Начало работы: выполняйте запросы к LLM и создавайте прототипы агентов без написания кода

Это 5-минутное руководство без программирования знакомит с ИИ в Azure Databricks. Вы будете использовать игровую площадку ИИ для выполнения следующих действий:

• Запрашивайте большие языковые модели (LLM) и сравнивайте результаты рядом друг с другом.
• Создайте прототип агента, вызывающего инструменты
• Экспортируйте вашего агента в Databricks Apps или в ноутбук
• Необязательно: создайте прототип чат-бота для ответов на вопросы с использованием поколения, расширенного извлечением информации (RAG)

Перед тем как начать

Убедитесь, что ваше рабочее пространство может получить доступ к следующему:

• основные модели.

• Каталог Unity.
• Настраиваемые агенты. См. Функции с ограниченной региональной доступностью.

Шаг 1. Запрос LLM с помощью игровой платформы ИИ

Используйте песочницу ИИ для запроса LLM в чат-интерфейсе.

1. В рабочей области выберите "Детская площадка " в области навигации слева в разделе ИИ/ML.
2. Введите такой вопрос, как "Что такое RAG?"

Добавьте новый LLM для сравнения ответов бок о бок.

1. В правом верхнем углу выберите + , чтобы добавить модель для сравнения.
2. В новой области выберите другую модель с помощью раскрывающегося селектора.
3. Установите флажки синхронизации , чтобы синхронизировать запросы.
4. Попробуйте создать запрос, например "Что такое составная система ИИ?", чтобы увидеть два ответа параллельно.

Продолжайте тестировать и сравнивать разные LLM, чтобы выбрать лучшую модель для разработки агента.

Шаг 2: Создайте прототип агента, вызывающего инструменты

Средства позволяют LLM делать больше, чем создавать язык. Средства могут запрашивать внешние данные, выполнять код и выполнять другие действия. AI Playground предоставляет возможность разрабатывать прототипы без написания кода для агентов, которые обращаются к инструментам.

1. На игровой площадке выберите модель с меткой включенные инструменты.

   

2. Выберите Инструменты>+ Добавить инструмент и выберите встроенную функцию каталога Unitysystem.ai.python_exec.

   Эта функция позволяет агенту выполнять произвольный код Python.

   

   Другие варианты инструментов включают:

   • Функция UC: выберите функцию каталога Unity для используемого агента.
   • Определение функции: определите пользовательскую функцию, чтобы вызывать её вашим агентом.
   • Поиск ИИ: укажите индекс поиска ИИ. Если агент использует индекс поиска ИИ, его ответ будет ссылаться на используемые источники.
   • MCP: укажите серверы MCP для использования управляемых серверов Databricks MCP или внешних серверов MCP.

3. Задайте вопрос, который включает создание или запуск кода Python. Вы можете попробовать различные варианты на формулировку запроса. При добавлении нескольких инструментов LLM выбирает соответствующее средство для создания ответа.

   

Необязательно: создать прототип бота для ответа на вопросы по RAG

Если в рабочей области настроен индекс поиска ИИ, можно создать прототип бота с ответами на вопросы. Этот тип агента использует документы в индексе поиска ИИ для ответа на вопросы, основанные на этих документах.

1. Нажмите Инструменты>+ Добавить инструмент. Затем выберите индекс поиска ИИ.

   

2. Задайте вопрос, связанный с документами. Агент может использовать индекс для поиска соответствующих сведений и будет ссылаться на все документы, используемые в ответе.

   

Сведения о настройке индекса поиска ИИ см. в разделе "Создание индекса поиска ИИ".

Шаг 3. Экспорт агента

После тестирования агента в AI Playground экспортируйте его, чтобы затем можно было развертывать, оценивать и дорабатывать его вне AI Playground. Ai Playground предлагает два пути экспорта:

• Экспорт в приложения Databricks (рекомендуется): устанавливает готовое к развертыванию приложение агента из шаблона agent-openai-agents-sdk, включая встроенный интерфейс чата, подключение инструментов MCP и аутентификацию. Выберите этот путь для новых агентов.
• Создать блокнот агента (устаревшая версия): Создает блокнот Python, в котором определяется агент и выполняется его развертывание в конечную точку Model Serving. Выберите этот путь, если Приложения Databricks недоступны в рабочей области или регионе.

Экспорт в приложения (рекомендуется)

Параметр Export to Databricks Apps создает развернутое приложение агента, с которым можно сразу общаться в чате. Приложение использует ту же модель, системный запрос и средства (включая серверы MCP и векторный поиск), настроенные на игровой площадке.

Перед экспортом убедитесь, что рабочая область соответствует следующим требованиям:

• Приложения Databricks должны быть включены в рабочей области. См. статью "Настройка рабочей области Databricks Apps" и среды разработки.
• Конечная точка, выбранная на шаге 2, должна поддерживать инструменты.
• В вашей рабочей области должен быть включён предварительный просмотр функции Управляемые серверы MCP. См. статью "Управление предварительными версиями Azure Databricks".

Для экспорта агента:

1. В Playground нажмите «Получить код»>«Экспортировать в приложения Databricks».

2. В диалоговом окне Экспорт в Databricks Apps задайте следующее:

   • Имя приложения: уникальное имя, которое начинается с agent- и содержит только строчные буквы, цифры и дефисы (например, agent-research-assistant).
   • Описание приложения: краткое описание того, что делает агент.
   • Эксперимент MLflow: выберите существующий эксперимент MLflow для использования для трассировки и оценки или создания нового.

3. Нажмите кнопку "Экспорт". Azure Databricks выполняет следующие действия.

   1. Проверяет доступность имени приложения.
   2. Устанавливает шаблон agent-openai-agents-sdk в вашу рабочую область и предоставляет приложению разрешения к необходимым ему ресурсам. Эти ресурсы включают эксперимент MLflow, конечную точку обслуживания и все серверы MCP, функции каталога Unity, агенты Genie или векторные индексы поиска, добавленные в качестве инструментов.
   3. Создает agent_server/agent.py на основе вашей конфигурации Playground, чтобы развернутый агент соответствовал агенту, которого вы протестировали.

4. Когда появится диалоговое окно об успешном завершении, щелкните Показать агента, чтобы открыть развернутое приложение и общаться с ним через встроенный интерфейс.

Сведения о настройке кода агента, настройке проверки подлинности, добавлении оценки или повторном развертывании с помощью пакетов ресурсов Databricks (DABS) см. в статье "Создание агента" и его развертывание в приложениях Databricks.

Создание записной книжки агента (устаревшая версия)

После тестирования вашего агента на игровой площадке ИИ нажмите Получить код, а затем >, чтобы экспортировать вашего агента в ноутбук Python.

После экспорта кода агента Azure Databricks сохраняет папку с записной книжкой драйвера в рабочую область. Этот драйвер определяет средство вызова ResponsesAgent, проверяет агент локально, использует ведение журнала на основе кода, регистрирует и развертывает агент с помощью настраиваемых агентов.

Дальнейшие шаги

Чтобы создавать агентов с использованием подхода «сначала код», см. Создание агента и его развертывание в Databricks Apps.