Começar: consultar LLMs e criar protótipos de agentes sem código

Este tutorial sem código de 5 minutos apresenta a IA no Azure Databricks. Vais usar o AI Playground para fazer o seguinte:

• Consulte modelos de linguagem grandes (LLMs) e compare os resultados lado a lado
• Prototipar um agente de chamada de ferramentas
• Exporte o seu agente para as aplicações Databricks ou para um caderno
• Opcional: Crie protótipos de um chatbot de perguntas e respostas usando a geração aumentada de recuperação (RAG)

Antes de começar

Certifique-se de que seu espaço de trabalho possa acessar o seguinte:

• Modelos de Base.

• Catálogo Unity.
• Agentes de Alfândega. Veja Funcionalidades com disponibilidade regional limitada.

Etapa 1: Consultar LLMs usando o AI Playground

Use o AI Playground para consultar LLMs numa interface de bate-papo.

1. No seu espaço de trabalho, selecione Playground no painel de navegação esquerdo em AI/ML.
2. Escreve uma pergunta como, "O que é o RAG?"

Adicione um novo LLM para comparar as respostas lado a lado:

1. No canto superior direito, selecione + para adicionar um modelo para comparação.
2. No novo painel, selecione um modelo diferente usando o menu drop-down.
3. Marque as caixas de seleção Sincronizar para sincronizar as consultas.
4. Experimente um novo prompt, como "O que é um sistema de IA composto?" para ver as duas respostas lado a lado.

Continua a testar e comparar diferentes LLMs para te ajudar a decidir qual o melhor para construir um agente.

Passo 2: Prototipar um agente de chamada de ferramentas

As ferramentas permitem que os LLMs façam mais do que gerar linguagem. As ferramentas podem consultar dados externos, executar código e executar outras ações. O AI Playground oferece uma opção sem código para prototipar agentes de chamada de ferramentas:

1. No Playground, escolha um modelo rotulado como Ferramentas habilitadas.

   

2. Selecione Ferramentas>+ Adicionar ferramenta e selecione a função integrada Unity Catalog, system.ai.python_exec.

   Esta função permite que o agente execute código Python arbitrário.

   

   Outras opções de ferramentas incluem:

   • Função UC: Selecione uma função Unity Catalog para o seu agente usar.
   • Definição de função: Defina uma função personalizada para o seu agente chamar.
   • Pesquisa por IA: Especifique um índice de pesquisa por IA. Se o seu agente usar um índice de pesquisa por IA, a sua resposta irá citar as fontes utilizadas.
   • MCP: Especifique servidores MCP para utilizar servidores MCP Databricks geridos ou servidores MCP externos.

3. Faça uma pergunta que envolva a geração ou execução de código Python. Você pode tentar diferentes variações na formulação do seu prompt. Se você adicionar várias ferramentas, o LLM selecionará a ferramenta apropriada para gerar uma resposta.

   

Opcional: Crie protótipos de um bot de resposta a perguntas RAG

Se tiver um índice de pesquisa por IA configurado no seu espaço de trabalho, pode prototipar um bot de perguntas e respostas. Este tipo de agente utiliza documentos num índice de pesquisa por IA para responder a perguntas baseadas nesses documentos.

1. Clique em Ferramentas>+ Adicionar ferramenta. Em seguida, selecione o seu índice de Pesquisa de IA.

   

2. Faça uma pergunta relacionada com os seus documentos. O agente pode usar o índice para consultar informações relevantes e citará quaisquer documentos usados na sua resposta.

   

Para configurar um índice de Pesquisa por IA, consulte Criar um índice de Pesquisa por IA.

Passo 3: Exporte o seu agente

Depois de testar o seu agente no AI Playground, exporte-o para que possa implementá-lo, avaliá-lo e iterar sobre ele fora do AI Playground. O AI Playground oferece dois caminhos de exportação:

• Exportar para o Databricks Apps (recomendado): Instala uma aplicação de agente passível de implementação a partir do modelo agent-openai-agents-sdk, incluindo uma interface de chat integrada, a ligação das ferramentas MCP e autenticação. Escolha este caminho para agentes novos.
• Create agent notebook (legacy): Gera um Python notebook que define o agente e o implanta num endpoint Model Serviring. Escolha este caminho se o Databricks Apps não estiver disponível no seu espaço de trabalho ou região.

Exportar para Apps (recomendado)

A opção Exportar para Apps da Databricks gera uma aplicação de agente implementada, pronta para conversar consigo. A aplicação usa o mesmo modelo, prompt do sistema e ferramentas (incluindo servidores MCP e pesquisa vetorial) que configuraste no Playground.

Antes de exportar, certifique-se de que o seu espaço de trabalho cumpre os seguintes requisitos:

• As aplicações Databricks devem estar ativadas no seu espaço de trabalho. Consulte Configurar seu espaço de trabalho e ambiente de desenvolvimento do Databricks Apps.
• O endpoint selecionado no Step 2 deve suportar ferramentas.
• A pré-visualização dos Servidores MCP Geridos deve estar ativada no seu espaço de trabalho. Ver Gerir as pré-visualizações de Azure Databricks.

Para exportar o agente:

1. No Playground, clique em Obter código>Exportar para Databricks Apps.

2. Na caixa de diálogo Exportar para Aplicações do Databricks, defina o seguinte:

   • Nome da Aplicação: Um nome único que começa com agent- e contém apenas letras minúsculas, números e hífens (por exemplo, agent-research-assistant).
   • Descrição da Aplicação: Uma breve descrição do que o agente faz.
   • Experiência MLflow: Selecione uma experiência MLflow existente para usar em rastreio e avaliação, ou crie uma nova.

3. Clique em Exportar. O Azure Databricks faz o seguinte:

   1. Valida que o nome da aplicação está disponível.
   2. Instala o agent-openai-agents-sdk modelo no teu espaço de trabalho e concede permissões à aplicação para os recursos de que precisa. Estes recursos incluem a experiência MLflow, endpoint de serviço e quaisquer servidores MCP, funções do Unity Catalog, Agentes Genie ou índices de pesquisa vetorial que tenha adicionado como ferramentas.
   3. Gera agent_server/agent.py a partir da tua configuração do Playground para que o agente implementado corresponda ao que testaste.

4. Quando aparecer o diálogo de sucesso, clique em Ver Agente para abrir a aplicação implementada e conversar com ela usando a interface integrada.

Para personalizar o código do agente, configurar autenticação, adicionar avaliação ou reimplementar com Databricks Asset Bundles (DABs), consulte Criar um agente e implementá-lo nas Databricks Apps.

Criar bloco de notas do agente (legado)

Depois de testar o seu agente no AI Playground, clique em Obter código>Criar caderno de agente para exportar o seu agente para um caderno Python.

Depois de exportares o código do agente, o Azure Databricks guarda uma pasta com um caderno de drivers no teu espaço de trabalho. Este driver define um ResponsesAgent para chamada de ferramentas, testa o agente localmente, utiliza registo baseado em código, regista o agente e faz a sua implantação com o Custom Agents.

Próximos passos

Para criar agentes usando uma abordagem code-first, consulte Criar um agente e implementá-lo nas Aplicações Databricks.