Créer un agent IA

Cet article présente le processus de création d’agents IA sur Azure Databricks et décrit les méthodes disponibles pour créer des agents.

Pour en savoir plus sur les agents, consultez Présentation des applications IA génératives sur Azure Databricks.

Créer automatiquement un agent avec Agent Bricks

Agent Bricks fournit une approche simple pour créer et optimiser des systèmes d’agent IA spécifiques au domaine et haute qualité pour les cas d’utilisation courants de l’IA. Spécifiez votre cas d’usage et vos données, et Agent Bricks génère automatiquement plusieurs systèmes d’agent IA pour vous que vous puissiez affiner davantage. Voir Agent Bricks.

Créer un agent dans le code

Mosaïque AI Agent Framework et MLflow fournissent des outils pour vous aider à créer des agents prêts pour l’entreprise dans Python.

Azure Databricks prend en charge la création d’agents à l’aide de bibliothèques de création d’agents tierces telles que LangGraph/LangChain, LlamaIndex ou des implémentations Python personnalisées.

Pour commencer rapidement, consultez Prise en main des agents IA. Pour plus d’informations sur la création d’agents avec différentes infrastructures et fonctionnalités avancées, consultez Créer des agents IA dans le code.

Agents prototypes avec AI Playground

Le terrain de jeu IA est le moyen le plus simple de créer un agent sur Azure Databricks. AI Playground vous permet de sélectionner parmi divers modèles de langage LLM et d’ajouter rapidement des outils au LLM à l’aide d’une interface utilisateur low-code. Vous pouvez ensuite discuter avec l’agent pour tester ses réponses, puis exporter l’agent vers du code pour le déploiement ou un développement ultérieur.

Consultez Prototype d’agent d’appel d’outil dans AI Playground.

Comprendre les signatures de modèle pour garantir la compatibilité avec les fonctionnalités d’Azure Databricks

Azure Databricks utilise les signatures de modèle MLflow pour définir le schéma d’entrée et de sortie des agents. Les fonctionnalités de produit comme ai Playground supposent que votre agent a un ensemble de signatures de modèle prises en charge.

Si vous suivez l’approche recommandée pour créer des agents, MLflow déduit automatiquement une signature pour votre agent compatible avec les fonctionnalités de produit Azure Databricks, sans aucun travail supplémentaire nécessaire à votre part.

Dans le cas contraire, vous devez vous assurer que votre agent respecte l’une des autres signatures dans le schéma de l’agent d’entrée et de sortie hérité, pour garantir la compatibilité avec les fonctionnalités d’Azure Databricks.