Kiedy Twój zespół spędza godziny na pisaniu podpowiedzi, dostosowywaniu modeli i łączeniu potoków danych tylko po to, aby wdrożyć jednego agenta AI, wydajność spada do zera.
Firma Databricks wprowadziła Agent Bricks, aby rozwiązać ten problem poprzez automatyzację całego procesu tworzenia i optymalizacji danych przedsiębiorstwa.
W tym przewodniku dowiesz się, co oferuje, jak działa i czy pasuje do Twojego stosu.
Najważniejsze informacje (klucz)
- Databricks Agent Bricks automatyzuje proces tworzenia agentów przy użyciu danych syntetycznych i benchmarków.
- Eliminuje ręczne dostrajanie podpowiedzi i integruje się bezpośrednio z katalogiem Unity Catalog.
- Pierwsi użytkownicy zgłaszają wysokie koszty optymalizacji, ale wysoką wydajność przy dużej skali.
- Dostęp regionalny i niestandardowe możliwości dostosowywania pozostają kluczowymi zagrożeniami podczas fazy beta.
Czy Databricks oferuje agenticzną sztuczną inteligencję?
Tak, firma Databricks wprowadziła Agent Bricks 11 czerwca 2025 r. podczas konferencji Data+AI Summit w San Francisco.
Platforma automatyzuje data powstania agentów AI poprzez generowanie syntetycznych danych specyficznych dla danej dziedziny i benchmarków uwzględniających zadania, a następnie optymalizację modeli pod kątem kosztów i jakości bez konieczności ręcznego projektowania podpowiedzi.
Produkt, oparty na przejęciu MosaicML przez Databricks w 2023 r., zapewnia Databricks pozycję zarówno jako dostawcę data lakehouse, jak i platformy agentowej AI.
Jest skierowana do zespołów, które zarządzają dużymi ilościami dokumentów wewnętrznych, zapisów transakcyjnych lub zawartości nieustrukturyzowanej i potrzebują agentów, którzy mogą bezpiecznie wyciągać wnioski, odpowiadać na pytania lub koordynować wieloetapowe cykle pracy.
Agent Bricks wszedł w fazę publicznej wersji beta w połowie 2025 r. i początkowo był dostępny w AWS w regionach USA, a do końca roku planowano rozszerzenie dostępności na Europę.
Jak to właściwie działa?
Agent Bricks zamienia tradycyjną pętlę prób i błędów w przewodnik po procesie. Opisujesz zadanie prostym językiem, tworzyesz połączenia źródeł danych za pomocą Unity Catalog, a system automatycznie generuje syntetyczne przykłady szkoleniowe, które odzwierciedlają Twoją dziedzinę.
Przykłady te są wykorzystywane w zestawie testów porównawczych, które oceniają modele pod kątem dokładności, opóźnień i kosztów. Następnie platforma wybiera konfigurację, która spełnia pasek jakości przy najniższej cenie za wnioskowanie.
Ten cykl pracy eliminuje tygodnie, które zespoły zazwyczaj poświęcają na przyczepianie etykiet do danych, dostosowywanie podpowiedzi i przeprowadzanie testów A/B.
W tle MLflow 3.0 rejestruje każdą ocenę, dzięki czemu można prześledzić decyzje modelu aż do podstawowych danych i parametrów. Bezpieczeństwo pozostaje nienaruszone, ponieważ agenci nigdy nie pobierają danych spoza obszaru Databricks Lakehouse.
Przegląd architektury ma największe znaczenie, gdy widzisz, jak rozwiązuje on rzeczywisty problem.
Jak to wygląda w praktyce?
Zespół ds. danych firmy AstraZeneca stanął przed wyzwaniem przetworzenia 400 000 plików PDF z badań klinicznych, które wymagały uporządkowanej ekstrakcji danych do celów regulacyjnych. Ręczna weryfikacja zajęłaby miesiące.
Skonfigurowali agenta ekstrakcji informacji w Agent Bricks, skierowali go do repozytorium dokumentów i pozwolili systemowi wygenerować syntetyczne próbki na podstawie schematów protokołów wersji próbnej. Agent przeanalizował wszystkie 400 000 plików w mniej niż 60 minut bez użycia kodu.
- Zespół identyfikuje wąskie gardło w zakresie ekstrakcji danych i termin regulacyjny.
- Ustala połączenie Agent Bricks z wewnętrznym zbiorem dokumentów za pośrednictwem Unity Catalog.
- Platforma przeprowadza optymalizację, generując benchmarki dostosowane do konkretnych zadań i wybierając precyzyjnie dostrojony model.
- Wdraża agenta do produkcji, skracając tygodnie ręcznej pracy do mniej niż godziny.
Firma Hawaiian Electric odnotowała podobne korzyści, gdy zastąpiła kruche rozwiązanie oparte na LangChain rozwiązaniem Agent Bricks do zapytań dokumentów prawnych.
Nowy agent znacznie przewyższył swoje pierwotne narzędzie pod względem dokładności odpowiedzi zarówno w ocenach opartych na automatyzacji, jak i ludzkich, dając pracownikom pewność, że mogą na nim polegać podczas sprawdzania zgodności.
Integracja i dopasowanie do ekosystemu
Agent Bricks dziedziczy warstwę integracyjną Databricks, dzięki czemu można go podłączyć bezpośrednio do platform, z których już korzystają zespoły ds. danych i uczenia maszynowego.
Unity Catalog pełni rolę centralnego hub zarządzania, kontrolując dostęp do jezior danych, hurtowni danych i magazynów wektorowych w ramach jednej struktury zasad.
Agenci wysyłają zapytania do tabel Delta, plików Parquet lub dokumentów przechowywanych w lakehouse bez kopiowania danych do usług zewnętrznych.
| Platforma/Partner | Charakter integracji |
|---|---|
| Katalog Unity | Ujednolicone zarządzanie danymi, modelami i wynikami agentów |
| Neon | Bezserwerowy Postgres dla cykli pracy agentów transakcyjnych |
| Tecton | Obsługa funkcji w czasie rzeczywistym z opóźnieniem poniżej 100 ms |
| OpenAI | Natywny dostęp do GPT-5 w danych przedsiębiorstwa |
Programiści komunikują się z Agent Bricks za pośrednictwem standardowych interfejsów API i zestawów SDK Databricks. Funkcja SQL ai_query umożliwia analitykom bezpośrednie wywoływanie modeli LLM w zapytaniach, a punkty końcowe REST obsługują agenty za pośrednictwem infrastruktury Model Serving.
Integracje IDE zapewniają wsparcie dla potoków CI/CD, dzięki czemu inżynierowie mogą kontrolować wersje konfiguracji agentów wraz z kodem aplikacji.
W ramach planowanego przejęcia firmy Tecton do Agent Bricks zostanie wbudowany sklep z funkcjami online, który będzie dostarczał dane strumieniowe do agentów z opóźnieniem poniżej 10 ms.
Ta funkcja umożliwia wykrywanie oszustw, personalizację i inne zastosowania, które zależą od dostępu do aktualnych informacji.
Na razie zespoły mogą tworzyć prototypy z wykorzystaniem funkcji wsadowych i planować zamianę danych w czasie rzeczywistym po uruchomieniu integracji w połowie 2026 roku.
Opinie społeczności i wczesnych użytkowników
Wczesne opinie są podzielone między entuzjazmem związanym z łatwością obsługi a ostrożnością wynikającą z limitów wersji beta.
Jeden z użytkowników Reddit pochwalił narzędzie do tworzenia agentów bez kodowania oraz ścisłą integrację z Unity Catalog, z notatką, że agenci automatycznie dziedziczą uprawnienia do danych.
Ten sam użytkownik zaznaczył, że pełna optymalizacja trwa zazwyczaj ponad godzinę i kosztuje ponad 100 dolarów w przeliczeniu na moc obliczeniową, co może się sumować podczas eksperymentów.
- „Znacznie upraszcza nasz cykl pracy i ogranicza konieczność ręcznego dostosowywania”. Reddit
- „Koszt optymalizacji może być wysoki w wersji beta”. Reddit
- Bezpieczny dostęp do zawartości wewnętrznej buduje zaufanie do platformy. Społeczność Databricks
Dostępność regionalna spowodowała pewne utrudnienia dla europejskich zespołów. Przedstawiciel handlowy Databricks potwierdził w połowie 2025 r., że Agent Bricks był dostępny wyłącznie w Stanach Zjednoczonych podczas wstępnej wersji zapoznawczej, co stanowiło podpowiedź dla niektórych klientów, którzy uruchomili obszary robocze typu sandbox w regionach amerykańskich w celu przetestowania produktu.
W postach na forum pojawiają się również wzmianki o niestabilności wersji zapoznawczej i częstych zmianach funkcji, co jest typowe dla oprogramowania w fazie beta, ale warto to uwzględnić w planowaniu, jeśli Twoje zastosowanie wymaga wysokiej dostępności.
Ogólnie rzecz biorąc, pierwsi użytkownicy, którzy potrafią zaakceptować niedoskonałości wersji beta i koszty obliczeniowe, dostrzegają wartość automatyzacji zapewnianej przez Agent Bricks. Przetworzenie 400 000 dokumentów przez firmę AstraZeneca i wzrost dokładności osiągnięty przez Hawaiian Electric są dla całej społeczności dowodem na to, że platforma może obsługiwać zadania na skalę produkcyjną.
Ta praktyczna weryfikacja ma znaczenie przy podejmowaniu decyzji, czy zainwestować czas inżynierów już teraz, czy poczekać, aż produkt osiągnie dojrzałość.
Plan działania i perspektywy ekosystemu
W ciągu najbliższych 18 miesięcy firma Databricks zamierza rozszerzyć zasięg geograficzny i funkcję rozwiązania Agent Bricks. Do czwartego kwartału 2025 r. wersja zapoznawcza zostanie wprowadzona w regionach europejskich, począwszy od wdrożeń Azure w Europie Zachodniej.
Takie stopniowe wdrażanie pozwala firmie zebrać różnorodne opinie użytkowników i zapewnić zgodność z regionalnymi przepisami dotyczącymi danych przed ogłoszeniem ogólnej dostępności.
Integracja Tecton w połowie 2026 r. pozwoli agentom pobierać funkcje w czasie rzeczywistym ze strumieni, interfejsów API i magazynów z dostępnością na poziomie 99,99%, umożliwiając wykrywanie oszustw i personalizację przypadków użycia, które wymagają danych aktualizowanych co sekundę.
Neon i Mooncake połączą się w ujednoliconą bazę danych „Lakehouse DB”, zapewniając agentom zgodność z modelem ACID oraz natychmiastowy odczyt analityczny bez potoków ETL.
„Agent Bricks sygnalizuje znaczącą zmianę w AI dla przedsiębiorstw” – zauważyła nota analityka VentureBeat, wskazując na 10- do 100-krotny wzrost wydajności dzięki wyeliminowaniu tradycyjnych potoków danych.
Spodziewaj się nowych szablonów agentów wykraczających poza cztery początkowe typy (ekstrakcja informacji, asystent wiedzy, nadzorca wielu agentów, niestandardowy agent LLM).
Badania Databricks obejmują asystentów kodowania, agentów planowania i łączniki do zewnętrznych API. Partnerstwo z OpenAI gwarantuje, że gdy OpenAI wprowadzi na rynek GPT-5 i przyszłe modele, będą one natywnie dostępne w Agent Bricks z własnym wsparciem i zarządzaniem.
W perspektywie długoterminowej firma Databricks postrzega sztuczną inteligencję agentową jako nową osobowość użytkownika na platformie, obok inżynierów danych i analityków. Wizja ta obejmuje ciągłe inwestycje w funkcje odpowiedzialnej sztucznej inteligencji, takie jak dzienniki audytowe, wykrywanie stronniczości i precyzyjna kontrola zasad, w miarę wzrostu popularności agentów w branżach podlegających regulacjom.
Ile kosztuje sztuczna inteligencja Databricks Agentic AI?
Agent Bricks działa zgodnie z modelem cenowym Databricks opartym na rzeczywistym zużyciu, bez opłat licencyjnych z góry. Płacisz za każdą sekundę obliczeń i wnioskowania modelowego, rozliczane w jednostkach Databricks (DBU).
Obciążenia związane z obsługą modeli i funkcji wynoszą około 0,07 USD za sekundę DBU w planie Premium, który obejmuje podstawowy koszt instancji w chmurze. Wnioskowanie przyspieszane przez GPU dla modeli podstawowych również kosztuje około 0,07 USD za sekundę DBU.
Najbardziej intensywną częścią jest początkowa optymalizacja. Jeden z pierwszych użytkowników poinformował, że wydał ponad 100 dolarów na obliczenia w chmurze za jeden godzinny cykl szkoleniowy, który wygenerował dane syntetyczne i dostroił agenta.
Po optymalizacji obsługa agenta staje się znacznie tańsza, ponieważ system zidentyfikował ekonomiczną konfigurację modelu, która pozwala zachować jakość przy mniejszej liczbie tokenów na zapytanie. Zespoły mogą ustawić limit budżetowy za pomocą polityki budżetowej Databricks, aby ograniczyć wydatki podczas eksperymentów.
Klienci korporacyjni mogą kupić pakiety zobowiązaniowe (przedpłacone godziny DBU), aby zapewnić sobie rabaty ilościowe, skutecznie obniżając stawkę za sekundę w porównaniu z rozliczeniami na żądanie. Dokładne ceny zależą od dostawcy usług w chmurze (AWS, Azure, GCP) i regionu, przy czym w niektórych regionach są one nieco wyższe niż na wschodnim lub zachodnim wybrzeżu Stanów Zjednoczonych.
Ukryte koszty, na które należy zwrócić uwagę, obejmują obliczenia związane z wyszukiwaniem wektorowym, pozyskiwaniem danych i okresowym ponownym szkoleniem w miarę zmian w dystrybucji danych. Obliczając całkowity koszt własności, weź pod uwagę czas zaoszczędzony przez inżynierów dzięki pominięciu ręcznego dostrajania podpowiedzi i etykietowania danych.
Pierwsi użytkownicy raportują, że tygodnie ręcznej pracy, które eliminuje Agent Bricks, często rekompensują koszty obliczeniowe, zwłaszcza jeśli weźmie się pod uwagę koszt alternatywny opóźnionego wdrożenia agenta.