Vad är Agent Bricks?

Agent Bricks är Azure Databricks agentutvecklarplattform. Använd det för att bygga och distribuera agenterna som driver dina agentiska produkter och arbetsflöden. Agent Bricks är byggt för utvecklare som skriver kod. Du tar med en agent byggd med vilket ramverk eller testharness som helst och väljer vilken modell som helst.

Agent Bricks stöder de grundläggande arbetsflödena för att bygga en produktionsagent:

• Distribuera din agent: Agent Runtime hanterar agenter byggda med vilket ramverk eller harness som helst, tillståndsbundet eller tillståndslöst. DurableAgentServer, en del av AgentKit-biblioteket, lägger till hållbar exekvering så att körningar överlever omstarter och krascher.
• Kör koden säkert: Agenter kör koden de skriver i Databricks Sandbox, en isolerad miljö vars hemkatalog finns kvar över sessioner.
• Ge din agent kontext: Managed agent memory låter din agent minnas vad den lärt sig i tidigare samtal, så att den kan anpassa sina svar.
• Felsök och testa din agent: MLflow Tracing registrerar varje steg som din agent tar, och du kan lagra och styra spår i stor skala i Unity Catalog.

Agent Bricks CLI bygger upp agentkod som kopplar till dessa tjänster. Du kan iterera lokalt, inklusive med kodagenter, och sedan distribuera i stor skala från den deklarativa agent.toml filen som registrerar din agents resurser.

Hur Agent Bricks relaterar till andra Azure Databricks-erbjudanden:

• Genie Agents: Genie Agents är till för att skapa agenter utan kod, såsom agenter som svarar på frågor över dina tabeller och dokument. Agent Bricks är för utvecklare som skriver sin egen agentkod. En skräddarsydd agent kan anropa Genie Agents som verktyg.
• Genie One: Genie One är för företagsanvändare som vill ställa frågor om data, titta på instrumentpaneler och använda appar utan att skriva kod. Agent Bricks är för utvecklare som bygger agenterna själva. En skräddarsydd agent kan anropa Genie One som ett verktyg för att dra nytta av ditt företags kontext.
• Omnigent: Omnigent är ett metaramverk som sammanställer och koordinerar flera agenter, såsom kodningsagenter. Du kan använda Omnigent för att utveckla en anpassad agent som du distribuerar och kör på Agent Bricks.

Komponenter i en agent

En agent är ett AI-system som uppfattar en begäran, bestämmer vad som ska göras och agerar för att uppnå ett mål. Till skillnad från ett enskilt modellanrop kör en agent en loop. Den resonerar kring förfrågan med en modell, anropar verktyg för att samla information eller vidta åtgärder, observerar resultaten och upprepar tills den kan svara.

En produktionsagent kombinerar vanligtvis följande komponenter:

• Ramverk eller testharnesk: Din kod. Agentloopen, byggd med ett ramverk eller en harness som LangGraph eller OpenAI Agents SDK, plus instruktionerna och orkestreringslogiken som definierar hur agenten beter sig.
• Modell: Den stora språkmodellen (LLM) som resonerar kring varje steg och bestämmer vilken åtgärd som ska vidtas härnäst.
• Verktyg: Funktioner som agenten anropar för att hämta data, inklusive din affärsdata, eller för att ändra tillståndet för ett annat system. Exempel inkluderar Model Context Protocol (MCP)-servrar, API:er och sandlådor som kör koden som agenten skriver.
• Agenttillstånd: Vad agenten håller koll på. Agenttillstånd inkluderar den aktuella sessionen, som är samtalet eller uppgiften under arbete, och minnet, vilket är vad agenten lär sig och återkallar mellan sessioner.
• Agentserver: Biblioteket som omsluter agentloopen i en HTTP-server. Den tillhandahåller API:et som klienterna anropar, hanterar klientanslutningar och hanterar hållbarheten genom att hålla varje körnings tillstånd i en Runtime Store.
• Agentkörning: Den hanterade beräkningen som driver agentservern och hanterar hosting, identitet och skalning.
• Observabilitet: Spår som registrerar varje steg agenten tar, och utvärderingar som mäter om dess resultat är bra.
• Styrning: Identitet, behörigheter och policyer som styr vilka modeller, verktyg och data agenten kan använda.

Ramverket eller harness, agentservern och agentens runtime bildar tillsammans agentens beräkningsstack. Se Deploy agents på Azure Databricks.

Utmaningar med att bygga agenter i produktion

En prototypagent kan köras på en laptop på en eftermiddag. Att köra agenter pålitligt för riktiga användare är svårare. Team som själva bygger agenter spenderar ofta större delen av sin tid på att bygga och driva infrastruktur istället för att förbättra agenten. De vanliga utmaningarna faller inom fem områden:

• Modellåtkomst: Team måste välja mellan frontier- och öppna modeller, byta eller uppgradera modeller utan att skriva om kod, och få tillräcklig kapacitet i produktionsskala, samtidigt som de kontrollerar kostnad och åtkomst.
• Compute: Agenter behöver beräkning som skalar med trafiken, håller långvarigt arbete vid liv genom omstarter och fel, och isolerar varje session. Agenter som skriver och kör kod behöver en säker plats att köra den.
• Bakgrund: Agenter ger bättre svar när de har rätt data vid rätt tidpunkt. Det kräver varaktigt konversationstillstånd, minne som finns kvar över sessioner och säker åtkomst till affärsdata och verktyg utan att kopiera data eller dela inloggningsuppgifter.
• Kvalitet: Agenter producerar öppna, icke-deterministiska resultat, så "bra" är svårt att definiera och mäta. Utan spårning och utvärdering kan team inte felsöka fel, bevisa kvalitet för intressenter eller upptäcka regressioner i produktion.
• Styrning och kontroll: Agenter agerar på data och anropar externa tjänster. Utan enhetliga behörigheter, policyer och användningsspårning riskerar organisationer dataläckage, brister i efterlevnad, obehörig användning och oväntade kostnader. Teamen vill också undvika att låsa sina agenter till en enda modellleverantör eller en enda molnleverantör.

Hur Agent Bricks hanterar dessa utmaningar

Agent Bricks tillhandahåller en hanterad byggsten för varje lager i stacken. Komponenterna delar en identitet och styrningsmodell och fungerar tillsammans, men du kan också använda varje enhet för sig. Du behåller dina ramverk, testharness och modellval.

Kom igång med Agent Bricks CLI

Agent Bricks CLI tillhandahåller en guidad väg från en tom katalog till en driftsatt agent. Den bygger upp ett projekt från en ramverksmall, kör agenten lokalt och distribuerar den med modellåtkomst, minne, sessioner, verktyg och spårning redan konfigurerade. En deklarativ agent.toml fil registrerar de hanterade resurser som agenten är beroende av. För att bygga din första agent, se Agent Bricks snabbstart.

Modeller

Unity Gateway ger din agent ett API för frontier- och öppna modeller, inklusive modeller som Azure Databricks hostar via Foundation Model API:er och modeller från externa leverantörer. Du kan byta modeller utan att ändra agentkoden. Unity Gateway styr också MCP-servrarna och skills som dina agenter använder, och tillämpar hastighetsgränser, skyddsräcken och användningsspårning på de förfrågningar som passerar genom den.

Räkna ut

• Agentserver: DurableAgentServer omsluter din agentloop och hanterar anrops-API:et, med synkrona, strömmande och bakgrundsförfrågningar, persistent körtillstånd och kraschåterställning. Agenter som du skapar med Agent Bricks CLI har den som standard.
• Agent runtime: Agent Runtime kör agentservern på Databricks Apps vid en stabil, autentiserad endpoint. agentbricks deploy tillhandahåller de resurser som din agent behöver och ger den tillgång till dem. För att göra en fråga mot en driftsatt agent, se Fråga agenter som driftsatts på Azure Databricks.

• Databricks Sandbox: Databricks Sandbox är ett verktyg som din agent anropar för att köra koden den skriver i en isolerad miljö, med begränsad åtkomst till din styrda data.

För att lära dig hur dessa lager hänger ihop, se Distribuera agenter på Azure Databricks.

Context

• Hanterat minne och sessioner: Sessioner lagrar tillståndet för en konversation eller uppgift, och minnet lagrar fakta och preferenser som en agent minns i senare samtal. Båda är managed stores som backas av Lakebase och fungerar med alla ramverk. Se Agent memory och sessioner.
• Kombinerad affärskontext med Genie One: Genie One MCP-servern ger din agent din organisations kombinerade affärskontext. Agenten ställer en fråga på naturligt språk, och Genie svarar på den i dina styrda data, genom att använda Genie-ontologi för att lösa affärstermer, metrikdefinitioner och tabellrelationer. Unity Catalog-behörigheter gäller, så agenten kan bara köra frågor mot data som den har rätt att komma åt. För att lägga till det i ett Agent Bricks CLI-projekt, kör agentbricks tools add genie-one.
• Verktyg och MCP-servrar: Koppla agenter till Azure Databricks-hanterade MCP-servrar för Genie Agents, AI Search, Unity Catalog-funktioner och SQL, eller till anpassade och externa MCP-servrar. Se MCPs.
• AI-sökning: Hämta relevant ostrukturerat innehåll med Databricks AI Search, inklusive för applikationer med retrieval-augmented generation (RAG).
• Affärsdata: Förankra agenter i tabellerna, filerna och Genie Agents som din organisation redan styr i Unity Catalog.

Observability och kvalitet

Azure Databricks-managed MLflow tillhandahåller spårning, utvärdering och övervakning för agenter. MLflow Tracing registrerar varje steg som en agent tar, både under utveckling och produktion. Utvärderingen använder inbyggda LLM-domare, anpassade poängare och expertfeedback för att mäta kvalitet, och produktionsövervakning fångar regressioner. Du kan lagra spårningar i Unity Catalog och analysera dem i stor skala. Se Vad är agentobservabilitet och kvalitet?

Styrning och kontroll

• Enhetlig styrning: Unity Catalog styr data, verktyg, modeller och agenter som dina agenter använder, med behörigheter och datalinjer.
• Policyer för modeller, MCP-servrar och färdigheter: Unity Gateway styr åtkomsten till modeller, MCP-servrar och färdigheter, och upprätthåller skyddsmekanismer, hastighetsgränser och användningsspårning på de anrop som den dirigerar.
• Val: Använd vilket ramverk eller vilken uppsättning som helst och vilken modell som helst, och byt modell utan att skriva om din agent.

Agentutvecklingslivscykel

Att bygga en produktionsagent är iterativ. Följande steg beskriver en typisk livscykel.

1. Definiera användningsfall och framgångskriterier: Var överens om vad agenten ska göra, vem som använder den och hur ni mäter kvalitet, kostnad och latens. Samla in exempelförfrågningar och förväntade svar tidigt.
2. Bygg en initial agent: Börja med den minst komplexa designen som fungerar. Koppla agenten till modeller, MCP-servrar och skills via Unity Gateway och kör den lokalt.
3. Utvärdera och iterera på kvalitet: Använd spår för att felsöka beteende, bygg en utvärderingsdatamängd från verkliga förfrågningar och expertfeedback, och kör utvärderingar för att mäta effekten av varje förändring på prompts, verktyg eller modeller.
4. Driftsätt: Driftsätt agentservern till agentens runtime, med de lager, verktyg och behörigheter som agenten behöver.
5. Övervaka och förbättra i produktion: Övervaka kvaliteten med produktionsspår och bedömare, samla in användarfeedback och mata tillbaka det du lär dig till utvärderingen.

Agent Bricks och andra agenterbjudanden på Azure Databricks

• Genie One: Azure Databricks-upplevelsen för affärsanvändare att ställa frågor om data på naturligt språk, se dashboards och använda appar utan att skriva kod. En specialanpassad agent byggd på Agent Bricks kan anropa Genie One som ett verktyg. För att lägga till det i ett Agent Bricks CLI-projekt, kör agentbricks tools add genie-one.
• Genie-agenter: Ett low-code-sätt att bygga agenter som svarar på frågor över dina tabeller och dokument. Använd Genie Agents när du inte behöver anpassad agentkod. Dina skräddarsydda agenter kan också anropa Genie Agents som verktyg.
• Omnigent: En meta-harness för att sätta samman och samarbeta med agenter, såsom att kombinera kodande agenter. Du kan använda Omnigent för att utveckla anpassade agenter som körs på Agent Bricks.
• Legacy-agentbyggare: Tidigare produkter, såsom Knowledge Assistant och Supervisor Agent, rekommenderas inte längre för nya agenter. Se Andra sätt att bygga agenter.

Ytterligare resurser

• Agent Bricks quickstart: Bygg och distribuera din första agent med Agent Bricks CLI.
• Distribuera agenter på Azure Databricks: Lär dig hur agenter distribueras och tillhandahålls.
• Vad är agentens observabilitet och kvalitet?: Spåra, utvärdera och övervaka din agent.
• AI på Databricks: Användningsfall, kunder och andra resurser.
• Agent Bricks FAQ: Svar på vanliga frågor om Agent Bricks.