Tworzenie agenta sztucznej inteligencji

W tym artykule przedstawiono proces tworzenia agentów sztucznej inteligencji w usłudze Azure Databricks i przedstawiono dostępne metody tworzenia agentów.

Aby dowiedzieć się więcej na temat agentów, zobacz Wprowadzenie do generowania aplikacji sztucznej inteligencji w usłudze Azure Databricks.

Automatyczne budowanie agenta z wykorzystaniem Agent Bricks

Agent Bricks oferuje proste podejście do tworzenia i optymalizowania systemów agentów sztucznej inteligencji specyficznych dla domeny wysokiej jakości dla typowych przypadków użycia sztucznej inteligencji. Określ przypadek użycia i dane, a agent Bricks automatycznie utworzy kilka systemów agentów sztucznej inteligencji, które można jeszcze bardziej udoskonalić. Zobacz Agent Bricks.

Zaprojektuj agenta w kodzie

Mozaika AI Agent Framework i MLflow udostępniają narzędzia ułatwiające tworzenie agentów gotowych do użycia w przedsiębiorstwie w języku Python.

Usługa Azure Databricks obsługuje tworzenie agentów przy użyciu bibliotek tworzenia agentów innych firm, takich jak LangGraph/LangChain, LlamaIndex lub niestandardowe implementacje języka Python.

Aby szybko rozpocząć pracę, zobacz Wprowadzenie do agentów sztucznej inteligencji. Aby uzyskać więcej informacji na temat tworzenia agentów z różnymi strukturami i funkcjami zaawansowanymi, zobacz Tworzenie agentów sztucznej inteligencji w kodzie.

Prototypy agentów z placem zabaw dla sztucznej inteligencji

Plac zabaw dla sztucznej inteligencji to najprostszy sposób tworzenia agenta w usłudze Azure Databricks. AI Playground pozwala na wybór spośród różnych modeli LLM i szybkie dodawanie narzędzi do modelu LLM przy użyciu interfejsu low-code. Następnie możesz porozmawiać z agentem, aby przetestować odpowiedzi, a następnie wyeksportować agenta do kodu na potrzeby wdrożenia lub dalszego programowania.

Zobacz Prototypowych agentów wywołujących narzędzia w środowisku AI Playground.

Omówienie sygnatur modelu w celu zapewnienia zgodności z funkcjami usługi Azure Databricks

Usługa Azure Databricks używa sygnatur modelu MLflow do definiowania schematu danych wejściowych i wyjściowych agentów. Funkcje produktu, takie jak AI Playground, zakładają, że agent ma jeden z obsługiwanych podpisów modelu.

Jeśli zastosujesz zalecane podejście do tworzenia agentów, platforma MLflow automatycznie wywnioskuje podpis agenta zgodnego z funkcjami produktu Azure Databricks bez dodatkowej pracy wymaganej w danej części.

W przeciwnym razie należy upewnić się, że agent jest zgodny z jednym z innych podpisów w schemacie starszej wersji agenta danych wejściowych i wyjściowych, aby zapewnić zgodność z funkcjami usługi Azure Databricks.