本页概述了在Azure Databricks上生成、部署和使用 AI 代理的工具。 若要了解有关代理的详细信息，请参阅 代理系统设计模式。
| 功能 | Description |
|---|---|
| 入门：无代码 GenAI | 尝试使用 AI Playground 进行基于 UI 的测试和原型制作。 |
| 入门：适用于 GenAI 的 MLflow 3 | 尝试使用 MLflow 进行 GenAI 跟踪、评估和人工反馈。 |
提供和查询 GEN AI 大型语言模型（LLM）
从 LLM 提供商（如 OpenAI 和 Anthropic）提供一组特选的生成 AI 模型，并通过安全、可扩展的 API 进行提供。
| 功能 | Description |
|---|---|
| 基础模型 | 提供第一代 AI 模型，包括开源和第三方模型，如 Meta Llama、 人类克劳德、 OpenAI GPT 等。 |
生成和部署企业级 AI 代理
生成和部署自己的代理，包括工具调用代理、检索扩充的生成应用和多代理系统。 如果想从无代码方式开始，请使用 AI Playground 选择一个 LLM、添加工具，并与智能体对话，以便在导出为代码之前测试其响应。
| 功能 | Description |
|---|---|
| AI实验室（无代码） | 在无代码环境中原型和测试 AI 代理。 在生成用于部署的代码之前，快速试验代理行为和工具集成。 |
| 知识助理 | 使用直观的界面生成和优化特定于域的 AI 聊天机器人。 |
| 生成自定义代理 | 使用 Python 创作、部署和评估代理。 支持使用任何创作库编写的代理，包括 LangGraph、LangChain、OpenAI 和 LlamaIndex。 与 MLflow 追踪集成。 使用 Databricks Apps 快速迭代。 若要快速开始，请参阅 AI 代理入门。 |
| 将代理连接到工具 | 创建代理工具以查询结构化和非结构化数据、运行代码或连接到外部服务 API。 |
| MCP （模型上下文协议） | 标准化代理如何使用安全、一致的接口连接到数据和工具。 |
使用外部代理
如果代理在 Databricks 外部运行，请将其注册为 Unity 目录中的代理服务，使其可供团队发现，并控制谁可以使用它。
| 功能 | Description |
|---|---|
| 代理服务（Beta 版） | 在 Unity 目录中注册外部代理。 在统一视图中浏览和发现各团队的代理，并使用与保护表、模型和函数相同的授权来控制访问权限。 |
评估、调试和优化代理
使用评估和跟踪工具跟踪代理性能、收集反馈并推动质量改进。
| 功能 | Description |
|---|---|
| MLflow 跟踪 | 使用 MLflow 跟踪实现端到端可观测性。 记录代理在开发和生产中调试、监视和审核代理行为所要执行的每个步骤。 |
| 代理评估 | 使用代理评估和 MLflow 来衡量质量、成本和延迟。 通过内置的评审应用收集利益干系人和主题专家的反馈，并使用 LLM 评委来识别和解决质量问题。 |
| 监视代理 | 在脱机评估和联机监视中使用相同的评估配置（LLM 法官和自定义指标）。 |