Databricks показала цикл разработки AI-агентов с LangGraph, MLflow и Unity Catalog

Databricks выпустила руководство по созданию и развертыванию AI-агентов внутри своей платформы. В материале разобран полный цикл разработки: подключение инструментов, настройка функций, мониторинг и трассировка работы агента. В качестве основы используется LangGraph, при этом сами агенты могут обращаться к внешним API и источникам данных.

В статье говорится, что обычные LLM-приложения в основном ограничены генерацией ответов на запросы пользователя. Агентный подход добавляет механизмы рассуждения и возможность работать с пользовательскими инструментами. Среди фреймворков для создания таких систем упоминаются LangGraph, LangChain, CrewAI, Strands и AutoGen. Как сообщает Towards AI, готовых агентов затем можно размещать на облачных платформах и сервисах вроде Databricks.

Отдельно Databricks разбирает интеграцию инструментов через Unity Catalog Functions и Model Context Protocol. В примере используется Python-функция Unity Catalog, которая обращается к Open-Meteo API и получает прогноз погоды на ближайшие 7 дней по координатам пользователя. Также в описании упоминается подход RAG, его предлагают как один из способов расширить знания модели за пределами обучающих данных.