Kom igång med AI-agenter

Skapa och distribuera din första AI-agent med hjälp av Databricks Apps-mallar. I den här handledningen:

• Skapa och distribuera agenten från Användargränssnittet för Databricks-appar.
• Chatta med agenten med ett fördefinierad chattgränssnitt.

Förutsättningar

Aktivera Databricks-appar på din arbetsyta. Se Konfigurera din Databricks Apps-arbetsyta och utvecklingsmiljö.

Distribuera agentmallen

Kom igång med en fördefinierad agentmall från lagringsplatsen för Databricks-appmallar.

I den här självstudien används mallen agent-openai-agents-sdk, som innehåller:

• En agent som skapats med OpenAI Agent SDK
• Startkod för ett agentprogram med ett konversations-REST API och ett interaktivt chattgränssnitt
• Kod för att utvärdera agenten med MLflow

Installera appmallen med hjälp av arbetsytans användargränssnitt. Detta installerar appen och distribuerar den till en beräkningsresurs på din arbetsyta.

1. Klicka på + Ny>App på Databricks-arbetsytan.

2. Klicka på Agent>OpenAI Agents SDK.

3. Skapa ett nytt MLflow-experiment med namnet openai-agents-template och slutför resten av konfigurationen för att installera mallen.

4. När du har skapat appen klickar du på appens URL för att öppna chattgränssnittet.

Förstå agentprogrammet

Agentmallen visar en produktionsklar arkitektur med följande nyckelkomponenter:

MLflow AgentServer: En asynkron FastAPI-server som hanterar agentbegäranden med inbyggd spårning och observerbarhet. AgentServer tillhandahåller /invocations slutpunkten för att fråga din agent och hanterar automatiskt routning, loggning och felhantering av begäranden.

OpenAI Agents SDK: Mallen använder OpenAI Agents SDK som agentramverk för konversationshantering och verktygsorkestrering. Du kan skapa agenter med valfritt ramverk. Det viktiga är att omsluta din agent med MLflow-gränssnittet ResponsesAgent.

ResponsesAgent gränssnitt: Det här gränssnittet säkerställer att din agent fungerar i olika ramverk och integreras med Databricks-verktyg. Skapa din agent med OpenAI SDK, LangGraph, LangChain eller ren Python och avsluta den sedan med ResponsesAgent för att få automatisk kompatibilitet med AI Playground, Agent Evaluation och Databricks Apps-distribution.

MCP-servrar (Model Context Protocol): Mallen ansluter till Databricks MCP-servrar för att få åtkomst till agenter till verktyg och datakällor. Se McP (Model Context Protocol) på Databricks.

Nästa steg

Lär dig hur du skapar en anpassad agent:Skapa en AI-agent och distribuera den i Databricks-appar