Använda övervakaragenten för att skapa ett samordnat system med flera agenter

På den här sidan beskrivs hur du använder Supervisor Agent för att skapa ett system för övervakare med flera agenter som samordnar AI-agenter och verktyg för att arbeta tillsammans med komplexa uppgifter. Du kan förbättra deras samordning baserat på feedback om naturligt språk från dina ämnesexperter.

Vad är övervakaragent?

Använd Supervisor Agent för att skapa ett övervakarsystem som samordnar Genie Spaces, agentslutpunkter, Unity Catalog-funktioner, MCP-servrar och anpassade agenter för att arbeta tillsammans för att slutföra komplexa uppgifter i olika specialiserade domäner. Övervakaragenten använder avancerade AI-orkestreringsmönster för att hantera agentinteraktioner, uppgiftsdelegering och resultatsyntes för att leverera omfattande lösningar.

Supervisor Agent bygger systemet åt dig och gör att du kan förbättra det över tid med mänsklig feedback. Det är idealiskt för att stödja följande användningsfall:

• Tillhandahålla marknadsanalys och insikter genom att söka bland forskningsrapporter och användningsdata.
• Svara på frågor om interna processer och automatisera ärendekön för interna processer.
• Snabba upp kundtjänsten genom att svara på principer, vanliga frågor och svar, konto och andra frågor.

Med handledaragenten kan du förbättra chefens samordningskvalitet och justera agentbeteendet baserat på feedback från ditt ämnesexperter på naturligt språk. Ange exempel och riktlinjer för att optimera systemets prestanda.

Supervisor Agent skapar en omfattande slutpunkt som du kan använda nedströms för dina program. Du kan till exempel interagera med slutpunkten genom att skicka frågor i Playground eller skapa ett chattprogram med Databricks Apps. Övervakaren har inbyggda åtkomstkontroller, så att slutanvändarna endast får åtkomst till de underagenter och data som de har åtkomst till.

Övervakaragenten använder standardlagring för att lagra tillfälliga datatransformeringar, modellkontrollpunkter och interna metadata som driver varje agent. Vid borttagning av agent tas alla data som är associerade med agenten bort från standardlagringen.

Requirements

• En arbetsyta som innehåller följande:
  • Serverlös beräkning är tillgänglig (aktiverad som standard i arbetsytor med Unity Catalog i en region som stöds).
  • Unity Catalog aktiverat. Se Aktivera en arbetsyta för Unity Catalog.
  • Åtkomst till Mosaic AI Model Serving.
  • Åtkomst till en serverlös användningsprincip med en icke-nollbudget.
  • Produktionsövervakning för MLflow (Beta) aktiverat. Detta krävs för att spårningen ska fungera. Om du inte behöver spåra behöver du inte aktivera den här förhandsversionen. Se Hantera Azure Databricks förhandsversioner.
• En arbetsyta i en av de regioner som stöds.
• Slutpunkten databricks-gte-large-en för inbäddningsmodellen måste ha AI Guardrails och hastighetsbegränsningar inaktiverade. Se Konfigurera Unity AI Gateway på slutpunkterna för modelltjänster.
• Du måste ha agenter eller verktyg som är redo att användas. Du måste ange minst något av följande:
  • En befintlig kunskapsassistent (/generative-ai/agent-bricks/knowledge-assistant.md) agentslutpunkt.
  • Ett befintligt Genie Space. Information om hur du konfigurerar ett Genie-utrymme finns i Konfigurera och hantera ett Genie-utrymme.
  • AI-agentverktyg skapade som funktioner i Unity Catalog. Se Skapa AI-agentverktyg med hjälp av Unity Catalog-funktioner.
  • Externa MCP-servrar med konfigurerade Unity Catalog-anslutningar. Du kan installera en MCP-server från Databricks Marketplace eller använda externa MCP-servrar. Anslutningen måste använda ägartokenautentisering, OAuth Machine-to-Machine-autentisering eller OAuth-autentisering från användare till dator. Se Autentiseringsmetoder för externa tjänster.
  • Anpassade MCP-servrar eller anpassade agenter som finns i Databricks Apps.
• Slutanvändare av övervakaragenten behöver explicit åtkomst för att interagera med varje underagent:
  • För en agentslutpunkt behöver slutanvändarna behörigheten CAN QUERY .
  • För ett Genie Space kräver slutanvändarna åtkomst till både Genie Space och dataåtkomst till dess underliggande Unity Catalog-objekt. Se Dela ett Genie-utrymme.
  • För Unity Catalog-funktioner kräver slutanvändarna behörigheten EXECUTE för funktionen.
  • För externa MCP-servrar kräver slutanvändarna behörigheten USE CONNECTION för Unity Catalog-anslutningen.
  • För anpassade MCP-servrar eller anpassade agenter som finns i Databricks Apps kräver slutanvändarna behörigheten CAN_USE för Databricks-appen.
• (Valfritt) Produktionsövervakning för MLflow (Beta) aktiverat. Detta krävs för att spårningen ska fungera. Se Hantera Azure Databricks förhandsversioner.

Skapa ett system för övervakare med flera agenter

Gå till Agenter i det vänstra navigeringsfönstret på arbetsytan. Klicka på Skapa agent och välj Övervakaragent.

Steg 1: Skapa underagenter och bevilja behörigheter

Eftersom Supervisor Agent skapar ett övervakarsystem som samordnar underagenter för att arbeta tillsammans för att slutföra komplexa uppgifter måste du först ange underagenter som den ska samordna. Dessa underagenter kan vara Genie Spaces, Knowledge Assistant-agentslutpunkter, Unity Catalog-funktioner, MCP-servrar eller anpassade agenter. Du måste också ge slutanvändarna explicit åtkomst till varje underagent för att övervakaren ska kunna returnera användbara svar från den underagenten.

Genieområde

1. Om du vill skapa ett Genie Space följer du stegen i Konfigurera och hantera ett Genie Space.
2. Ge slutanvändarna åtkomst till både Genie Space och dess underliggande Unity Catalog-objekt. Följ stegen i Dela ett Genie-utrymme.

Agentslutpunkt

1. Om du vill skapa en Knowledge Assistant-agent följer du stegen i Använda Kunskapsassistenten för att skapa en chattrobot av hög kvalitet i dina dokument.
2. Ge slutanvändarna behörighet på CAN QUERY slutpunkten för kunskapsassistentagenten.

Unity Catalog-funktion

1. Om du vill skapa Unity Catalog-funktioner som AI-agentverktyg följer du stegen i Skapa AI-agentverktyg med hjälp av Unity Catalog-funktioner.
2. Ge slutanvändarna behörighet för EXECUTE funktionen Unity Catalog.

Externt MCP

1. Information om hur du installerar en MCP-server från Databricks Marketplace finns i Få åtkomst till externa MCP-servrar. Om du vill konfigurera externa MCP-servrar följer du stegen i Använd externa MCP-servrar. Anslutningen måste använda ägartokenautentisering, OAuth Machine-to-Machine-autentisering eller OAuth-autentisering från användare till dator. Se Autentiseringsmetoder för externa tjänster.
2. Ge slutanvändarna behörighet för USE CONNECTION Unity Catalog-anslutningen.

Anpassad MCP

1. För att skapa en anpassad MCP-server som är värd i en Databricks-app, följ stegen i Skapa värdar för anpassade MCP-servrar med Databricks-appar.
2. Ge slutanvändarna behörighet i CAN_USE Databricks-appen. Se Autentisering för AI-agenter.

Anpassad agent

1. Om du vill skapa en anpassad agent som finns i en Databricks-app följer du stegen i Skapa en AI-agent och distribuerar den i Databricks Apps.
2. Ge slutanvändarna behörighet i CAN_USE Databricks-appen. Se Autentisering för AI-agenter.

Steg 2: Konfigurera din övervakare

Konfigurera din övervakare och lägg till de agenter som den ska samordna.

1. I fältet Namn anger du ett namn för din övervakaragent.

2. I fältet Beskrivning beskriver du vad ditt övervakarsystem kan göra.

3. Under Konfigurera agenter väljer du upp till 20 agenter och/eller verktyg.

   Genieområde

   Så här tillhandahåller du ett Genie-utrymme:

   1. I fältet Typ väljer du Genie Space.

   2. Välj ditt Genie Space från den nedrullningsbara menyn Genie Space .

   3. Agentnamnet och Beskriv innehållsfälten fylls i automatiskt när det är möjligt. Du kan redigera namnet och beskrivningen om du vill.

      Övervakaren använder informationen i beskrivningen för att hjälpa den att samordna agenter. Ange så mycket information som möjligt för att förbättra uppgiftsdelegeringen.

   Mer information om Genie Spaces finns i Vad är ett genie-utrymme. Information om hur du konfigurerar ett Genie-utrymme finns i Konfigurera och hantera ett Genie-utrymme

   Agentslutpunkt

   Så här tillhandahåller du en agentslutpunkt:

   1. I fältet Typ väljer du Agentslutpunkt.
   2. Välj slutpunkten i listrutan Agentslutpunkt . Endast agentslutpunkter som skapats via Kunskapsassistenten stöds.
   3. Fältet Agentnamn fylls i automatiskt. Du kan redigera detta om du vill.
   4. Under Beskriv innehållet beskriver du vad den här agenten kan göra för att hjälpa övervakaren att förstå när uppgifter ska delegeras till den här agenten.

   Unity Catalog-funktion

   Så här tillhandahåller du en Unity Catalog-funktion:

   1. I fältet Typ väljer du Unity Catalog Function.
   2. Välj funktionen i den nedrullningsbara menyn Unity Catalog Function .
   3. Ange ett namn för det här verktyget i fältet Agentnamn .
   4. Under Beskriv innehållet beskriver du vad den här funktionen gör och när den ska användas. Detta hjälper övervakaren att förstå när det här verktyget ska användas.

   Mer information om hur du skapar Unity Catalog-funktioner som agentverktyg finns i Skapa AI-agentverktyg med hjälp av Unity Catalog-funktioner.

   Extern MCP

   Så här tillhandahåller du en extern MCP-server:

   1. I fältet Typ väljer du Extern MCP-server.
   2. Välj anslutningen i listrutan Anslutning till Unity Catalog .
   3. I fältet Agentnamn anger du ett namn för den här MCP-servern.
   4. Under Beskriv innehållet beskriver du vad den här MCP-servern tillhandahåller och när den ska användas. Detta hjälper övervakaren att förstå när den ska delegeras till den här servern.

   Mer information om externa MCP-servrar finns i Använda externa MCP-servrar.

   Anpassad MCP

   Så här tillhandahåller du en anpassad MCP-server som finns i en Databricks-app:

   1. I fältet Typ väljer du Databricks App.
   2. Välj den anpassade MCP-servern i listrutan Databricks-app .
   3. I fältet Agentnamn redigerar du det automatiskt ifyllda namnet om du vill.
   4. Under Beskriv innehållet redigerar du den automatiskt ifyllda beskrivningen om du vill. Övervakaren använder informationen i beskrivningen för att hjälpa den att samordna agenter. Ange så mycket information som möjligt för att förbättra uppgiftsdelegeringen.

   Mer information om Databricks-appar finns i Databricks-appar.

   Anpassad agent

   Så här anger du en anpassad agent som finns i en Databricks-app:

   1. I fältet Typ väljer du Databricks App.
   2. Välj den anpassade agenten i listrutan Databricks-app .
   3. I fältet Agentnamn redigerar du det automatiskt ifyllda namnet om du vill.
   4. Under Beskriv innehållet redigerar du den automatiskt ifyllda beskrivningen om du vill. Övervakaren använder informationen i beskrivningen för att hjälpa den att samordna agenter. Ange så mycket information som möjligt för att förbättra uppgiftsdelegeringen.

   Mer information om Databricks-appar finns i Databricks-appar.

4. (Valfritt) Om du vill lägga till fler agenter klickar du på + Lägg till. Du kan ange upp till 20 agenter.

5. (Valfritt) I fältet Instruktioner anger du riktlinjer för hur övervakaren ska svara.

6. Klicka på Skapa agent.

Du omdirigeras till fliken Konfigurera . Det kan ta några minuter till några timmar att skapa system- och övervakaragenten för flera agenter.

Steg 3: Testa din övervakaragent

Efter att din övervakare har slutfört bygget kan du testa den för att se hur väl övervakaren samordnar flera agenter för att hantera komplexa uppgifter. I Testa din agent i fönstret till höger chattar du med agenten för att utvärdera dess svar.

1. (Valfritt) Du kan också testa agenten i AI Playground. Klicka på Öppna i Playground. Detta öppnar AI Playground med din styrande slutpunkt ansluten. Om du har aktiverat AI-hjälpmedelsfunktioner kan du aktivera AI Judge och syntetisk uppgiftsgenerering för att hjälpa dig att utvärdera din handledare.
2. Under Testa din agent eller i AI Playground anger du en komplex uppgift för din övervakare.
3. Utvärdera dess svar. Se till att övervakaren delegerar uppgifter till rätt agenter.
4. Baserat på agentens svar justerar du fälten Beskrivning och Instruktioner på den vänstra panelen för att förbättra konfigurationen.
5. Klicka på Uppdatera agent.

Om du är nöjd med din handledares prestanda fortsätter du att använda övervakaren as-is.

Steg 4: Förbättra övervakaren

Övervakaragenten kan justera övervakarens beteende baserat på feedback från naturligt språk. Samla in feedback från experter via konfigurationssidan för att förbättra din handledares samordningskvalitet. Att samla in etiketterade data för din övervakare kan förbättra dess prestanda. Övervakaragenten tränar om och optimerar övervakaren från nya data.

På fliken Exempel lägger du till frågor och uppgiftsscenarier för övervakaren.

1. Lägg till frågor i etiketten:

   1. Klicka på + Lägg till för att lägga till en fråga.
   2. I modalen Lägg till en fråga anger du din fråga.
   3. Klicka på Lägg till. Frågan bör visas i användargränssnittet.
   4. Upprepa tills du har lagt till alla frågor som du vill utvärdera.
   5. Om du vill ta bort en fråga klickar du på menyn för kebab och sedan på Ta bort.

2. När du har lagt till dina frågor kan du dela agenten med andra för att granska för att hjälpa dig att skapa en etiketterad datauppsättning av hög kvalitet. Dela en länk till konfigurationssidan för din övervakaragent för att samla in feedback från experter.

3. Se till att experterna har åtkomst till övervakaragenten och lämpliga underagenter:

   1. I det övre högra hörnet klickar du på att hantera behörigheter. Ge experterna CAN_MANAGE behörigheter så att de kan komma åt agenten och ge feedback.
   2. Se till att SME har åtkomst till lämpliga underagenter:
      • För varje Genie Space ger du SME alla lämpliga behörigheter för att interagera med utrymmet. Se Dela ett Genie-utrymme.
      • För varje agentslutpunkt beviljar du SME-behörigheten CAN QUERY .
      • För varje Unity Catalog-funktion beviljar du SME-behörigheten EXECUTE för funktionen.
      • För varje extern MCP-server beviljar du SME-behörigheten USE CONNECTION för Unity Catalog-anslutningen.
      • För varje anpassad MCP-server eller anpassad agent som finns i Databricks Apps beviljar du SME-behörigheten CAN_USE för Databricks-appen.

   Om SME inte har åtkomst till några underagenter avslutar övervakaren konversationen. Om slutanvändaren har åtkomst till vissa men inte alla underagenter omdirigerar övervakaren konversationen bort från underagenter som användaren inte kan komma åt.

4. Om du vill märka data klickar du på en fråga och lägger till Riktlinjer i panelen som visas. Riktlinjerna tillämpas direkt efter att de har sparats.

5. Testa agenten igen på konfigurationssidan eller AI Playground för att se dess förbättrade prestanda. Om det behövs lägger du till fler frågor och riktlinjer för att fortsätta förbättra beteendet.

Steg 5: Hantera behörigheter

Som standard har endast agentförfattare och arbetsyteadministratörer behörighet till agenten. Om du vill tillåta att andra användare redigerar eller frågar din agent måste du uttryckligen ge dem behörighet.

Så här hanterar du behörigheter för din agent:

1. Öppna din agent på sidan Agenter .
2. Längst upp klickar du på
3. Klicka på Hantera behörigheter.
4. I fönstret Behörighetsinställningar väljer du användaren, gruppen eller tjänstens huvudnamn.
5. Välj behörighet att bevilja:
   • Kan hantera: Tillåter hantering av agenten, inklusive att ange behörigheter, redigera agentkonfigurationen och förbättra dess kvalitet.
   • Kan ställas frågor: Tillåter att skicka frågor till agentslutpunkten i AI Playground och via API. Användare med endast den här behörigheten kan inte visa eller redigera agenten på sidan Agenter.
6. Klicka på Lägg till.
7. Klicka på Spara.

Steg 6: Anropa agentens slutpunkt

På agentsidan klickar du på Slutpunkt för att öppna agentslutpunkten och se information.

Det finns flera sätt att anropa den skapade övervakningsslutpunkten. Använd kodexemplen i AI Playground som utgångspunkt.

1. Klicka på Öppna på lekplats.
2. Klicka på Hämta kod från Playground.
3. Välj hur du vill använda slutpunkten:
   • Välj Curl API för ett kodexempel för att fråga slutpunkten med curl.
   • Välj Python API för ett kodexempel för att interagera med slutpunkten med hjälp av Python.

Hantera övervakaragenter med hjälp av Databricks SDK

Du kan använda Databricks SDK för Python för att programmatiskt skapa och hantera övervakaragenter och deras verktyg. För en fullständig lista över tillgängliga åtgärder, se SDK-referensen för övervakningsagenter.

Skapa en övervakaragent

I följande exempel skapas en ny övervakaragent med visningsnamn, beskrivning och instruktioner.

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)

Ersätt <display-name>, <description>och <instructions> med värdena för din övervakaragent.

Hantera verktyg (underagenter)

Du kan lägga till, uppdatera och ta bort verktyg (underagenter) på en befintlig övervakaragent med hjälp av SDK. Verktyg representerar underagenter som kunskapsassistenter, Genie Spaces, Unity Catalog-funktioner och andra agentslutpunkter.

Lägg till ett verktyg (underagent)

I följande exempel läggs en kunskapsassistent till som ett verktyg på en befintlig övervakaragent.

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)

Ersätt <supervisor-agent-id> med ID:t för din arbetsledares agent, <knowledge-assistant-id> med ID:t för kunskapsassistenten som ska läggas till som ett verktyg och <tool-id> med en unik identifierare för verktyget.

Uppdatera ett verktyg (underagent)

I följande exempel uppdateras beskrivningen av ett befintligt verktyg.

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)

Tillåtna fält i update_mask: description.

Ta bort ett verktyg (subagent)

I följande exempel tas ett verktyg bort från en övervakaragent.

from databricks.sdk import WorkspaceClient

w = WorkspaceClient()

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

Limitations

• Endast engelska stöds.
• Endast agentslutpunkter som skapats via Kunskapsassistenten stöds.
• AI Guardrails och hastighetsgränser måste inaktiveras på modellens slutpunkt databricks-gte-large-en. Se Konfigurera Unity AI Gateway på slutpunkterna för modelltjänster.
• Du kan inte använda fler än 20 agenter i ett enda övervakarsystem.
• Arbetsytor som har förbättrad säkerhet och efterlevnad aktiverat stöds inte.
• För att spårningen ska fungera måste du ha produktionsövervakning för MLflow (Beta) aktiverat. Om du inte behöver spåra behöver du inte aktivera den här förhandsversionen. Se Hantera Azure Databricks förhandsversioner.

Nästa steg

Långvariga uppgifter för övervakaragenten