Erstellen eines KI-Agents

In diesem Artikel wird der Prozess zum Erstellen von KI-Agents in Azure Databricks vorgestellt und die verfügbaren Methoden zum Erstellen von Agents beschrieben.

Weitere Informationen zu Agents finden Sie in der Einführung in generative KI-Apps in Azure Databricks.

Automatisches Erstellen eines Agents mit Agent Bricks

Agent Bricks bietet einen einfachen Ansatz zum Erstellen und Optimieren von domänenspezifischen, qualitativ hochwertigen KI-Agent-Systemen für gängige KI-Anwendungsfälle. Geben Sie Ihren Anwendungsfall und Ihre Daten an, und Agent Bricks erstellt automatisch mehrere KI-Agent-Systeme für Sie, die Sie weiter verfeinern können. Siehe Agent Bricks.

Erstellen eines Agents im Code

Mosaik AI Agent Framework und MLflow bieten Tools, mit denen Sie unternehmensfähige Agents in Python erstellen können.

Azure Databricks unterstützt die Erstellung von Agents mithilfe von Agenterstellungsbibliotheken von Drittanbietern wie LangGraph/LangChain, LlamaIndex oder benutzerdefinierte Python-Implementierungen.

Informationen zu den ersten Schritten finden Sie unter "Erste Schritte mit KI-Agents". Weitere Informationen zur Erstellung von Agents mit verschiedenen Frameworks und erweiterten Funktionen finden Sie unter AI-Agents im Code erstellen.

Prototyp-Agents mit AI Playground

Der KI-Playground ist die einfachste Möglichkeit, einen Agent auf Azure Databricks zu erstellen. MIT AI Playground können Sie aus verschiedenen LLMs auswählen und dem LLM schnell Tools hinzufügen, indem Sie eine Ui mit geringem Code verwenden. Anschließend können Sie mit dem Agent chatten, um seine Antworten zu testen und dann den Agent in Code für die Bereitstellung oder weiterentwicklung zu exportieren.

Weitere Informationen finden Sie unter Erstellen eines Prototyps für Toolaufruf-Agents im KI-Playground.

Grundlegendes zu Modellsignaturen zur Sicherstellung der Kompatibilität mit Azure Databricks-Features

Azure Databricks verwendet MLflow-Modellsignaturen zum Definieren des Eingabe- und Ausgabeschemas von Agents. Produktfeatures wie der AI Playground gehen davon aus, dass Ihr Agent über eine Reihe von unterstützten Modellsignaturen verfügt.

Wenn Sie dem empfohlenen Ansatz für die Erstellung von Agents folgen, leitet MLflow automatisch eine Signatur für Ihren Agent ab, die mit Den Produktfeatures von Azure Databricks kompatibel ist, ohne dass zusätzliche Arbeit erforderlich ist.

Andernfalls müssen Sie sicherstellen, dass Ihr Agent einer der anderen Signaturen im Legacy-Eingabe- und Ausgabe-Agent-Schema entspricht, um die Kompatibilität mit Azure Databricks-Features sicherzustellen.