Когато екипът ви прекарва часове в писане на команди, настройване на модели и събиране на данни, само за да внедри един AI агент, производителността спира.
Databricks представи Agent Bricks, за да реши този проблем, като автоматизира целия процес на изграждане и оптимизация на корпоративните данни.
Това ръководство ви запознава с това, което предлага, как работи и дали е подходящ за вашия стек.
Ключови изводи
- Databricks Agent Bricks автоматизира създаването на агенти, използвайки синтетични данни и бенчмаркове.
- Той елиминира ръчното настройване на подсказки и се интегрира директно с Unity Catalog.
- Ранните потребители отчитат високи разходи за оптимизация, но и отлична производителност в мащаб.
- Регионалният достъп и ограничените възможности за персонализиране остават основни рискове по време на бета версията.
Databricks предлага ли агентно изкуствено интелект?
Да, Databricks пусна Agent Bricks на 11 юни 2025 г. по време на Data+AI Summit в Сан Франциско.
Платформата автоматизира създаването на AI агенти, като генерира специфични за домейна синтетични данни и задачи, съобразени с конкретни задачи, след което оптимизира моделите по отношение на цена и качество без ръчно инженерство.
Създаден въз основа на придобиването на MosaicML от Databricks през 2023 г., продуктът позиционира Databricks както като доставчик на data lakehouse, така и като агентна AI платформа.
Той е предназначен за екипи, които управляват големи обеми вътрешни документи, транзакционни записи или неструктурирано съдържание и се нуждаят от агенти, които могат да извличат информация, да отговарят на въпроси или да координират многоетапни работни процеси по сигурен начин.
Agent Bricks влезе в публична бета версия в средата на 2025 г., като първоначално беше достъпен на AWS в регионите на САЩ, а до края на годината се планира разширяване в Европа.
Как всъщност работи?
Agent Bricks превръща традиционния цикъл на проби и грешки в насочен процес. Вие описвате задачата на прост език, свързвате източниците си на данни чрез Unity Catalog, а системата автоматично генерира синтетични примери за обучение, които отразяват вашата област.
Тези примери се включват в набор от тестове, които оценяват кандидатските модели по точност, латентност и цена. След това платформата избира конфигурацията, която отговаря на вашите изисквания за качество на най-ниската цена за извод.
Този работен процес елиминира седмиците, които екипите обикновено прекарват в етикетиране на данни, настройване на подсказки и провеждане на A/B тестове.
Зад кулисите MLflow 3.0 записва всяка оценка, така че можете да проследите решенията на модела до основните данни и параметри. Сигурността остава непокътната, защото агентите никога не извличат данни извън периметъра на Databricks lakehouse.
Този архитектурен преглед е най-важен, когато видите, че решава реален проблем.
Как изглежда това на практика?
Екипът за данни на AstraZeneca се сблъска с натрупани 400 000 PDF файла от клинични проучвания, които се нуждаеха от структурирано извличане за регулаторни документи. Ръчното преглеждане би отнело месеци.
Те конфигурираха агент за извличане на информация в Agent Bricks, насочиха го към хранилището на документи и оставиха системата да генерира синтетични образци въз основа на схеми на протоколи от изпитвания. Агентът анализира всички 400 000 файла за по-малко от 60 минути без код.
- Екипът идентифицира пречките при извличането на данни и регулаторния краен срок.
- Свързва Agent Bricks с вътрешното хранилище на документи чрез Unity Catalog.
- Платформата извършва оптимизация, генерира специфични за задачата бенчмаркове и избира прецизно настроен модел.
- Разгръща агента в производството, като съкращава седмици ръчна работа до по-малко от час.
Hawaiian Electric отбеляза подобни ползи, когато замени крехкото решение на базата на LangChain с Agent Bricks за правни запитвания за документи.
Новият агент значително надмина оригиналния инструмент по точност на отговорите както при автоматизираните, така и при човешките оценки, което дава на служителите увереност да разчитат на него за проверка на съответствието.
Интеграция и съвместимост с екосистемата
Agent Bricks наследява интеграционния слой на Databricks, така че се свързва директно с платформите, които вашите екипи за данни и ML вече използват.
Unity Catalog действа като централен център за управление, управляващ достъпа до езера от данни, складове и векторни хранилища в една рамка от политики.
Агентите правят заявки към Delta таблици, Parquet файлове или документи, съхранени в lakehouse, без да копират данни към външни услуги.
| Платформа/Партньор | Същност на интеграцията |
|---|---|
| Каталог Unity | Унифицирано управление на данни, модели и резултати от агентите |
| Neon | Serverless Postgres за транзакционни работни потоци на агенти |
| Tecton | Функции в реално време с латентност под 100 ms |
| OpenAI | Нативен достъп до GPT-5 за корпоративни данни |
Разработчиците взаимодействат с Agent Bricks чрез стандартни Databricks API и SDK. Функцията ai_query SQL позволява на анализаторите да извикват LLM директно в заявки, а REST крайните точки обслужват агентите чрез инфраструктурата Model Serving.
IDE интеграциите поддържат CI/CD пипалини, така че инженерите могат да контролират версиите на конфигурациите на агентите заедно с кода на приложението.
Предстоящото придобиване на Tecton ще вгради онлайн магазин за функции в Agent Bricks, предоставяйки стрийминг данни на агентите с латентност под 10 ms.
Тази възможност отключва откриването на измами, персонализацията и други случаи на употреба, които зависят от актуална информация.
Засега екипите могат да създават прототипи с пакетни функции и да планират преминаване към данни в реално време, след като интеграцията влезе в сила в средата на 2026 г.
Общностни коментари и мнения на първите потребители
Първите отзиви са разделени между ентусиазъм за лекотата на употреба и предпазливост относно ограниченията на бета версията.
Един потребител на Reddit похвали безкодовия агентски конструктор и тясното интегриране с Unity Catalog, като отбеляза, че агентите автоматично наследяват разрешенията за данни.
Същият потребител отбеляза, че пълната оптимизация обикновено отнема повече от час и струва над 100 долара в изчислителни ресурси, което може да се натрупа по време на експериментирането.
- „Той значително опростява работния ни процес и намалява ръчното настройване.“ Reddit
- „Цената на оптимизацията може да бъде висока в бета версията.“ Reddit
- „Сигурният достъп до вътрешно съдържание изгражда доверие в платформата.“ Общност Databricks
Регионалната наличност създаде конфликт за европейските екипи. Представител на Databricks потвърди в средата на 2025 г., че Agent Bricks е достъпен само в САЩ по време на първоначалния преглед, което накара някои клиенти да създадат работни пространства в САЩ, за да тестват продукта.
В публикациите във форума се споменава и нестабилност на предварителната версия и чести промени във функциите, което е типично за бета софтуера, но си заслужава да се планира, ако вашият случай на употреба изисква висока наличност.
Като цяло, ранните потребители, които могат да се справят с бета версиите и да изчисляват разходите, виждат стойността в автоматизацията, която Agent Bricks предлага. Анализът на 400 000 документа от AstraZeneca и подобрението на точността на Hawaiian Electric резонират в цялата общност като доказателство, че платформата може да се справи с задачи в производствен мащаб.
Тази реална валидация е важна, когато решавате дали да инвестирате инженерно време сега или да изчакате продуктът да узрее.
Пътна карта и перспективи за екосистемата
Databricks разширява Agent Bricks географски и функционално през следващите 18 месеца. До четвъртото тримесечие на 2025 г. предварителната версия ще бъде пусната в европейските региони, като се започне с Azure внедрявания в Западна Европа.
Това поетапно внедряване позволява на компанията да събере разнообразни отзиви от потребители и да гарантира съответствие с регионалните регулации за данни, преди да обяви обща достъпност.
Интеграцията на Tecton в средата на 2026 г. ще позволи на агентите да извличат функции в реално време от потоци, API и складове с 99,99% време на работа, което ще даде възможност за откриване на измами и персонализирани приложения, които изискват данни в реално време.
Neon и Mooncake ще се обединят в единна „Lakehouse DB“ платформа, предоставяща на агентите ACID-съвместими записи и незабавни аналитични четения без ETL пипалини.
„Agent Bricks сигнализира за значителна промяна в корпоративния AI“, отбеляза анализатор от VentureBeat, посочвайки 10- до 100-кратното повишение на производителността в резултат на премахването на традиционните канали за данни.
Очаквайте нови шаблони за агенти, освен първоначалните четири типа (извличане на информация, помощник за знания, супервайзор за много агенти, персонализиран LLM агент).
Изследванията на Databricks проучват кодови асистенти, агенти за планиране и конектори към външни API. Партньорството с OpenAI гарантира, че когато OpenAI пусне GPT-5 и бъдещи модели, те ще бъдат налични в Agent Bricks с първична поддръжка и управление.
В дългосрочен план Databricks вижда агентното AI като нов потребителски профил на платформата, който ще съпътства инженерите и анализаторите на данни. Тази визия включва продължаващи инвестиции в функции за отговорно AI, като аудитни регистри, откриване на пристрастия и прецизни контроли на политиките, тъй като използването на агенти нараства в регулираните индустрии.
Колко струва Databricks Agentic AI?
Agent Bricks следва ценовия модел на Databricks, базиран на употребата, без предварителна такса за лиценз. Плащате за всяка секунда изчисления и моделиране, фактурирани в Databricks Units (DBU).
Работните натоварвания за обслужване на модели и функции струват около 0,07 долара на DBU-секунда при плана Premium, който включва основната цена на облачния инстанс. GPU-ускореното извличане на заключения за основни модели също струва около 0,07 долара на DBU-секунда.
Интензивната част е първоначалното оптимизиране. Един от първите потребители съобщи, че е похарчил над 100 долара за изчислителни ресурси в облака за един единствен едночасов цикъл на обучение, който генерира синтетични данни и настройва агента.
След оптимизацията обслужването на агента става много по-евтино, защото системата идентифицира рентабилна конфигурация на модела, която поддържа качеството с по-малко токени на заявка. Екипите могат да задават бюджетни ограничения чрез бюджетната политика на Databricks, за да ограничат разходите по време на експериментирането.
Корпоративните клиенти могат да закупят пакети с ангажимент (предплатени DBU часове), за да си осигурят отстъпки за обем, което ефективно понижава цената на секунда в сравнение с фактурирането при поискване. Точната цена варира в зависимост от вашия доставчик на облачни услуги (AWS, Azure, GCP) и региона, като в някои региони цената е малко по-висока от тази в източната или западната част на САЩ.
Скритите разходи, които трябва да имате предвид, включват изчисления за векторно търсене, въвеждане на данни и периодично преобучение при промяна в разпределението на данните. Когато изчислявате общата цена на притежание, вземете предвид спестеното инженерно време, като пропуснете ръчното настройване на подсказките и етикетирането на данните.
Ранните потребители споделят, че седмиците ръчна работа, които Agent Bricks елиминира, често компенсират разходите за изчисления, особено ако се има предвид алтернативната цена на забавеното внедряване на агента.