作業の開始: コードなしで LLM とプロトタイプ エージェントにクエリを実行する

この 5 分間のコードなしのチュートリアルでは、Azure Databricksの AI について説明します。 AI プレイグラウンドを使用して、次の操作を行います。

  • 大規模な言語モデル (LLM) のクエリを実行し、結果を並べて比較する
  • ツール呼び出し元エージェントのプロトタイプ作成
  • エージェントを Databricks Apps またはノートブックにエクスポートする
  • 省略可能: 検索拡張生成 (RAG) を使用して質問に回答するチャットボットをプロトタイプ化する

開始する前に

ワークスペースが次の内容にアクセスできることを確認します。

手順 1: AI プレイグラウンドを使用して LLM にクエリを実行する

AI Playground を使用して、チャット インターフェイス内の LLM に対してクエリを実行します。

  1. ワークスペースで、AI/ML の下の左側のナビゲーション ウィンドウから Playground を選択します。
  2. 「RAG とは」などの質問を入力します。

応答を並べて比較する新しい LLM を追加します。

  1. 右上の [ + ] を選択して、比較用のモデルを追加します。
  2. 新しいウィンドウで、ドロップダウン セレクターを使用して別のモデルを選択します。
  3. [ 同期 ] チェックボックスをオンにしてクエリを同期します。
  4. 2 つの応答を並べて表示するには、"複合 AI システムとは何か" などの新しいプロンプトを試してください。

AI プレイグラウンド

エージェントの構築に使用する最適な LLM を決定するのに役立つように、さまざまな LLM のテストと比較を続けます。

手順 2: ツール呼び出し元エージェントのプロトタイプを作成する

ツールを使用すると、LLM は言語を生成する以上のことを行うことができます。 ツールでは、外部データのクエリ、コードの実行、その他のアクションを実行できます。 AI Playground では、ツール呼び出し元エージェントのプロトタイプを作成するためのコードなしのオプションが提供されます。

  1. Playground で、ツール有効というラベルが付けられたモデルを選択します。

    ツールを呼び出すLLMを選択する

  2. [ツール>+ ツールの追加] を選択し、組み込みの Unity カタログ関数 (system.ai.python_exec) を選択します。

    この関数を使用すると、エージェントで任意の Python コードを実行できます。

    ホストされている関数ツールを選択する

    その他のツール オプションは次のとおりです。

    • UC 関数: エージェントが使用する Unity カタログ関数を選択します。
    • 関数定義: エージェントが呼び出すカスタム関数を定義します。
    • AI 検索: AI Search インデックスを指定します。 エージェントが AI Search インデックスを使用している場合、その応答は使用されたソースを引用します。
    • MCP: 管理対象の Databricks MCP サーバー または外部 MCP サーバーを使用する MCP サーバーを指定します。

  3. Python コードの生成または実行に関する質問をします。 プロンプトのフレージングでさまざまなバリエーションを試すことができます。 複数のツールを追加すると、LLM によって適切なツールが選択され、応答が生成されます。

    ホストされた関数ツールを使用して LLM のプロトタイプを作成する

省略可能: RAG の質問に回答するボットのプロトタイプを作成する

ワークスペースに AI Search インデックスを設定している場合は、質問に回答するボットをプロトタイプ化できます。 この種類のエージェントは、AI Search インデックス内のドキュメントを使用して、それらのドキュメントに基づいて質問に回答します。

  1. [ ツール>+ 追加ツール] をクリックします。 次に、AI Search インデックスを選択します。

    AI 検索ツールを選択する

  2. ドキュメントに関連する質問をしてください。 エージェントは、インデックスを使用して関連情報を検索し、その回答で使用されるドキュメントを引用します。

    AI 検索ツールを使用して LLM のプロトタイプを作成する

AI Search インデックスを設定するには、「 AI Search インデックスを作成する」を参照してください。

手順 3: エージェントをエクスポートする

AI Playground でエージェントをテストした後、それをエクスポートして、Playground の外部でデプロイ、評価、反復処理できるようにします。 AI Playground には、次の 2 つのエクスポート パスがあります。

  • Databricks Apps へのエクスポート (推奨): 組み込みのチャット UI、MCP ツールの配線、認証など、 agent-openai-agents-sdk テンプレートからデプロイ可能なエージェント アプリをインストールします。 新しいエージェントの場合は、このパスを選択します。
  • エージェント ノートブックの作成 (レガシ): エージェントを定義し、モデル サービス エンドポイントにデプロイするPython ノートブックを生成します。 ワークスペースまたはリージョンで Databricks Apps を使用できない場合は、このパスを選択します。

[Databricks Apps にエクスポート] オプションを選択すると、チャットの準備ができているデプロイ済みのエージェント アプリが生成されます。 アプリでは、Playground で構成したのと同じモデル、システム プロンプト、およびツール (MCP サーバーとベクター検索を含む) が使用されます。

エクスポートする前に、ワークスペースが次の要件を満たしていることを確認します。

エージェントをエクスポートするには:

  1. プレイグラウンドで、[コードの取得] をクリックします>Databricks Apps にエクスポートします。

  2. [ Databricks Apps へのエクスポート ] ダイアログで、次の設定を行います。

    • アプリ名: agent- で始まり、小文字、数字、ハイフンのみを含む一意の名前 ( agent-research-assistantなど)。
    • アプリの説明: エージェントの機能の簡単な説明。
    • MLflow 実験: トレースと評価に使用する既存の MLflow 実験を選択するか、新しく作成します。

  3. [ エクスポート] をクリックします。 Azure Databricksは次の処理を行います。

    1. アプリ名が使用可能であることを検証します。
    2. agent-openai-agents-sdk テンプレートをワークスペースにインストールし、必要なリソースのアクセス許可をアプリに付与します。 これらのリソースには、MLflow 実験、サービス エンドポイント、およびツールとして追加した MCP サーバー、Unity カタログ関数、Genie Agents、またはベクター検索インデックスが含まれます。
    3. Playground 構成から agent_server/agent.py を生成し、デプロイされたエージェントがテストしたエージェントと一致するようにします。

  4. 成功ダイアログが表示されたら、[ エージェントの表示 ] をクリックしてデプロイされたアプリを開き、組み込みの UI を使用してチャットします。

エージェント コードをカスタマイズする、認証を構成する、評価を追加する、 Databricks Asset Bundles (DAB) を使用して再デプロイする方法については、「 エージェントを作成して Databricks Apps にデプロイする」を参照してください。

エージェントノートブックの作成（レガシー）

AI Playground でエージェントをテストした後、[コードの取得] をクリックします>エージェント ノートブックを作成して、エージェントを Python ノートブックにエクスポートします。

エージェント コードをエクスポートした後、Azure Databricksドライバー ノートブックを含むフォルダーをワークスペースに保存します。 このドライバーは、ツール呼び出しの ResponsesAgent を定義し、エージェントをローカルでテストし、 コードベースのログ記録を使用して、カスタム エージェントを使用してエージェントを登録し、展開します。

注

エクスポートされたノートブックでは、現在、エージェントをモデル サービスにデプロイするレガシ エージェント作成ワークフローが使用されています。 Databricks では、代わりに Databricks Apps を使用してエージェントを作成することをお勧めします。 「エージェントを作成して Databricks Apps にデプロイする」を参照してください。

Tip

Azure Databricksでエージェントループを実行したい場合は、自分で作成する代わりにSupervisor API(ベータ版)(非推奨)を使うことができます。 Supervisor API は、Azure Databricksホスト型ツール (Unity カタログ関数、Genie Agents、MCP サーバー) と、アプリケーション コードで実行されるクライアント側関数ツールをサポートします。 ツール呼び出し間でカスタム Python ロジックが必要ない場合は、このオプションを選択します。

Playground 構成から試すには、手順 2 で少なくとも 1 つのツールを追加したことを確認し、[ コードの取得>Curl API] をクリックします。 Playground のデプロイにツールがあり、Supervisor 互換モデルを使用している場合、この curl は、使用しているモデル、プロンプト、およびホストされたツールを含む、POSTへの Supervisor API /mlflow/v1/responses リクエストです。 このオプションでは、 Supervisor API プレビューを有効にする必要もあります。 Manage Azure Databricks プレビューを参照してください。

Databricks AppsでスーパーバイザーAPIエージェントをデプロイするには、「 スーパーバイザーAPI(ベータ版)(非推奨)を使ってカスタムエージェントを作成」をご覧ください。

次のステップ

コード優先アプローチを使用してエージェントを作成するには、「 エージェントを作成して Databricks Apps にデプロイする」を参照してください。

  • Last updated on