Che cos'è Agent Bricks?

Azure Databricks è la piattaforma di sviluppo per agenti. Usalo per costruire e distribuire gli agenti che alimentano i tuoi prodotti agentici e i flussi di lavoro. Agent Bricks è pensato per sviluppatori che scrivono codice. Prendi un agente costruito con qualsiasi framework o harness e scegli qualsiasi modello.

Agent Bricks supporta i flussi di lavoro fondamentali per costruire un agente di produzione:

• Distribuisci il tuo agente: Agent Runtime ospita agenti costruiti con qualsiasi framework o harness, stateful o stateless. DurableAgentServer, parte della libreria AgentKit, aggiunge un'esecuzione duratura in modo che le run sopravvivano a riavvii e crash.
• Eseguire il codice in sicurezza: Gli agenti eseguono il codice che scrivono in Databricks Sandbox, un ambiente isolato la cui directory principale persiste tra le sessioni.
• Dai al tuo agente un contesto: la memoria gestita per agenti permette al tuo agente di ricordare ciò che ha appreso nelle conversazioni precedenti, così da personalizzare le sue risposte.
• Esegui il debug e testa il tuo agente: MLflow Tracing registra ogni passaggio che il tuo agente effettua e puoi memorizzare e governare le tracce su larga scala in Unity Catalog.

La Agent Bricks CLI genera il codice dell'agente che si collega a questi servizi. Puoi iterare localmente, anche con gli agenti di codifica, e poi distribuire su larga scala dal file dichiarativo agent.toml che registra le risorse del tuo agente.

Come Agent Bricks si relaziona ad altre offerte di Azure Databricks:

• Genie Agents: Genie Agents consente di creare agenti senza codice, come quelli che rispondono a domande tramite le tue tabelle e documenti. Agent Bricks è per gli sviluppatori che scrivono il proprio codice agente. Un agente personalizzato può chiamare gli Agenti Genie come strumenti.
• Genie One: Genie One è per gli utenti business che vogliono fare domande sui dati, visualizzare dashboard e utilizzare app senza scrivere codice. Agent Bricks è per gli sviluppatori che sviluppano gli agenti autonomamente. Un agente custom può chiamare Genie One come strumento per attingere al contesto della tua attività.
• Omnigent: Omnigent è un meta-harness che compone e coordina più agenti, come gli agenti di codifica. Puoi usare Omnigent per sviluppare un agente personalizzato che distribuisci ed esegui su Agent Bricks.

Componenti di un agente

Un agente è un sistema di IA che percepisce una richiesta, decide cosa fare e agisce per raggiungere un obiettivo. A differenza di una singola chiamata di modello, un agente esegue un loop. Analizza la richiesta con un modello, usa strumenti per raccogliere informazioni o intraprendere azioni, osserva i risultati e ripete finché non può rispondere.

Un agente di produzione tipicamente combina i seguenti componenti:

• Framework o struttura: Il tuo codice. Il ciclo agente, costruito con un framework o un harness come LangGraph o l'SDK OpenAI Agents, più le istruzioni e la logica di orchestrazione che definiscono il comportamento dell'agente.
• Modello: Il grande modello linguistico (LLM) che ragiona su ogni passaggio e decide quale azione intraprendere successivamente.
• Strumenti: Funzioni che l'agente invoca per recuperare dati, inclusi i dati aziendali, o per cambiare lo stato di un altro sistema. Esempi includono server Model Context Protocol (MCP), API e sandbox che esegue il codice scritto dall'agente.
• Stato dell'agente: Ciò di cui l'agente tiene traccia. Lo stato dell'agente include la sessione corrente, che è la conversazione o il compito in corso, e la memoria, che è ciò che l'agente impara e ricorda tra le sessioni.
• Agent server: La libreria che avvolge il ciclo agente in un server HTTP. Espone l'API che i client chiamano, gestisce le connessioni dei client e gestisce la durabilità mantenendo lo stato di ogni esecuzione in uno Runtime Store.
• Runtime dell’agente: L’infrastruttura di calcolo gestita che esegue il server dell’agente e gestisce hosting, identità e scalabilità.
• Osservabilità: tracce che registrano ogni passaggio compiuto dall'agente e valutazioni che misurano se il suo output è buono.
• Governance: Identità, permessi e politiche che controllano quali modelli, strumenti e dati l'agente può utilizzare.

Il framework o harness, il server agente e il runtime dell'agente formano insieme lo stack di calcolo dell'agente. Consulta "Deploy agents on Azure Databricks".

Sfide della creazione di agenti in produzione

Un agente prototipo può funzionare su un laptop in un pomeriggio. Eseguire agenti in modo affidabile per utenti reali è più difficile. I team che costruiscono agenti da soli spesso passano la maggior parte del tempo a assemblare e gestire l'infrastruttura invece di migliorare l'agente. Le sfide comuni si dividono in cinque aree:

• Accesso ai modelli: I team devono scegliere tra modelli frontier e open model, cambiare o aggiornare i modelli senza riscrivere il codice e ottenere sufficiente capacità su scala di produzione, il tutto controllando costi e accesso.
• Calcolo: Gli agenti hanno bisogno di un calcolo che scali con il traffico, mantenga vivo il lavoro di lunga durata attraverso riavvii e guasti, e isoli ogni sessione. Gli agenti che scrivono ed eseguono codice hanno bisogno di un luogo sicuro dove eseguirlo.
• Contesto: Gli agenti danno risposte migliori quando hanno i dati giusti al momento giusto. Questo richiede uno stato di conversazione duraturo, memoria che persista tra le sessioni e accesso sicuro ai dati e agli strumenti aziendali senza copiare dati o condividere credenziali.
• Qualità: Gli agenti producono output a risposta aperta e non deterministici, quindi "buono" è difficile da definire e misurare. Senza tracciamento e valutazione, i team non possono debuggar i guasti, dimostrare la qualità agli stakeholder o individuare regressioni in produzione.
• Governance e controllo: Gli agenti agiscono sui dati e chiamano servizi esterni. Senza permessi, politiche e monitoraggio unificati, le organizzazioni rischiano perdite di dati, lacune di conformità, uso non autorizzato e costi imprevisti. I team vogliono anche evitare di legare i loro agenti a un unico provider di modelli o cloud.

Come Agent Bricks affronta queste sfide

Agent Bricks fornisce un blocco di costruzione gestito per ogni livello dello stack. I componenti condividono un unico modello di identità e governance e lavorano insieme, ma puoi anche usarli separatamente. Mantieni il tuo framework, harness e le scelte di modello.

Inizia con la CLI di Agent Bricks

La CLI Agent Bricks fornisce un percorso guidato da una directory vuota a un agente distribuito. Genera la struttura di un progetto da un template di framework, esegue l'agente localmente e lo distribuisce con accesso al modello, memoria, sessioni, strumenti e tracciamento già configurati. Un file dichiarativo agent.toml registra le risorse gestite di cui l'agente dipende. Per costruire il tuo primo agente, consulta l'avvio rapido di Agent Bricks.

Models

Unity Gateway fornisce al tuo agente un'unica API per modelli frontier e aperti, inclusi modelli che Azure Databricks ospita tramite API di Foundation Model e modelli provenienti da fornitori esterni. Puoi cambiare modello senza cambiare il codice dell'agente. Unity Gateway governa anche i server MCP e skill che i tuoi agenti utilizzano, applicando limiti di velocità, guardrail e tracciamento dell'utilizzo alle richieste che lo attraversano.

Compute

• Agent server: DurableAgentServer avvolge il tuo loop agente e serve l'API di invocazione, con richieste sincrone, streaming e in background, stato di esecuzione persistente e recupero in caso di crash. Gli agenti che crei con la CLI Agent Bricks la usano di default.
• Runtime agente: Runtime Agent esegue il server agente su Databricks Apps in un endpoint stabile e autenticato. agentbricks deploy esegue il provisioning delle risorse di cui il tuo agente ha bisogno e gli concede l'accesso a esse. Per interrogare un agente distribuito, vedi Interrogare gli agenti distribuiti su Azure Databricks.

• Databricks Sandbox: Databricks Sandbox è uno strumento che il tuo agente chiama per eseguire il codice che scrive in un ambiente isolato, con accesso limitato ai tuoi dati governati.

Per capire come questi livelli si incastrano, vedi Distribuire agenti su Azure Databricks.

Contesto

• Memoria gestita e sessioni: Le sessioni memorizzano lo stato di una conversazione o di un compito, e la memoria memorizza i fatti e le preferenze che un agente ricorda nelle conversazioni successive. Entrambi sono store gestiti supportati da Lakebase che funzionano con qualsiasi framework. Vedi Memoria e sessioni dell'agente.
• Contesto aziendale combinato con Genie One: Il server MCP di Genie One fornisce al tuo agente il contesto aziendale combinato della tua organizzazione. L'agente pone una domanda in linguaggio naturale e Genie risponde su tutti i tuoi dati governati, usando l'Ontologia Genie per risolvere termini di business, definizioni di metriche e relazioni tra tabelle. Si applicano i permessi del Catalogo Unity, quindi l'agente può interrogare solo i dati a cui è autorizzato ad accedere. Per aggiungerlo a un progetto CLI di Agent Bricks, esegui agentbricks tools add genie-one.
• Strumenti e server MCP: Collega gli agenti a server MCP gestiti da Azure Databricks per Genie Agents, AI Search, funzioni del Catalogo Unity e SQL, oppure a server MCP personalizzati ed esterni. Vedi MCPs.
• Ricerca AI: Recuperare contenuti non strutturati rilevanti con Databricks AI Search, incluse le applicazioni di generazione aumentata dal recupero (RAG).
• Dati aziendali: Basa gli agenti su tabelle, file e Genie Agents che la tua organizzazione già governa in Unity Catalog.

Osservabilità e qualità

MLflow gestito da Azure Databricks fornisce tracciamento, valutazione e monitoraggio per gli agenti. MLflow Tracing registra ogni passaggio che un agente compie, sia nello sviluppo che in produzione. La valutazione utilizza modelli di valutazione LLM integrati, scorer personalizzati e feedback esperti per misurare la qualità, e il monitoraggio della produzione rileva le regressioni. Puoi memorizzare le tracce nel Catalogo Unity e analizzarle su larga scala. Vedi Cos'è l'osservabilità e la qualità dell'agente?.

Governance e controllo

• Governance unificata: Unity Catalog governa i dati, gli strumenti, i modelli e gli agenti che i tuoi agenti utilizzano, con permessi e lineage.
• Politiche su modelli, server MCP e skill: Unity Gateway regola l'accesso a modelli, server MCP e skill, e applica guardrail, limiti di velocità e tracciamento dell'utilizzo alle chiamate che instrada.
• Scelta: Usa qualsiasi framework o harness e qualsiasi modello, e cambia modello senza riscrivere il tuo agente.

Ciclo di vita dello sviluppo degli agenti

Costruire un agente di produzione è iterativo. I passaggi seguenti descrivono un tipico ciclo di vita.

1. Definisci il caso d'uso e i criteri di successo: concorda su cosa dovrebbe fare l'agente, chi lo utilizza e come misuri qualità, costo e latenza. Raccogli in anticipo esempi di richieste e risposte attese.
2. Crea un agente iniziale: Inizia con il design meno complesso che funziona. Collega l'agente a modelli, server MCP e competenze tramite Unity Gateway, ed eseguilo localmente.
3. Valuta e migliora iterativamente la qualità: usa le tracce per eseguire il debug del comportamento, costruisci un set di dati di valutazione a partire da richieste reali e dal feedback di esperti, ed esegui valutazioni per misurare l'effetto di ogni modifica a prompt, strumenti o modelli.
4. Distribuisci: Distribuisci il server agente nel runtime dell'agente, con gli store, gli strumenti e i permessi di cui l'agente ha bisogno.
5. Monitorare e migliorare in produzione: monitorare la qualità con i tracciati e i scorer di produzione, raccogliere feedback degli utenti e reinserire ciò che si apprende nella valutazione.

Agent Bricks e altre offerte di agenti su Azure Databricks

• Genie One: L'esperienza Azure Databricks per utenti business che possono fare domande sui dati in linguaggio naturale, visualizzare dashboard e utilizzare app, senza dover scrivere codice. Un agente personalizzato costruito su Agent Bricks può chiamare Genie One come strumento. Per aggiungerlo a un progetto CLI di Agent Bricks, esegui agentbricks tools add genie-one.
• Genie Agents: Un modo low-code per creare agenti che rispondono alle domande tramite le tue tabelle e i tuoi documenti. Usa Genie Agents quando non hai bisogno del codice custom agent. I tuoi agenti personalizzati possono anche chiamare gli agenti Genie come strumenti.
• Omnigent: Un meta-framework per orchestrare e collaborare con agenti, ad esempio combinando agenti di coding. Puoi usare Omnigent per sviluppare custom agent che funzionano su Agent Bricks.
• Costruttori di agenti legacy: I prodotti precedenti, come Knowledge Assistant e Supervisor Agent, non sono più raccomandati per i nuovi agenti. Vedi Altri modi per costruire agenti.

Risorse aggiuntive

• Quick start di Agent Bricks: Costruisci e distribuisci il tuo primo agente con la CLI di Agent Bricks.
• Distribuire gli agenti su Azure Databricks: scopri come gli agenti vengono distribuiti e serviti.
• Cos'è l'osservabilità e la qualità dell'agente?: Traccia, valuta e monitora il tuo agente.
• IA su Databricks: casi d'uso, clienti e altre risorse.
• FAQ su Agent Bricks: Risposte alle domande più comuni su Agent Bricks.