Kom igång med att ställa frågor mot LLM:er på Databricks

Important

Den här funktionen finns i Beta. Kontoadministratörer kan styra åtkomsten till den här funktionen från sidan förhandsversioner av kontokonsolen. Se Hantera förhandsversioner av Azure Databricks.

Sök i LLM:er på Azure Databricks med modelltjänster i Unity AI Gateway.

Det enklaste sättet att komma igång är genom att fråga en modelltjänst som tillhandahålls av systemet i system.ai. Systembaserade modelltjänster är tillgängliga för alla kontoanvändare som standard, så du kan börja skicka begäranden utan ytterligare konfiguration. Se Styr modell-API:er (modelltjänster).

Du kan också testa och chatta med dessa modeller med hjälp av AI Playground. Se Chatta med LLM:er och prototyp-AI-appar med AI Playground.

Requirements

Important

Som bästa säkerhet för produktionsscenarier rekommenderar Databricks att du använder OAuth-token från dator till dator för autentisering under produktion.

För testning och utveckling rekommenderar Databricks att du använder en personlig åtkomsttoken som tillhör tjänstens huvudnamn i stället för arbetsyteanvändare. Information om hur du skapar token för tjänstens huvudnamn finns i Hantera token för tjänstens huvudnamn.

Kom igång med modelltjänster

Följande exempel är avsett att köras i en Azure Databricks-notebook. Kodexemplet frågar den systemlevererade modelltjänstensystem.ai.claude-sonnet-4-5, som levereras nativt av Azure Databricks. För andra tillgängliga modeller, se modelltjänster.

I det här exemplet använder du OpenAI-klienten för att fråga modellen genom att fylla i model fältet med det fullständigt kvalificerade namnet på den modelltjänst som du vill köra frågor mot. Använd din personliga åtkomsttoken för att fylla i och din Databricks-arbetsyteinstans för att ansluta OpenAI-klienten till Databricks.

from openai import OpenAI
import os

DATABRICKS_TOKEN = os.environ.get("DATABRICKS_TOKEN")

client = OpenAI(
  api_key=DATABRICKS_TOKEN, # your personal access token
  base_url="https://<workspace-url>/ai-gateway/mlflow/v1", # your Databricks workspace instance
)

chat_completion = client.chat.completions.create(
  messages=[
    {
      "role": "system",
      "content": "You are an AI assistant",
    },
    {
      "role": "user",
      "content": "What is a mixture of experts model?",
    }
  ],
  model="system.ai.claude-sonnet-4-5",
  max_tokens=256
)

print(chat_completion.choices[0].message.content)

Note

Om du får följande meddelande ImportError: cannot import name 'OpenAI' from 'openai'uppgraderar du din openai version med .!pip install -U openai När du har installerat paketet kör du dbutils.library.restartPython().

Förväntat resultat:


{
  "id": "xxxxxxxxxxxxx",
  "object": "chat.completion",
  "created": "xxxxxxxxx",
  "model": "system.ai.claude-sonnet-4-5",
  "choices": [
    {
      "index": 0,
      "message":
        {
          "role": "assistant",
          "content": "A Mixture of Experts (MoE) model is a machine learning technique that combines the predictions of multiple expert models to improve overall performance. Each expert model specializes in a specific subset of the data, and the MoE model uses a gating network to determine which expert to use for a given input."
        },
      "finish_reason": "stop"
    }
  ],
  "usage":
    {
      "prompt_tokens": 123,
      "completion_tokens": 23,
      "total_tokens": 146
    }
}

Nästa steg

  • Last updated on