Criar um agente de IA

Este artigo apresenta o processo de criação de agentes de IA no Azure Databricks e descreve os métodos disponíveis para criar agentes.

Para saber mais sobre agentes, consulte Padrões de design de sistemas de agentes.

Agentes protótipos com AI Playground

O AI Playground é a maneira mais fácil de criar um agente no Azure Databricks. O AI Playground permite que o utilizador selecione entre vários LLMs e adicione rapidamente ferramentas aos LLMs usando uma interface de utilizador de baixo código. Em seguida, você pode conversar com o agente para testar suas respostas e, em seguida, exportar o agente para o código para implantação ou desenvolvimento posterior.

Veja Comece: Consulte LLMs e protótipe agentes de IA sem qualquer código.

Constrói automaticamente um agente com o Knowledge Assistant

O Knowledge Assistant oferece uma abordagem simplificada para construir e otimizar chatbots específicos de cada domínio, de perguntas e respostas, sobre os seus documentos e melhorar a qualidade com base no feedback em linguagem natural dos seus especialistas.

A Knowledge Assistant tem uma abordagem totalmente gerida que é um bom ponto de partida antes de avançar para agentes mais personalizados.

Programar um agente personalizado

O Agent Framework e o MLflow têm ferramentas para o ajudar a criar agentes prontos para empresas em Python.

O Azure Databricks suporta agentes de autoria usando bibliotecas de autoria de agentes de terceiros como LangGraph/LangChain, OpenAI, LlamaIndex ou implementações personalizadas em Python.

Para começar rapidamente, veja Começar com agentes de IA. Para mais detalhes sobre agentes de autoria com diferentes frameworks e funcionalidades avançadas, consulte Criar um agente de IA e implementá-lo nas aplicações Databricks.

Compreender as assinaturas de modelo para garantir a compatibilidade com os recursos do Azure Databricks

O Azure Databricks usa Assinaturas de Modelo MLflow para definir o esquema de entrada e saída dos agentes. Recursos de produtos como o AI Playground pressupõem que seu agente tenha uma de um conjunto de assinaturas de modelo suportadas.

Se seguir a abordagem recomendada para criar agentes usando a interface ResponsesAgent, o MLflow irá inferir automaticamente uma assinatura para o seu agente compatível com as funcionalidades do produto Azure Databricks.