Když váš tým tráví hodiny psaním příkazů, laděním modelů a skládáním datových potrubí jen proto, aby nasadil jednoho AI agenta, produktivita se zastaví.
Databricks představil Agent Bricks, který řeší tento problém automatizací celého procesu sestavování a optimalizace podnikových dat.
Tato příručka vás provede tím, co nabízí, jak funguje a zda se hodí pro vaši platformu.
Hlavní body
- Databricks Agent Bricks automatizuje vytváření agentů pomocí syntetických dat a benchmarků.
- Eliminuje ruční ladění a integruje se přímo s Unity Catalog.
- První uživatelé hlásí vysoké náklady na optimalizaci, ale silný výkon v měřítku.
- Regionální přístup a omezené možnosti přizpůsobení zůstávají klíčovými riziky během beta verze.
Nabízí Databricks agentickou AI?
Ano, Databricks spustil Agent Bricks 11. června 2025 na svém summitu Data+AI v San Franciscu.
Platforma automatizuje tvorbu agentů AI generováním syntetických dat specifických pro danou doménu a benchmarků zohledňujících úkoly a následně optimalizuje modely z hlediska nákladů a kvality bez nutnosti ručního prompt engineeringu.
Produkt, který vychází z akvizice společnosti MosaicML společností Databricks v roce 2023, positionuje Databricks jako poskytovatele datového jezera i agentické platformy AI.
Je určen pro týmy, které spravují velké objemy interních dokumentů, transakčních záznamů nebo nestrukturovaného obsahu a potřebují agenty, kteří dokážou bezpečně extrahovat poznatky, odpovídat na otázky nebo koordinovat vícestupňové pracovní postupy.
Agent Bricks vstoupil do veřejné beta verze v polovině roku 2025 a byl zpočátku k dispozici na AWS v regionech USA s plánovaným rozšířením do Evropy do konce roku.
Jak to vlastně funguje?
Agent Bricks nahrazuje tradiční cyklus pokusů a omylů řízeným procesem. Popíšete úkol v běžném jazyce, propojíte své zdroje dat prostřednictvím Unity Catalog a systém automaticky vygeneruje syntetické tréninkové příklady, které odrážejí vaši doménu.
Tyto příklady jsou zahrnuty do sady benchmarků, která hodnotí kandidátské modely podle přesnosti, latence a nákladů. Platforma poté vybere konfiguraci, která splňuje vaše požadavky na kvalitu za nejnižší cenu za inferenci.
Tento pracovní postup eliminuje týdny, které týmy obvykle tráví označováním dat, laděním výzev a prováděním A/B testů.
V pozadí MLflow 3.0 zaznamenává každý běh hodnocení, takže můžete sledovat rozhodnutí modelu zpět k podkladovým datům a parametrům. Bezpečnost zůstává nedotčena, protože agenti nikdy nevytahují data mimo perimetr Databricks lakehouse.
Přehled architektury je nejdůležitější, když vidíte, jak řeší skutečný problém.
Jak to vypadá v praxi?
Datový tým společnosti AstraZeneca čelil nahromaděným 400 000 PDF souborům z klinických studií, které bylo třeba strukturovaně extrahovat pro regulační účely. Ruční kontrola by trvala měsíce.
Nakonfigurovali agenta pro extrakci informací v Agent Bricks, nasměrovali jej na úložiště dokumentů a nechali systém generovat syntetické vzorky na základě schémat zkušebních protokolů. Agent analyzoval všech 400 000 souborů za méně než 60 minut bez použití kódu.
- Tým identifikuje úzké místo při extrakci dat a regulační lhůtu.
- Propojuje Agent Bricks s interním dokumentovým jezerem prostřednictvím Unity Catalog.
- Platforma provádí optimalizaci, generuje benchmarky specifické pro danou úlohu a vybírá přesně vyladěný model.
- Nasazení agenta do produkčního prostředí zkracuje týdny ruční práce na méně než hodinu.
Společnost Hawaiian Electric zaznamenala podobné zisky, když nahradila křehké řešení založené na LangChain agentem Bricks pro dotazy týkající se právních dokumentů.
Nový agent výrazně překonal původní nástroj v přesnosti odpovědí jak v automatizovaných, tak v lidských hodnoceních, což zaměstnancům dodalo důvěru, že se na něj mohou spolehnout při vyhledávání informací o dodržování předpisů.
Integrace a kompatibilita s ekosystémem
Agent Bricks zdědil integrační vrstvu Databricks, takže se připojuje přímo k platformám, které již vaše datové a ML týmy používají.
Unity Catalog funguje jako centrální řídicí centrum, které spravuje přístup k datovým jezerům, skladům a vektorovým úložištím v rámci jedné politiky.
Agenti dotazují tabulky Delta, soubory Parquet nebo dokumenty uložené v lakehouse bez kopírování dat do externích služeb.
| Platforma/partner | Povaha integrace |
|---|---|
| Katalog Unity | Jednotná správa dat, modelů a výstupů agentů |
| Neon | Serverless Postgres pro transakční agentní pracovní postupy |
| Tecton | Funkce v reálném čase s latencí pod 100 ms |
| OpenAI | Nativní přístup k GPT-5 v podnikových datech |
Vývojáři komunikují s Agent Bricks prostřednictvím standardních API a SDK Databricks. Funkce ai_query SQL umožňuje analytikům volat LLM přímo v dotazech a koncové body REST obsluhují agenty prostřednictvím infrastruktury Model Serving.
Integrace IDE podporuje CI/CD pipeline, takže inženýři mohou kontrolovat verze konfigurací agentů společně s kódem aplikace.
Chystaná akvizice společnosti Tecton začlení online obchod s funkcemi do Agent Bricks a bude agentům dodávat streamovaná data s latencí pod 10 ms.
Tato schopnost umožňuje odhalování podvodů, personalizaci a další použití, která závisí na aktuálních informacích.
Prozatím mohou týmy vytvářet prototypy s dávkovými funkcemi a plánovat výměnu dat v reálném čase, jakmile bude integrace spuštěna v polovině roku 2026.
Reakce komunity a názory prvních uživatelů
První ohlasy se dělí mezi nadšením z jednoduchého použití a opatrností ohledně omezení beta verze.
Jeden uživatel Redditu ocenil nástroj pro tvorbu agentů bez nutnosti programování a těsnou integraci s Unity Catalog, přičemž poznamenal, že agenti automaticky přebírají oprávnění k datům.
Stejný uživatel upozornil, že úplná optimalizace trvá obvykle více než hodinu a stojí přes 100 dolarů za výpočetní výkon, což se během experimentování může nasčítat.
- „Výrazně zjednodušuje náš pracovní postup a omezuje ruční ladění.“ Reddit
- „Náklady na jeden optimalizační běh mohou být v beta verzi vysoké.“ Reddit
- „Bezpečný přístup k internímu obsahu buduje důvěru v platformu.“ Komunita Databricks
Regionální dostupnost způsobila třenice mezi evropskými týmy. Zástupce společnosti Databricks v polovině roku 2025 potvrdil, že Agent Bricks byl během počáteční fáze preview dostupný pouze v USA, což některé zákazníky vedlo k tomu, že si v amerických regionech zřídili sandboxové pracovní prostory, aby produkt otestovali.
Příspěvky na fóru také zmiňují nestabilitu náhledu a časté změny funkcí, což je typické pro beta software, ale stojí za to to zohlednit, pokud váš případ použití vyžaduje vysokou dostupnost.
Celkově lze říci, že první uživatelé, kteří jsou schopni se vyrovnat s beta verzí a výpočetními náklady, vidí hodnotu v automatizaci, kterou Agent Bricks přináší. Analýza 400 000 dokumentů společností AstraZeneca a zvýšení přesnosti společnosti Hawaiian Electric rezonují v celé komunitě jako důkaz, že platforma je schopna zvládnout úkoly v produkčním měřítku.
Při rozhodování, zda investovat čas inženýrů hned, nebo počkat, až produkt dozraje, je důležité ověření v praxi.
Plán a výhled ekosystému
Databricks rozšiřuje Agent Bricks geograficky i funkčně v průběhu příštích 18 měsíců. Do čtvrtého čtvrtletí 2025 bude předběžná verze zavedena v evropských regionech, počínaje nasazením Azure v západní Evropě.
Toto postupné zavádění umožňuje společnosti shromáždit různorodé zpětné vazby od uživatelů a zajistit soulad s regionálními předpisy o ochraně osobních údajů předtím, než bude oznámena obecná dostupnost.
Integrace Tecton v polovině roku 2026 umožní agentům získávat funkce v reálném čase ze streamů, API a skladů s 99,99% dostupností, což umožní detekci podvodů a personalizaci, které vyžadují data v reálném čase.
Neon a Mooncake se spojí do jednotného prostředí „Lakehouse DB“, které agentům poskytne zápisy kompatibilní s ACID a okamžité analytické čtení bez ETL pipeline.
„Agent Bricks signalizuje významný posun v oblasti podnikové AI,“ poznamenal analytik společnosti VentureBeat a poukázal na 10× až 100× vyšší výkon díky eliminaci tradičních datových pipeline.
Očekávejte nové šablony agentů nad rámec původních čtyř typů (extrakce informací, znalostní asistent, multiagentní supervizor, vlastní agent LLM).
Výzkum Databricks se zabývá asistenty kódu, plánovacími agenty a konektory k externím API. Partnerství s OpenAI zajišťuje, že jakmile OpenAI uvede na trh GPT-5 a budoucí modely, budou nativně dostupné v Agent Bricks s podporou a správou od první strany.
Databricks dlouhodobě vnímá agentickou AI jako novou uživatelskou osobnost na platformě, která bude stát po boku datových inženýrů a analytiků. Tato vize zahrnuje pokračující investice do funkcí odpovědné AI, jako jsou auditní protokoly, detekce zaujatosti a jemné ovládání politik, protože přijetí agentů v regulovaných odvětvích roste.
Kolik stojí agentická umělá inteligence Databricks?
Agent Bricks se řídí cenovým modelem Databricks založeným na využití bez předem placeného licenčního poplatku. Platíte za sekundu výpočtu a modelové inference, účtované v jednotkách Databricks (DBU).
Model Serving a Feature Serving mají v rámci tarifu Premium cenu přibližně 0,07 USD za DBU-sekundu, což zahrnuje náklady na základní cloudovou instanci. GPU akcelerovaná inference pro základní modely má také cenu přibližně 0,07 USD za DBU-sekundu.
Intenzivní částí je počáteční optimalizace. Jeden z prvních uživatelů uvedl, že utratil přes 100 dolarů za cloudové výpočty za jediný hodinový tréninkový cyklus, který generoval syntetická data a ladil agenta.
Po optimalizaci se provoz agenta stává mnohem levnější, protože systém identifikoval nákladově efektivní konfiguraci modelu, která udržuje kvalitu s menším počtem tokenů na dotaz. Týmy mohou nastavit rozpočtové limity prostřednictvím rozpočtové politiky Databricks, aby omezily výdaje během experimentování.
Firemní zákazníci si mohou zakoupit balíčky závazků (předplacené hodiny DBU), aby získali množstevní slevy, což efektivně sníží sazbu za sekundu ve srovnání s fakturací na vyžádání. Přesná cena se odvíjí od vašeho poskytovatele cloudových služeb (AWS, Azure, GCP) a regionu, přičemž některé regiony jsou o něco dražší než východní nebo západní část USA.
Mezi skryté náklady, na které je třeba dávat pozor, patří výpočetní výkon pro vektorové vyhledávání, načítání dat a pravidelné přeškolování v závislosti na změnách v distribuci dat. Při výpočtu celkových nákladů na vlastnictví zohledněte čas ušetřený díky vynechání ručního ladění a označování dat.
První uživatelé uvádějí, že týdny ruční práce, které Agent Bricks eliminuje, často vyvažují výdaje na výpočetní výkon, zejména pokud vezmete v úvahu náklady příležitosti spojené se zpožděným nasazením agenta.