email
  )
  FROM my_catalog.my_schema.customer_data
  WHERE customer_name = customer_name_input
  LIMIT 1;

Przetestuj funkcję z nazwą klienta z twojej tabeli:

SELECT my_catalog.my_schema.lookup_customer_info('Example Customer');

Następnie użyj Unity Catalog AI , aby dodać tę funkcję do swojego agenta. Ten przewodnik zawiera przykłady LangGraph, OpenAI, Anthropic i LlamaIndex.

Użyj Genie w systemie wieloagentowym

Aby koordynować Genie Agents z innymi agentami i narzędziami, zobacz Supervisor Agent. W przypadku istniejących integracji Model Serving zobacz Użyj Genie w systemach wieloagentowych.

Zapytaj agenta Genie za pomocą MCP

Aby połączyć się z konkretnym agentem Genie przez MCP, zobacz referencję Genie Agent MCP , aby poznać jego adres URL i wymagania. Aby zapytać agenta Genie z Python bez MCP, użyj przykładów narzędzi AI Bridge.