はじめに: コードなしで LLM にクエリを実行し、AI エージェントのプロトタイプを作成する

この 5 分間のコードなしのチュートリアルでは、Azure Databricks での生成 AI について説明します。 AI プレイグラウンドを使用して、次の操作を行います。

• 大規模な言語モデル (LLM) のクエリを実行し、結果を並べて比較する
• ツールを呼び出す AI エージェントのプロトタイプを作成する
• エージェントを Databricks Apps またはノートブックにエクスポートする
• 省略可能: 検索拡張生成 (RAG) を使用して質問に回答するチャットボットをプロトタイプ化する

開始する前に

ワークスペースが次の内容にアクセスできることを確認します。

• 基盤モデル。

• Unity Catalog。
• カスタム エージェント。 「利用可能なリージョンに制限がある機能」を参照してください。

手順 1: AI プレイグラウンドを使用して LLM にクエリを実行する

AI Playground を使用して、チャット インターフェイス内の LLM に対してクエリを実行します。

1. ワークスペースで、AI/ML の下の左側のナビゲーション ウィンドウから Playground を選択します。
2. 「RAG とは」などの質問を入力します。

応答を並べて比較する新しい LLM を追加します。

1. 右上の [ + ] を選択して、比較用のモデルを追加します。
2. 新しいウィンドウで、ドロップダウン セレクターを使用して別のモデルを選択します。
3. [ 同期 ] チェックボックスをオンにしてクエリを同期します。
4. 2 つの応答を並べて表示するには、"複合 AI システムとは何か" などの新しいプロンプトを試してください。

さまざまな LLM をテストして比較し続けて、AI エージェントの構築に使用する最適な LLM を決定するのに役立ちます。

手順 2: ツールを呼び出す AI エージェントのプロトタイプを作成する

ツールを使用すると、LLM は言語を生成する以上のことを行うことができます。 ツールでは、外部データのクエリ、コードの実行、その他のアクションを実行できます。 AI Playground では、ツール呼び出し元エージェントのプロトタイプを作成するためのコードなしのオプションが提供されます。

1. Playground で、ツール有効というラベルが付けられたモデルを選択します。

   

2. [ツール>+ ツールの追加] を選択し、組み込みの Unity カタログ関数 (system.ai.python_exec) を選択します。

   この関数を使用すると、エージェントで任意の Python コードを実行できます。

   

   その他のツール オプションは次のとおりです。

   • UC 関数: エージェントが使用する Unity カタログ関数を選択します。
   • 関数定義: エージェントが呼び出すカスタム関数を定義します。
   • ベクター検索: ベクトル検索インデックスを指定します。 エージェントがベクター検索インデックスを使用している場合、その応答は使用されたソースを引用します。
   • MCP: 管理対象の Databricks MCP サーバー または外部 MCP サーバーを使用する MCP サーバーを指定します。

3. Python コードの生成または実行に関する質問をします。 プロンプトのフレージングでさまざまなバリエーションを試すことができます。 複数のツールを追加すると、LLM によって適切なツールが選択され、応答が生成されます。

   

省略可能: RAG の質問に回答するボットのプロトタイプを作成する

ワークスペースにベクター検索インデックスが設定されている場合は、質問に回答するボットをプロトタイプ化できます。 この種類のエージェントは、ベクター検索インデックス内のドキュメントを使用して、それらのドキュメントに基づいて質問に回答します。

1. [ ツール>+ 追加ツール] をクリックします。 次に、ベクター検索インデックスを選択します。

   

2. ドキュメントに関連する質問をしてください。 エージェントはベクター インデックスを使用して関連情報を検索し、その回答で使用されているドキュメントを引用します。

   

ベクター検索インデックスを設定するには、「 ベクター検索インデックスを作成する」を参照してください。

手順 3: エージェントをエクスポートする

AI Playground でエージェントをテストした後、それをエクスポートして、Playground の外部でデプロイ、評価、反復処理できるようにします。 AI Playground には、次の 2 つのエクスポート パスがあります。

• Databricks Apps へのエクスポート (推奨): 組み込みのチャット UI、MCP ツールの配線、認証など、 agent-openai-agents-sdk テンプレートからデプロイ可能なエージェント アプリをインストールします。 新しいエージェントの場合は、このパスを選択します。
• エージェント ノートブックの作成 (レガシ): エージェントを定義し、モデル サービス エンドポイントにデプロイするPython ノートブックを生成します。 ワークスペースまたはリージョンで Databricks Apps を使用できない場合は、このパスを選択します。

アプリへのエクスポート (推奨)

[Databricks Apps にエクスポート] オプションを選択すると、チャットの準備ができているデプロイ済みのエージェント アプリが生成されます。 アプリでは、Playground で構成したのと同じモデル、システム プロンプト、およびツール (MCP サーバーとベクター検索を含む) が使用されます。

エクスポートする前に、ワークスペースが次の要件を満たしていることを確認します。

• ワークスペースで Databricks Apps を有効にする必要があります。 Databricks Apps ワークスペースと開発環境を設定するを参照してください。
• 手順 2 で選択したエンドポイントは、ツールをサポートしている必要があります。
• マネージド MCP サーバー プレビューは、ワークスペースで有効にする必要があります。 Manage Azure Databricks プレビューを参照してください。

エージェントをエクスポートするには:

1. プレイグラウンドで、[コードの取得] をクリックします>Databricks Apps にエクスポートします。

2. [ Databricks Apps へのエクスポート ] ダイアログで、次の設定を行います。

   • アプリ名: agent- で始まり、小文字、数字、ハイフンのみを含む一意の名前 ( agent-research-assistantなど)。
   • アプリの説明: エージェントの機能の簡単な説明。
   • MLflow 実験: トレースと評価に使用する既存の MLflow 実験を選択するか、新しく作成します。

3. [ エクスポート] をクリックします。 Azure Databricksは次の処理を行います。

   1. アプリ名が使用可能であることを検証します。
   2. agent-openai-agents-sdk テンプレートをワークスペースにインストールし、必要なリソースのアクセス許可をアプリに付与します。 これらのリソースには、MLflow 実験、サービス エンドポイント、およびツールとして追加した MCP サーバー、Unity カタログ関数、Genie Spaces、またはベクター検索インデックスが含まれます。
   3. Playground 構成から agent_server/agent.py を生成し、デプロイされたエージェントがテストしたエージェントと一致するようにします。

4. 成功ダイアログが表示されたら、[ エージェントの表示 ] をクリックしてデプロイされたアプリを開き、組み込みの UI を使用してチャットします。

エージェント コードをカスタマイズする、認証を構成する、評価を追加する、 Databricks Asset Bundles (DAB) を使用して再デプロイする方法については、「 AI エージェントを作成して Databricks Apps にデプロイする」を参照してください。

エージェントノートブックの作成（レガシー）

AI Playground でエージェントをテストした後、[コードの取得] をクリックします>エージェント ノートブックを作成して、エージェントを Python ノートブックにエクスポートします。

エージェント コードをエクスポートした後、Azure Databricksドライバー ノートブックを含むフォルダーをワークスペースに保存します。 このドライバーは、ツール呼び出し元 の ResponsesAgent を定義し、エージェントをローカルでテストし、 コードベースのログ記録を使用し、登録し、カスタム エージェントを使用して AI エージェントをデプロイします。

次のステップ

コード優先のアプローチを使用してエージェントを作成するには、「 AI エージェントを作成して Databricks Apps にデプロイする」を参照してください。