Databricks با هدف بهینه سازی ساختمان عامل برای شرکت ها با آجر عامل

Agent Bricks از فناوری توسعه یافته توسط بخش تحقیقاتی Mosaicml برای بهینه سازی فرایند توسعه عامل و کمک به کنترل هزینه عوامل در حال اجرا استفاده می کند.

Databricks نسخه بتا از رابط ساختمان عامل جدید را منتشر کرده است تا به شرکتها کمک کند تا فرایند ساخت نماینده را به صورت خودکار و بهینه سازی کنند.

آجرهای عامل یک رابط کاربری جدید AI-Driven است که توسط tao ، < href = "https://www.infoworld.com/article/3620901/databricks-unveils-synthetic-data-generation-api-o-valuate-agents-agents-apast.html"> تولید داده های مصنوعی api و بستر عامل Mosaic Platform .

با این حال ، این یک پلت فرم نماینده موزائیک مجدداً نیست ، گفت رابرت کرامر ، تحلیلگر اصلی در بینش های مر و استراتژی ، بلکه یک سطح بالاتر با سطح بالا ، غیبت Practions آجر عامل برای استفاده عمدتا توسط متخصصان داده و توسعه دهندگان در نظر گرفته شده است ، و از طریق دکمه “عامل” در پلت فرم اطلاعات اطلاعاتی ارائه دهنده نرم افزار Lakehouse قابل دسترسی است.

با استفاده از آجر عامل

کاربران با انتخاب انواع مختلفی از کار که می خواهند از طریق نمایندگان اجرا کنند ، مانند استخراج اطلاعات از اسناد ، ایجاد یک عامل مکالمه یا ایجاد یک سیستم گردش کار چند عامل ، شروع می کنند.

در مرحله بعد ، آنها توضیحی در سطح بالایی از نوع عامل یا عوامل مورد نظر برای ساختن و پیوستن منابع دانش مختلف برای کار مورد نیاز ارائه می دهند.

آجرهای عامل سپس به طور خودکار یک معیار ارزیابی سفارشی برای کار مشخص شده ایجاد می کنند ، گفت: cto databricks از شبکه های عصبی ،

“ما یک قاضی LLM سفارشی خواهیم ساخت که اندازه گیری کند که آیا مشتری در طی آن تماس پشتیبانی ، یا مشتری خوشحال یا ناراضی است. وقتی معیار کار را داشته باشیم ، آجرهای عامل سپس به چگونگی بهینه سازی خود عامل نگاه می کنند.”

Teradata قابلیت های سازنده عامل مستقیم را نیز ارائه نمی دهد ، در حالی که

در تحقیقات صورت فلکی ، تحلیلگر اصلی مایکل نی خاطرنشان کرد: گرچه آجرهای عامل به صورت خودکار و بهینه می شوند و بهینه می شوند و بهینه می شوند ، اما به آنها کمک می کند تا مهندسان داده ها را جایگزین کنند ، بلکه به آنها کمک می کند تا آنها را صرفه جویی در زمان در برنامه های کاربردی ایجاد کنید.

“مهندسان داده ها هنوز هم بر ادغام و استقرار نظارت دارند ، اما آنها دیگر با استفاده از داربست های تکراری و کم ارزش مسدود نشده اند.”

پشتیبانی از MCP

به عنوان بخشی از رابط جدید ، Databricks برخی از عوامل قالب بندی شده را اضافه می کند که شرکت ها می توانند از خارج از جعبه استفاده کنند: عوامل استخراج اطلاعات برای دریافت داده های ساخت یافته از داده های ساختار یافته ، دستیار دانش برای حمایت از نمایندگان مکالمه ، سرپرست چند عامل برای ساخت سیستم های چند آژانس و عامل LLM سفارشی برای کارهای سفارشی.

این عوامل الگوهای مورد استفاده یا آرکیپت های طراحی شده برای سناریوهای شرکت مشترک هستند و به عنوان نقاط شروع عمل می کنند که می توانند بر اساس داده های سازمانی و الزامات عملکرد ، به جای بلوک های ساختمانی سفت و سخت یا چارچوب های اجباری ، سفارشی شوند.

آجرهای عامل همچنین از پروتکل متن مدل انسان شناسی (mcp) ، یک چارچوب به طور فزاینده ای برای جمع آوری آژانس های پراکنده ، پشتیبانی می کند.

سرپرست چند عامل در آجرهای عامل می تواند سرور MCP را به عنوان نماینده بخواند و بپذیرد ، و باعث می شود تا عوامل دیگر در سیستم های موجود در دسترس باشد ، و افزود: یک عامل تولید شده در آجرهای عامل همچنین می تواند به عنوان یک نقطه پایانی در معرض قرار گیرد تا به سایر سیستم های عامل متصل شود.

.

Databricks همچنین در حال کار بر روی پشتیبانی از گفت: پروتکل A2A Google است. روزها. ”

در حالی که بیشتر فروشندگان ابزارهای مدیریت چرخه عامل را در داخل سازندگان عامل خود ساخته اند ، Databricks در حال استفاده از بردلی شیمین ، سرب عمل و تحلیلی در گروه آینده ، برخی از شرکتها ممکن است با رویکرد پایگاه داده ها به سمت مدیریت چرخه زندگی هماهنگ شوند: یک عامل آنهایی که می توان از آن استفاده کرد و یک آنهایی است کاتالوگ.