O que é o Agente Bricks?

Agent Bricks é a plataforma de desenvolvimento de agentes do Azure Databricks. Use isso para construir e implantar os agentes que impulsionam seus produtos agênticos e fluxos de trabalho agênticos. Agent Bricks foi feito para desenvolvedores que escrevem código. Você traz um agente construído com qualquer framework ou harness e escolhe qualquer modelo.

O Agent Bricks suporta os fluxos de trabalho centrais para construir um agente de produção:

• Implante seu agente: O Agent Runtime hospeda agentes construídos com qualquer framework ou harness, com estado ou sem estado. DurableAgentServer, parte da biblioteca AgentKit, adiciona execução durável para que as execuções sobrevivam a reinicializações e falhas.
• Execute código com segurança: Os agentes executam o código que escrevem no Databricks Sandbox, um ambiente isolado cujo diretório inicial persiste entre as sessões.
• Dê contexto ao seu agente: A memória gerenciada do agente permite que ele se lembre do que aprendeu em conversas anteriores, para que ele possa personalizar suas respostas.
• Depure e teste seu agente: MLflow Tracing registra cada etapa que seu agente realiza, e você pode armazenar e governar rastreios em escala no Unity Catalog.

A CLI do Agent Bricks estrutura o código do agente que se conecta a esses serviços. Você pode iterar localmente, inclusive com agentes de codificação, e então implantar em escala a partir do arquivo declarativo agent.toml que registra os recursos do seu agente.

Como o Agent Bricks se relaciona com outras ofertas do Azure Databricks:

• Agentes Genie: Agentes Genie serve para criar agentes sem código, como agentes que respondem perguntas sobre suas tabelas e documentos. Agent Bricks é para desenvolvedores que escrevem seu próprio código de agente. Um agente personalizado pode chamar o Genie Agents como ferramenta.
• Genie One: Genie One é para usuários empresariais que querem fazer perguntas sobre dados, visualizar painéis e usar aplicativos sem precisar escrever código. Agent Bricks é para desenvolvedores que criam os agentes eles mesmos. Um agente personalizado pode chamar o Genie One como uma ferramenta para aproveitar o contexto do seu negócio.
• Omnigent: Omnigent é um meta-harness que compõe e coordena múltiplos agentes, como agentes de codificação. Você pode usar o Omnigent para desenvolver um agente personalizado que você implanta e roda no Agent Bricks.

Componentes de um agente

Um agente é um sistema de IA que percebe uma solicitação, decide o que fazer e age para alcançar um objetivo. Diferente de uma única chamada de modelo, um agente executa um loop. Ele raciocina sobre a solicitação com um modelo, chama ferramentas para coletar informações ou tomar ações, observa os resultados e repete até poder responder.

Um agente de produção normalmente combina os seguintes componentes:

• Framework ou harness: Seu código. O loop do agente, construído com uma estrutura ou harness como LangGraph ou o SDK OpenAI Agents, além das instruções e da lógica de orquestração que definem como o agente se comporta.
• Modelo: O grande modelo de linguagem (LLM) que raciocina sobre cada etapa e decide qual ação tomar em seguida.
• Ferramentas: Funções que o agente chama para recuperar dados, incluindo seus dados de negócios, ou para alterar o estado de outro sistema. Exemplos incluem servidores do Protocolo de Contexto de Modelo (MCP), APIs e sandboxes que executam o código que o agente escreve.
• Estado do agente: O que o agente rastreia. O estado do agente inclui a sessão atual, que é a conversa ou tarefa em andamento, e a memória, que é o que o agente aprende e recorda ao longo das sessões.
• Servidor do agente: A biblioteca que envolve o loop de agente em um servidor HTTP. Ela expõe a API que os clientes chamam, gerencia conexões com clientes e gerencia a durabilidade mantendo o estado de cada execução em um Runtime Store.
• Runtime do agente: A computação gerenciada que executa o servidor do agente e gerencia hospedagem, identidade e escalabilidade.
• Observabilidade: Rastreamentos que registram cada passo que o agente realiza, e avaliações que medem se sua saída é boa.
• Governança: Identidade, permissões e políticas que controlam quais modelos, ferramentas e dados o agente pode usar.

O framework ou harness, o servidor de agentes e o runtime de agentes juntos formam a pilha de computação de agentes. Veja Implantar agentes no Azure Databricks.

Desafios de construir agentes em produção

Um agente protótipo pode rodar em um laptop em uma tarde. Rodar agentes de forma confiável para usuários reais é mais difícil. Equipes que constroem agentes sozinhas frequentemente passam a maior parte do tempo montando e operando infraestrutura em vez de melhorar o agente. Os desafios comuns se dividem em cinco áreas:

• Acesso ao modelo: As equipes precisam escolher entre modelos de fronteira e abertos, trocar ou atualizar modelos sem reescrever código e obter capacidade suficiente em escala de produção, tudo isso enquanto controlam custos e acesso.
• Recursos computacionais: Os agentes precisam de um processamento que escale com o tráfego, mantenha o trabalho de longa duração ativo por meio de reinícios e falhas, e isole cada sessão. Agentes que escrevem e executam código precisam de um lugar seguro para rodá-lo.
• Contexto: Agentes dão respostas melhores quando têm os dados certos na hora certa. Isso exige um estado de conversa duradouro, memória que persista entre as sessões e acesso seguro a dados e ferramentas empresariais sem copiar dados ou compartilhar credenciais.
• Qualidade: Agentes produzem resultados abertos e não determinísticos, então "bom" é difícil de definir e medir. Sem rastreamento e avaliação, as equipes não conseguem depurar falhas, provar qualidade para os stakeholders ou detectar regressões em produção.
• Governança e controle: Os agentes atuam sobre os dados e chamam serviços externos. Sem permissões, políticas e acompanhamento de uso unificados, as organizações correm o risco de vazamento de dados, lacunas de conformidade, uso não autorizado e custos inesperados. As equipes também querem evitar prender seus agentes a um único provedor de modelos ou nuvem.

Como o Agent Bricks enfrenta esses desafios

O Agent Bricks fornece um bloco de construção gerenciado para cada camada da pilha. Os componentes compartilham um único modelo de identidade e governança e trabalham juntos, mas você também pode usar cada um separadamente. Você mantém seu framework, harness e escolhas de modelos.

Comece com a CLI do Agent Bricks

A Agent Bricks CLI fornece um caminho guiado de um diretório vazio para um agente implantado. Ele estrutura um projeto a partir de um template de framework, roda o agente localmente e o implanta com acesso ao modelo, memória, sessões, ferramentas e rastreamento já configurados. Um arquivo declarativo agent.toml registra os recursos gerenciados dos quais o agente depende. Para montar seu primeiro agente, veja o quickstart do Agent Bricks.

Models

O Unity Gateway oferece ao seu agente uma API para modelos frontier e abertos, incluindo modelos que o Azure Databricks hospeda por APIs de Foundation Model e modelos de provedores externos. Você pode alternar entre modelos sem mudar o código do agente. O Unity Gateway também governa os servidores MCP e skills que seus agentes utilizam, e aplica limites de taxa, proteções e rastreamento de uso às requisições que passam por ele.

Computação

• Servidor agente: DurableAgentServer envolve seu loop de agentes e atende à API de invocação, com requisições síncronas, de streaming e em segundo plano, estado de execução persistente e recuperação de falhas. Agentes que você cria com a CLI Agent Bricks a usam por padrão.
• Runtime do agente: O Agent Runtime roda o servidor agente nos aplicativos Databricks em um endpoint estável e autenticado. agentbricks deploy fornece os recursos de que seu agente precisa e concede acesso a eles. Para consultar um agente implantado, veja Consultar agentes implantados no Azure Databricks.

• Databricks Sandbox: Databricks Sandbox é uma ferramenta que seu agente chama para executar o código que escreve em um ambiente isolado, com acesso escopado aos seus dados governados.

Para entender como essas camadas se encaixam, veja Implantar agentes no Azure Databricks.

Contexto

• Memória gerenciada e sessões: As sessões armazenam o estado de uma conversa ou tarefa, e a memória armazena os fatos e preferências que o agente recorda em conversas posteriores. Ambas são armazenamentos gerenciados apoiados pela Lakebase que funcionam com qualquer framework. Veja Memória e sessões do agente.
• Contexto de negócios combinado com o Genie One: O servidor MCP do Genie One oferece ao seu agente o contexto empresarial combinado da sua organização. O agente faz uma pergunta em linguagem natural, e o Genie responde em todos os seus dados governados, usando a Ontologia Genie para resolver termos de negócio, definições de métricas e relações entre tabelas. As permissões do Unity Catalog se aplicam, então o agente só pode consultar dados que ele tem permissão para acessar. Para adicioná-lo a um projeto de CLI do Agent Bricks, execute agentbricks tools add genie-one.
• Ferramentas e servidores MCP: Conecte agentes a servidores MCP gerenciados pelo Azure Databricks para Agentes Genie, AI Search, funções do Unity Catalog e SQL, ou a servidores MCP personalizados e externos. Veja MCPs.
• Busca por IA: Recupere conteúdo não estruturado relevante com o Databricks AI Search, incluindo aplicações de geração aumentada por recuperação (RAG).
• Dados de negócios: Baseie os agentes nas tabelas, arquivos e Agentes Genie que sua organização já governa no Unity Catalog.

Observabilidade e qualidade

O MLflow gerenciado pelo Azure Databricks fornece rastreamento, avaliação e monitoramento para agentes. MLflow Tracing registra cada etapa que um agente realiza, tanto no desenvolvimento quanto na produção. A avaliação utiliza juízes de LLM integrados, pontuadores personalizados e feedback de especialistas para medir a qualidade, e o monitoramento de produção captura regressões. Você pode armazenar rastreamentos no Unity Catalog e analisá-los em escala. Veja : O que é observabilidade e qualidade do agente?.

Governança e controle

• Governança unificada: O Unity Catalog governa os dados, ferramentas, modelos e agentes que seus agentes utilizam, com permissões e linhagem.
• Políticas sobre modelos, servidores MCP e habilidades: O Unity Gateway governa o acesso a modelos, servidores MCP e skills, e aplica proteções, limites de taxa e rastreamento de uso nas chamadas que ele roteia.
• Escolha: Use qualquer framework ou harness e qualquer modelo, e troque de modelo sem reescrever seu agente.

Ciclo de vida do desenvolvimento do agente

Construir um agente de produção é iterativo. Os passos a seguir descrevem um ciclo de vida típico.

1. Defina o caso de uso e os critérios de sucesso: Concorde sobre o que o agente deve fazer, quem usa e como você mede qualidade, custo e latência. Colete exemplos de pedidos e respostas esperadas com antecedência.
2. Construa um agente inicial: Comece pelo design menos complexo que funcione. Conecte o agente a modelos, servidores MCP e habilidades pelo Unity Gateway e execute localmente.
3. Avalie e itere sobre a qualidade: Use traces para depurar comportamentos, construa um conjunto de dados de avaliação a partir de solicitações reais e feedback de especialistas, e realize avaliações para medir o efeito de cada alteração em prompts, ferramentas ou modelos.
4. Implantar: Implantar o servidor do agente no runtime do agente, com os armazenamentos, ferramentas e permissões que o agente precisa.
5. Monitore e melhore na produção: Monitore a qualidade com os rastreadores de produção e avaliadores, colete feedback dos usuários e alimente o que você aprende de volta para a avaliação.

Agent Bricks e outras ofertas de agentes em Azure Databricks

• Genie One: A experiência do Azure Databricks para usuários de negócios fazerem perguntas sobre dados em linguagem natural, visualizarem painéis e usarem aplicativos, sem precisar escrever código. Um agente personalizado construído sobre Agent Bricks pode chamar o Genie One como uma ferramenta. Para adicioná-lo a um projeto de CLI do Agent Bricks, execute agentbricks tools add genie-one.
• Genie Agents: Uma forma low-code de criar agentes que respondem perguntas sobre suas tabelas e documentos. Use Agentes Genie quando não precisar de código de agente personalizado. Seus agentes personalizados também podem chamar os Genie Agents como ferramentas.
• Omnigent: Uma metaestrutura para orquestrar e integrar agentes, como combinar agentes de programação. Você pode usar o Omnigent para desenvolver agentes personalizados que rodem em Agent Bricks.
• Construtores de agentes legados: Produtos anteriores, como Knowledge Assistant e Supervisor Agent, não são mais recomendados para novos agentes. Veja Outras formas de construir agentes.

Recursos adicionais

• Início rápido do Agent Bricks: Construa e implante seu primeiro agente com a CLI do Agent Bricks.
• Implante agentes no Azure Databricks: Saiba como os agentes são implantados e disponibilizados.
• O que é observabilidade e qualidade do agente?: Rastreie, avalie e monitore seu agente.
• IA no Databricks: casos de uso, clientes e outros recursos.
• Perguntas Frequentes sobre Agente Bricks: Respostas para perguntas comuns sobre Agente Bricks.