Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Importante
Esta característica se encuentra en su versión beta. No se requiere ninguna configuración de espacio de trabajo para activarlo. Instala la CLI de Agent Bricks para empezar.
Este inicio rápido te lleva de un directorio vacío a un agente personalizado desplegado usando la CLI de Agent Bricks (databricks-agentbricks), la herramienta de línea de comandos de Azure Databricks para crear y desplegar agentes. La CLI de Agent Bricks gestiona el acceso al modelo, la memoria, las sesiones, las herramientas y el trazado por ti, para que puedas centrarte en la lógica de tu agente.
Cómo funciona la CLI de Agent Bricks
La CLI de Agent Bricks genera la estructura de un proyecto local a partir de una plantilla de marco de trabajo, con el entorno de ejecución, las pruebas y una interfaz de chat opcional ya conectados. Escribes la lógica de la aplicación (modelo, herramientas y prompts), y la CLI la ejecuta localmente y la despliega. El archivo declarativo agent.toml es la fuente de verdad para los recursos gestionados por Azure Databricks de los que depende tu agente, como herramientas, memoria, sesiones y trazado.
agentbricks deploy lo lee para provisionar y conectarlo todo.
Tres comandos llevan un agente de un directorio en blanco a producción:
-
agentbricks initestructura el proyecto y escribeagent.toml. -
agentbricks devejecuta el agente localmente, usando el mismo entorno y tiempo de ejecución que utiliza Azure Databricks. -
agentbricks deployaprovisiona los recursos declarados y realiza el despliegue.
Prerequisites
La CLI de Databricks, instalado y en su ruta.
Python 3.11 o superior. Databricks recomienda Python 3.12. Si la instalación o
agentbricks devfalla por la versión de Python, consulta Solución de problemas.uv, que ejecuta el proyecto generado paraagentbricks init,agentbricks devyagentbricks deploy.Instala la CLI de Agent Bricks. Para instalarlo como una herramienta
uv, ejecuta lo siguiente:uv tool install databricks-agentbricksPara instalarlo con
pipen su lugar, ejecutapip install databricks-agentbricks.
Paso 1: Autenticación
Autentíquese en su área de trabajo con OAuth, guarde un perfil con nombre y establézcalo como predeterminado de la CLI de Agent Bricks:
databricks auth login --host https://<your-workspace-url> --profile <profile>
agentbricks login --profile <profile>
Paso 2: Generar el esqueleto del proyecto
Crea un nuevo proyecto de agente eligiendo una plantilla de framework con --framework:
agentbricks init --framework langgraph my-agent
cd my-agent
Paso 3: Ejecuta el agente localmente
Ejecuta el agente en tu máquina para probarlo antes de implementarlo:
agentbricks dev
agentbricks devsirve la aplicación de chat y la API del agente en http://localhost:8000, usando el mismo comando y entorno que el runtime del agente de Azure Databricks, conectado a Azure Databricks model serving.
Abre la URL en un navegador para chatear con el agente. Mantén el servidor funcionando para el siguiente paso.
Paso 4: Prueba al agente localmente
En un segundo terminal, envía una solicitud a la API de invocaciones del agente:
curl -X POST http://localhost:8000/api/invocations \
-H 'Content-Type: application/json' \
-d "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"
Si uuidgen no está disponible, sustituye cada uno $(uuidgen) por cualquier UUID.
El cuerpo de la solicitud tiene los campos siguientes:
-
id: Un nuevo UUID para cada solicitud. -
session_id: La conversación a la que pertenece la petición. Para enviar un mensaje de seguimiento en la misma conversación, reutiliza el ID de sesión con un nuevoid. -
input: Los mensajes para enviar al agente.
La respuesta contiene el status de la invocación y un campo output con los mensajes del agente. Para ver todos los campos de la solicitud, consulte Request body.
Paso 5: Desplegar el agente
Desde el directorio del proyecto, despliega el agente en el entorno de ejecución del agente de Azure Databricks:
agentbricks deploy
agentbricks init registró el nombre my-agent en agent.toml, para que no pases un nombre. La CLI crea una aplicación llamada agent-bricks-my-agent. Usa ese nombre en los comandos agentbricks deployments y agentbricks endpoint.
La CLI de Agent Bricks aprovisiona los almacenes enlazados, concede a la entidad de servicio del agente acceso a ellos y realiza la implementación. Un primer despliegue tarda unos minutos, principalmente para iniciar los recursos de cómputo de la app.
agentbricks deploy espera hasta que el agente responde y luego devuelve la URL del despliegue.
Para volver inmediatamente, en vez de esperar a que termine el despliegue, suma --no-wait a agentbricks deploy, y luego ejecuta agentbricks deployments wait.
Si el despliegue falla, consulta los registros del despliegue:
agentbricks deployments logs agent-bricks-my-agent
Paso 6: Prueba el agente desplegado
Envía una solicitud al agente desplegado:
agentbricks endpoint invoke agent-bricks-my-agent \
--path /api/invocations \
--json "{\"id\":\"$(uuidgen)\",\"session_id\":\"$(uuidgen)\",\"input\":[{\"role\":\"user\",\"content\":\"Hello\"}]}"
Como en el Paso 4, si uuidgen no está disponible, reemplaza cada uno $(uuidgen) por cualquier UUID.
El comando busca la URL de la app y se autentica con tu perfil predeterminado. Para llamar a la API con curl y un token OAuth en su lugar, consulte Consultar un agente que use DurableAgentServer. Para chatear con el agente en un navegador, abre la URL del despliegue.
Pasos siguientes
- Guía completa de comandos y capacidades de CLI de Agent Bricks: CLI de Agent Bricks.
- Consulta un agente desplegado: Consulta agentes desplegados en Azure Databricks.
- Vincular memoria gestionada y sesiones: Memoria del agente.
- Añadir herramientas y servicios MCP: MCPs.
- Ver trazas de agentes con MLflow: Resumen de trazas.