Utiliser l’agent de superviseur pour créer un système multi-agent coordonné

Cette page explique comment utiliser l’agent de superviseur pour créer un système de superviseur multi-agent qui orchestre les agents et les outils d’IA pour travailler ensemble sur des tâches complexes. Vous pouvez améliorer leur coordination en fonction des commentaires en langage naturel de vos experts en matière.

Qu’est-ce que l’agent de superviseur ?

Utilisez l’agent de supervision pour créer un système de supervision qui coordonne Genie Spaces, les points de terminaison de l’agent, les fonctions du catalogue Unity, les serveurs MCP et les agents personnalisés pour effectuer des tâches complexes entre différents domaines spécialisés. L’agent de supervision utilise des modèles d’orchestration IA avancés pour gérer les interactions de l’agent, la délégation de tâches et la synthèse des résultats pour fournir des solutions complètes.

L’agent de supervision crée le système pour vous et vous permet de l’améliorer au fil du temps avec des commentaires humains. Il est idéal pour prendre en charge les cas d’usage suivants :

• Fournissez des analyses et des insights sur le marché en recherchant des rapports de recherche et des données d’utilisation.
• Répondez aux questions sur les processus internes et automatisez la gestion de la file d'attente des tickets pour ces processus.
• Accélérez le service client en répondant aux questions liées aux politiques, aux FAQ, aux comptes et à d'autres sujets.

L’agent de supervision vous permet d’améliorer la qualité de coordination du superviseur et d’ajuster le comportement de l’agent en fonction des commentaires en langage naturel de vos experts en matières concernées. Fournissez des exemples et des instructions pour optimiser les performances du système.

L’agent de supervision crée un point de terminaison complet que vous pouvez utiliser en aval pour vos applications. Par exemple, vous pouvez interagir avec le point de terminaison en envoyant des invites dans Playground ou en créant une application de conversation à l’aide de Databricks Apps. Le superviseur dispose de contrôles d’accès intégrés, afin que ses utilisateurs finaux accèdent uniquement aux sous-agents et aux données auxquels ils ont accès.

L’agent de supervision utilise le stockage par défaut pour stocker des transformations de données temporaires, des points de contrôle de modèle et des métadonnées internes qui alimentent chaque agent. Lors de la suppression de l’agent, toutes les données associées à l’agent sont supprimées du stockage par défaut.

Requirements

• Espace de travail qui inclut les éléments suivants :
  • Calcul serverless disponible (activé par défaut dans les espaces de travail avec Unity Catalog dans une région prise en charge).
  • Catalogue Unity activé. Consultez Activer un espace de travail pour le catalogue Unity.
  • Accès à Mosaic AI Model Serving.
  • Accès à une stratégie d’utilisation serverless avec un budget non nul.
  • Surveillance de la production pour MLflow (bêta) activée. Cela est nécessaire pour que le suivi fonctionne. Si vous n'avez pas besoin de suivi, vous n'avez pas besoin d'activer cet aperçu. Consultez les aperçus Manage Azure Databricks.
• Espace de travail dans l’une des régions prises en charge.
• Le point de terminaison du modèle d'intégration databricks-gte-large-en doit avoir les garde-fous d'IA et les limites de débit désactivés. Consultez Configurer Unity AI Gateway sur les points de terminaison pour le service des modèles.
• Vous devez disposer d’agents ou d’outils prêts à être utilisés. Vous devez fournir au moins l’un des éléments suivants :
  • Point de terminaison de l'agent assistant de connaissances existant (/générative-ai/agent-bricks/knowledge-assistant.md).
  • Un Genie Space existant. Pour configurer un espace Génie, consultez Configurer et gérer un espace Génie.
  • Outils d'agent IA créés en tant que fonctions du catalogue Unity. Consultez Créer des outils d’agent IA à l’aide des fonctions de catalogue Unity.
  • Serveurs MCP externes avec des connexions de catalogue Unity configurées. Vous pouvez installer un serveur MCP à partir de Databricks Marketplace ou utiliser des serveurs MCP externes. La connexion doit utiliser l’authentification par jeton du porteur, l’authentification OAuth machine à machine ou l’authentification utilisateur à machine OAuth. Consultez les méthodes d’authentification pour les services externes.
  • Serveurs MCPpersonnalisés ou agents personnalisés hébergés dans Databricks Apps.
• Les utilisateurs finaux de l’agent de supervision ont besoin d’un accès explicite pour interagir avec chaque sous-agent :
  • Pour un point de terminaison d’agent, les utilisateurs finaux nécessitent l’autorisation CAN QUERY .
  • Pour un espace Genie, les utilisateurs finaux ont besoin d’accéder à la fois à l’espace Génie et à l’accès aux données à ses objets de catalogue Unity sous-jacents. Voir Partager un espace Genie.
  • Pour les fonctions catalogue Unity, les utilisateurs finaux nécessitent l’autorisation EXECUTE sur la fonction.
  • Pour les serveurs MCP externes, les utilisateurs finaux nécessitent l’autorisation USE CONNECTION sur la connexion du catalogue Unity.
  • Pour les serveurs MCP personnalisés ou les agents personnalisés hébergés dans Databricks Apps, les utilisateurs finaux nécessitent l’autorisation CAN_USE sur l’application Databricks.
• (Facultatif) Surveillance de la production pour MLflow (bêta) activée. Cela est nécessaire pour que le suivi fonctionne. Consultez les aperçus Manage Azure Databricks.

Créer un système de superviseur multi-agent

Accédez à Agents dans le volet de navigation gauche de votre espace de travail. Cliquez sur Créer un agent, puis sélectionnez Agent de supervision.

Étape 1 : Créer des sous-agents et accorder des autorisations

Étant donné que le Superviseur crée un système de supervision qui coordonne les sous-agents pour travailler ensemble afin d'effectuer des tâches complexes, vous devez d'abord fournir des sous-agents à coordonner. Ces sous-composants peuvent être des Espaces Génie, des points de terminaison d’agent d’Assistant Connaissance, des fonctions Catalogue Unity, des serveurs MCP ou des agents personnalisés. Vous devez également accorder aux utilisateurs finaux un accès explicite à chaque sous-agent afin que le superviseur retourne des réponses utiles de cette sous-partie.

Espace Génie

1. Pour créer un espace Génie, suivez les étapes décrites dans Configurer et gérer un espace Génie.
2. Accordez aux utilisateurs finaux l’accès à l’espace Génie et à ses objets catalogue Unity sous-jacents. Suivez les étapes de Share a Genie Space.

Point de terminaison de l’agent

1. Pour créer un agent Assistant Connaissances, suivez les étapes décrites dans Utiliser l’Assistant Connaissances pour créer un chatbot de haute qualité sur vos documents.
2. Accordez aux utilisateurs finaux l’autorisation CAN QUERY sur le point de terminaison de l’assistant de connaissances.

Fonction Unity Catalog

1. Pour créer des fonctions de catalogue Unity en tant qu’outils d’agent IA, suivez les étapes décrites dans Créer des outils d’agent IA à l’aide des fonctions catalogue Unity.
2. Accordez aux utilisateurs finaux l’autorisation EXECUTE sur la fonction Catalogue Unity.

MCP externe

1. Pour installer un serveur MCP à partir de Databricks Marketplace, consultez Obtenir l’accès aux serveurs MCP externes. Pour configurer des serveurs MCP externes, suivez les étapes décrites dans Utiliser des serveurs MCP externes. La connexion doit utiliser l’authentification par jeton du porteur, l’authentification OAuth machine à machine ou l’authentification utilisateur à machine OAuth. Consultez les méthodes d’authentification pour les services externes.
2. Accordez aux utilisateurs finaux l’autorisation USE CONNECTION sur la connexion du catalogue Unity.

MCP personnalisé

1. Pour créer un serveur MCP personnalisé hébergé dans une application Databricks, suivez les étapes dans Utiliser des applications Databricks pour héberger des serveurs MCP personnalisés.
2. Accordez aux utilisateurs finaux l’autorisation CAN_USE sur l’application Databricks. Consultez Authentification pour les agents IA.

Agent personnalisé

1. Pour créer un agent personnalisé hébergé dans une application Databricks, suivez les étapes de création d’un agent IA et déployez-le sur Databricks Apps.
2. Accordez aux utilisateurs finaux l’autorisation CAN_USE sur l’application Databricks. Consultez Authentification pour les agents IA.

Étape 2 : Configurer votre superviseur

Configurez votre superviseur et ajoutez les agents qu’il coordonnera.

1. Dans le champ Nom , entrez un nom pour votre agent de superviseur.

2. Dans le champ Description , décrivez ce que votre système de supervision peut faire.

3. Sous Configurer des agents, sélectionnez jusqu’à 20 agents et/ou outils.

   Espace Génie

   Pour fournir un espace Génie :

   1. Dans le champ Type , sélectionnez Génie Espace.

   2. Sélectionnez votre Espace Génie dans le menu déroulant Génie.

   3. Le nom de l’agent et décrire les champs de contenu sont automatiquement renseignés lorsque cela est possible. Vous pouvez modifier le nom et la description si vous le souhaitez.

      Le superviseur utilise les informations contenues dans la description pour l’aider à coordonner les agents. Fournissez autant de détails que possible pour améliorer sa délégation de tâches.

   Pour en savoir plus sur Genie Spaces, consultez What is a Genie Space. Pour configurer un espace Génie, consultez Configurer et gérer un espace Génie

   Point de terminaison de l’agent

   Pour configurer un point d'accès agent :

   1. Dans le champ Type , sélectionnez Point de terminaison de l’agent.
   2. Sélectionnez le point de terminaison dans le menu déroulant Point de terminaison de l’agent . Seuls les points de terminaison d’agent créés via Knowledge Assistant sont pris en charge.
   3. Le champ Nom de l’agent est automatiquement renseigné. Vous pouvez le modifier si vous le souhaitez.
   4. Sous Décrire le contenu, décrivez ce que cet agent peut faire pour aider le superviseur à comprendre quand déléguer des tâches à cet agent.

   Fonction Unity Catalog

   Pour fournir une fonction de catalogue Unity :

   1. Dans le champ Type , sélectionnez Fonction catalogue Unity.
   2. Sélectionnez la fonction dans le menu déroulant Unity Catalog Function.
   3. Dans le champ Nom de l’agent , indiquez un nom pour cet outil.
   4. Sous Décrire le contenu, décrivez ce que fait cette fonction et quand elle doit être utilisée. Cela permet au superviseur de comprendre quand utiliser cet outil.

   Pour en savoir plus sur la création de fonctions de catalogue Unity en tant qu’outils d’agent, consultez Créer des outils d’agent IA à l’aide des fonctions de catalogue Unity.

   MCP externe

   Pour fournir un serveur MCP externe :

   1. Dans le champ Type , sélectionnez Serveur MCP externe.
   2. Sélectionnez la connexion dans le menu déroulant de la connexion du catalogue Unity.
   3. Dans le champ Nom de l’agent , indiquez un nom pour ce serveur MCP.
   4. Sous Décrire le contenu, décrivez ce que fournit ce serveur MCP et quand il doit être utilisé. Cela permet au superviseur de comprendre quand déléguer à ce serveur.

   Pour en savoir plus sur les serveurs MCP externes, consultez Utiliser des serveurs MCP externes.

   MCP personnalisé

   Pour fournir un serveur MCP personnalisé hébergé dans une application Databricks :

   1. Dans le champ Type , sélectionnez Application Databricks.
   2. Sélectionnez le serveur MCP personnalisé dans le menu déroulant De l’application Databricks .
   3. Dans le champ Nom de l’agent , modifiez le nom renseigné automatiquement si vous le souhaitez.
   4. Sous Décrire le contenu, modifiez la description renseignée automatiquement si vous le souhaitez. Le superviseur utilise les informations contenues dans la description pour l’aider à coordonner les agents. Fournissez autant de détails que possible pour améliorer sa délégation de tâches.

   Pour en savoir plus sur Databricks Apps, consultez Databricks Apps.

   Agent personnalisé

   Pour fournir un agent personnalisé hébergé dans une application Databricks :

   1. Dans le champ Type , sélectionnez Application Databricks.
   2. Sélectionnez l’agent personnalisé dans le menu déroulant De l’application Databricks .
   3. Dans le champ Nom de l’agent , modifiez le nom renseigné automatiquement si vous le souhaitez.
   4. Sous Décrire le contenu, modifiez la description renseignée automatiquement si vous le souhaitez. Le superviseur utilise les informations contenues dans la description pour l’aider à coordonner les agents. Fournissez autant de détails que possible pour améliorer sa délégation de tâches.

   Pour en savoir plus sur Databricks Apps, consultez Databricks Apps.

4. (Facultatif) Pour ajouter d’autres agents, cliquez sur + Ajouter. Vous pouvez fournir jusqu’à 20 agents.

5. (Facultatif) Dans le champ Instructions , spécifiez les instructions relatives à la façon dont le superviseur doit répondre.

6. Cliquez sur Créer un agent.

Vous êtes redirigé vers l’onglet Configurer . La création de votre système multi-agent et de votre agent de supervision peut prendre quelques minutes.

Étape 3 : Tester votre agent de superviseur

Une fois que votre superviseur a terminé de construire, testez-le pour voir comment il coordonne plusieurs agents pour gérer des tâches complexes. Dans Tester votre agent dans le volet droit, discutez avec l’agent pour évaluer ses réponses.

1. (Facultatif) Vous pouvez également tester l’agent dans AI Playground. Cliquez sur Ouvrir dans Playground. Cela ouvre AI Playground avec votre point de terminaison de superviseur connecté. Si vous avez activé les fonctionnalités d'assistance d'IA, vous pouvez activer AI Judge et génération de tâches synthétiques pour vous aider à évaluer votre superviseur.
2. Sous Tester votre agent ou dans AI Playground, entrez une tâche complexe pour votre superviseur.
3. Évaluez sa réponse. Assurez-vous que le superviseur délègue correctement les tâches aux agents appropriés.
4. En fonction des réponses de votre agent, ajustez les champs Description et Instructions dans le volet gauche pour améliorer sa configuration.
5. Cliquez sur Mettre à jour l’agent.

Si vous êtes satisfait du rendement de votre superviseur, continuez à utiliser le superviseur as-is.

Étape 4 : Améliorer le superviseur

L’agent de supervision peut ajuster le comportement du superviseur en fonction des commentaires en langage naturel. Rassemblez des commentaires d’experts via la page de configuration pour améliorer la qualité de coordination de votre superviseur. La collecte de données étiquetées pour votre superviseur peut améliorer ses performances. L’agent de supervision réentraîne et optimise le superviseur à partir des nouvelles données.

Sous l’onglet Exemples , ajoutez des questions et des scénarios de tâches pour le superviseur.

1. Ajoutez des questions à l’étiquette :

   1. Cliquez sur + Ajouter pour ajouter une question.
   2. Dans le mode Ajouter une question , entrez votre question.
   3. Cliquez sur Ajouter. La question doit apparaître dans l’interface utilisateur.
   4. Répétez jusqu’à ce que vous ayez ajouté toutes les questions que vous souhaitez évaluer.
   5. Pour supprimer une question, cliquez sur le menu kebab, puis supprimez.

2. Une fois que vous avez terminé d’ajouter vos questions, vous pouvez partager l’agent avec des tiers afin de vous aider à créer un jeu de données étiqueté de haute qualité. Partagez un lien vers votre page de configuration de l’agent de supervision pour recueillir des commentaires d’experts.

3. Assurez-vous que les experts ont accès à l’agent de superviseur et aux sous-agents appropriés :

   1. Dans le coin supérieur droit, cliquez sur puis sur gérer les autorisations. Accordez aux experts des autorisations CAN_MANAGE afin qu’ils puissent accéder à l’agent et fournir des commentaires.
   2. Vérifiez que la PME a accès aux sous-agents appropriés :
      • Pour chaque espace Génie, accordez à la PME toutes les autorisations appropriées pour interagir avec l’espace. Voir Partager un espace Genie.
      • Pour chaque point de terminaison de l’agent, accordez à LA PME l’autorisation CAN QUERY .
      • Pour chaque fonction de catalogue Unity, accordez à la PME l’autorisation EXECUTE sur la fonction.
      • Pour chaque serveur MCP externe, accordez à la PME l’autorisation USE CONNECTION sur la connexion du catalogue Unity.
      • Pour chaque serveur MCP personnalisé ou agent personnalisé hébergé dans Databricks Apps, accordez à la PME l’autorisation CAN_USE sur l’application Databricks.

   Si la PME n’a pas accès à des sous-agents, le superviseur termine la conversation. Si l’utilisateur final a accès à certains sous-éléments, mais pas tous les sous-éléments, le superviseur redirige la conversation loin des sous-agents que l’utilisateur ne peut pas accéder.

4. Pour étiqueter les données, cliquez sur une question et ajoutez des instructions dans le panneau qui s’affiche. Les instructions s’appliquent juste après leur enregistrement.

5. Testez à nouveau l’agent dans la page de configuration ou AI Playground pour voir ses performances améliorées. Si nécessaire, ajoutez d’autres questions et recommandations pour continuer à améliorer le comportement.

Étape 5 : Gérer les autorisations

Par défaut, seuls les auteurs de l’agent et les administrateurs d’espace de travail disposent d’autorisations pour l’agent. Pour permettre à d’autres utilisateurs de modifier ou d’interroger votre agent, vous devez leur accorder explicitement l’autorisation.

Pour gérer les autorisations sur votre agent :

1. Ouvrez votre agent sur la page Agents.
2. En haut, cliquez sur Menu kebab.
3. Cliquez sur Gérer les autorisations.
4. Dans la fenêtre Paramètres d’autorisation , sélectionnez l’utilisateur, le groupe ou le principal du service.
5. Sélectionnez l’autorisation d’accorder :
   • Peut gérer : permet de gérer l’agent, notamment la définition des autorisations, la modification de la configuration de l’agent et l’amélioration de sa qualité.
   • Peut interroger : autorise l’interrogation du point de terminaison de l’agent dans AI Playground et via l’API. Les utilisateurs disposant uniquement de cette autorisation ne peuvent pas afficher ou modifier l’agent sur la page Agents.
6. Cliquez sur Ajouter.
7. Cliquez sur Enregistrer.

Étape 6 : Interroger le point de terminaison de l’agent

Dans la page de l’agent, cliquez sur Point de terminaison pour ouvrir le point de terminaison de l’agent et voir les détails.

Il existe plusieurs façons d’interroger le point de terminaison de supervisor créé. Utilisez les exemples de code fournis dans AI Playground comme point de départ.

1. Cliquez sur Ouvrir dans le terrain de jeux.
2. Dans Playground, cliquez sur Obtenir le code.
3. Choisissez la façon dont vous souhaitez utiliser le point de terminaison :
   • Sélectionnez l’API Curl pour obtenir un exemple de code pour interroger le point de terminaison à l’aide de curl.
   • Sélectionnez Python API pour obtenir un exemple de code permettant d’interagir avec le point de terminaison à l’aide de Python.

Gérer les agents de supervision à l’aide du Kit de développement logiciel (SDK) Databricks

Vous pouvez utiliser le SDK Databricks pour Python pour créer et gérer par programmation des agents de supervision et leurs outils. Pour obtenir la liste complète des opérations disponibles, consultez la référence du Kit de développement logiciel (SDK) Des agents de supervision.

Créer un agent de superviseur

L’exemple suivant crée un agent de superviseur avec un nom complet, une description et des instructions.

from databricks.sdk import WorkspaceClient
from databricks.sdk.service.supervisoragents import SupervisorAgent

w = WorkspaceClient()

supervisor_agent = SupervisorAgent(
    display_name="<display-name>",
    description="<description>",
    instructions="<instructions>",
)
created = w.supervisor_agents.create_supervisor_agent(supervisor_agent=supervisor_agent)
print(created)

Remplacez <display-name>, <description>et <instructions> par les valeurs de votre agent de supervision.

Gérer les outils (sous-agents)

Vous pouvez ajouter, mettre à jour et supprimer des outils (sous-agents) sur un agent de superviseur existant à l’aide du Kit de développement logiciel (SDK). Les outils représentent des sous-agents tels que des assistants de connaissance, Génie Spaces, des fonctions de catalogue Unity et d'autres points de terminaison d'agents.

Ajouter un outil (sous-agent)

L'exemple suivant ajoute un assistant en gestion de la connaissance en tant qu'outil sur un agent superviseur existant.

from databricks.sdk import WorkspaceClient
from databricks.sdk.service.supervisoragents import Tool, KnowledgeAssistant

w = WorkspaceClient()

tool = Tool(
    tool_type="knowledge_assistant",
    description="<tool-description>",
    knowledge_assistant=KnowledgeAssistant(
        knowledge_assistant_id="<knowledge-assistant-id>",
    ),
)

created_tool = w.supervisor_agents.create_tool(
    parent="supervisor-agents/<supervisor-agent-id>",
    tool=tool,
    tool_id="<tool-id>",
)
print(created_tool)

Remplacez <supervisor-agent-id> par l’ID de votre agent de superviseur, <knowledge-assistant-id> par l’ID de l’Assistant connaissances à ajouter en tant qu’outil et <tool-id> par un identificateur unique pour l’outil.

Mettre à jour un outil (sous-agent)

L’exemple suivant met à jour la description d’un outil existant.

from databricks.sdk import WorkspaceClient
from databricks.sdk.service.supervisoragents import Tool
from databricks.sdk.common.types.fieldmask import FieldMask

w = WorkspaceClient()

updated_tool = w.supervisor_agents.update_tool(
    name="supervisor-agents/<supervisor-agent-id>/tools/<tool-id>",
    tool=Tool(
        tool_type="knowledge_assistant",
        description="<new-description>",
    ),
    update_mask=FieldMask(["description"]),
)
print(updated_tool)

Champs autorisés dans update_mask: description.

Supprimer un outil (sous-agent)

L’exemple suivant supprime un outil d’un agent de supervision.

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()

w.supervisor_agents.delete_tool(
    name="supervisor-agents/<supervisor-agent-id>/tools/<tool-id>",
)

Limitations

• Seul l’anglais est pris en charge.
• Seuls les points de terminaison d’agent créés via Knowledge Assistant sont pris en charge.
• Les garde-fous et les limites de débit d’IA doivent être désactivés sur le point de terminaison du databricks-gte-large-en modèle. Consultez Configurer Unity AI Gateway sur les points de terminaison pour le service des modèles.
• Vous ne pouvez pas utiliser plus de 20 agents dans un seul système de supervision.
• Les espaces de travail avec Sécurité et Conformité Renforcées activées ne sont pas pris en charge.
• Pour que le suivi fonctionne, vous devez activer la surveillance de production pour MLflow (bêta). Si vous n'avez pas besoin de suivi, vous n'avez pas besoin d'activer cet aperçu. Consultez les aperçus Manage Azure Databricks.

Étapes suivantes

Tâches longues de l’Agent de supervision