När ditt team lägger timmar på att skriva kommandon, finjustera modeller och sätta ihop datapipelines bara för att distribuera en AI-agent, stannar produktiviteten upp.
Databricks introducerade Agent Bricks för att lösa den flaskhalsen genom att automatisera hela bygg- och optimeringsarbetsflödet för företagsdata.
Den här guiden går igenom vad den erbjuder, hur den fungerar och om den passar din stack.
Viktiga punkter
- Databricks Agent Bricks automatiserar skapandet av agenter med hjälp av syntetiska data och benchmarking.
- Det eliminerar manuell justering av promptar och integreras direkt med Unity Catalog.
- Tidiga användare rapporterar höga optimeringskostnader men stark prestanda i stor skala.
- Regional åtkomst och begränsad anpassning är fortfarande viktiga risker under betaversionen.
Erbjuder Databricks agentisk AI?
Ja, Databricks lanserade Agent Bricks den 11 juni 2025 på sin Data+AI Summit i San Francisco.
Plattformen automatiserar skapandet av AI-agenter genom att generera domänspecifika syntetiska data och uppgiftsmedvetna benchmark, och sedan optimera modellerna för kostnad och kvalitet utan manuell prompt engineering.
Produkten bygger på Databricks förvärv av MosaicML 2023 och positionerar Databricks som både en leverantör av datalakehouse och en agentisk AI-plattform.
Den riktar sig till team som hanterar stora volymer interna dokument, transaktionsregister eller ostrukturerat innehåll och behöver agenter som kan extrahera insikter, svara på frågor eller samordna flerstegsarbetsflöden på ett säkert sätt.
Agent Bricks gick in i offentlig betaversion i mitten av 2025 och var initialt tillgängligt på AWS i regioner i USA, med planerad expansion till Europa före årsskiftet.
Hur fungerar det egentligen?
Agent Bricks förenklar den traditionella processen med trial and error till en guidad pipeline. Du beskriver uppgiften i klartext, ansluter dina datakällor via Unity Catalog, och systemet genererar automatiskt syntetiska tränings exempel som speglar din domän.
Dessa exempel matas in i en benchmark-svit som betygsätter kandidatmodellerna utifrån noggrannhet, latens och kostnad. Plattformen väljer sedan den konfiguration som uppfyller dina kvalitetskrav till lägsta pris per inferens.
Detta arbetsflöde eliminerar de veckor som teamen vanligtvis lägger på att märka data, justera uppmaningar och köra A/B-tester.
Bakom kulisserna loggar MLflow 3.0 varje utvärdering, så att du kan spåra modellbeslut tillbaka till underliggande data och parametrar. Säkerheten förblir intakt eftersom agenterna aldrig hämtar data utanför Databricks lakehouse-perimeter.
Den arkitektoniska översikten är viktigast när du ser hur den löser ett verkligt problem.
Hur ser det ut i praktiken?
AstraZenecas datateam stod inför en eftersläpning på 400 000 PDF-filer från kliniska prövningar som behövde strukturerad extrahering för myndighetsrapportering. Manuell granskning skulle ha tagit månader.
De konfigurerade en informationsutvinningsagent i Agent Bricks, pekade den mot dokumentarkivet och lät systemet generera syntetiska prover baserade på försöksprotokollscheman. Agenten analyserade alla 400 000 filer på mindre än 60 minuter utan kod.
- Teamet identifierar flaskhalsen för dataextraktion och den lagstadgade tidsfristen.
- Ansluter Agent Bricks till den interna dokumentdammen via Unity Catalog.
- Plattformen kör optimering, genererar uppgiftsspecifika riktmärken och väljer en finjusterad modell.
- Distribuera agenten till produktion och minska veckor av manuellt arbete till under en timme.
Hawaiian Electric upplevde liknande fördelar när de ersatte en bräcklig LangChain-baserad lösning med Agent Bricks för juridiska dokumentförfrågningar.
Den nya agenten överträffade betydligt det ursprungliga verktyget när det gäller svarens noggrannhet i både automatiserade och mänskliga utvärderingar, vilket gav anställda förtroende att lita på det för efterlevnadskontroller.
Integration och ekosystemanpassning
Agent Bricks ärver Databricks integrationslager, så det ansluts direkt till de plattformar som dina data- och ML-team redan använder.
Unity Catalog fungerar som en central styrningshub som hanterar åtkomst till datalager, datalager och vektorlager i ett enda policyramverk.
Agenter söker i Delta-tabeller, Parquet-filer eller dokument som lagras i lakehouse utan att kopiera data till externa tjänster.
| Plattform/partner | Integrationens natur |
|---|---|
| Unity Catalog | Enhetlig styrning för data, modeller och agentutdata |
| Neon | Serverlös Postgres för transaktionsagenters arbetsflöden |
| Tecton | Realtidsfunktioner med en latens på under 100 ms |
| OpenAI | Inbyggd åtkomst till GPT-5 på företagsdata |
Utvecklare interagerar med Agent Bricks via standardiserade Databricks API:er och SDK:er. Med SQL-funktionen ai_query kan analytiker anropa LLM direkt i frågor, och REST-ändpunkter betjänar agenter via Model Serving-infrastrukturen.
IDE-integrationer stöder CI/CD-pipelines, så att ingenjörer kan versionshantera agentkonfigurationer tillsammans med applikationskod.
Det kommande förvärvet av Tecton kommer att integrera en online-funktion i Agent Bricks, som levererar strömmande data till agenter med en latens på under 10 ms.
Denna funktion möjliggör bedrägeridetektering, personalisering och andra användningsfall som är beroende av information som uppdateras varje sekund.
För närvarande kan teamen skapa prototyper med batchfunktioner och planera att byta till realtidsdata när integrationen går live i mitten av 2026.
Community Buzz & tidiga användares åsikter
De första reaktionerna är delade mellan entusiasm över användarvänligheten och försiktighet kring betaversionens begränsningar.
En Reddit-användare berömde den kodfria agentbyggaren och den täta integrationen med Unity Catalog, och noterade att agenter automatiskt ärver datatillstånd.
Samma användare påpekade att en fullständig optimering vanligtvis tar mer än en timme och kostar över 100 dollar i beräkningskostnader, vilket kan bli en stor summa under experimentfasen.
- ”Det förenklar vårt arbetsflöde avsevärt och minskar behovet av manuell justering.” Reddit
- ”Kostnaden per optimeringskörning kan vara hög i betaversionen.” Reddit
- ”Säker åtkomst till internt innehåll skapar förtroende för plattformen.” Databricks Community
Den regionala tillgängligheten skapade friktion för europeiska team. En Databricks-kundansvarig bekräftade i mitten av 2025 att Agent Bricks endast var tillgängligt i USA under den inledande förhandsvisningen, vilket fick vissa kunder att starta sandbox-arbetsytor i amerikanska regioner för att testa produkten.
I forumposter nämns också instabilitet i förhandsvisningen och frekventa funktionsändringar, vilket är typiskt för betaprogramvara men värt att planera för om din användning kräver hög drifttid.
Sammantaget ser tidiga användare som kan hantera betaversionens egenheter och beräknade kostnader värdet i den automatisering som Agent Bricks erbjuder. AstraZenecas analys av 400 000 dokument och Hawaiian Electrics förbättrade noggrannhet har fått genklang i hela communityn som bevis på att plattformen kan hantera uppgifter i produktionsskala.
Denna validering från verkligheten är viktig när du ska besluta om du ska investera tid i utveckling nu eller vänta tills produkten är mogen.
Roadmap och utsikter för ekosystemet
Databricks utökar Agent Bricks geografiskt och funktionellt under de kommande 18 månaderna. Under fjärde kvartalet 2025 lanseras förhandsversionen i Europa, med start i Västeuropa med Azure-distributioner.
Den stegvisa lanseringen gör det möjligt för företaget att samla in olika typer av feedback från användarna och säkerställa efterlevnad av regionala dataregler innan den allmänna tillgängligheten tillkännages.
Tecton-integrationen i mitten av 2026 kommer att göra det möjligt för agenter att hämta realtidsfunktioner från strömmar, API:er och lager med 99,99 % drifttid, vilket möjliggör bedrägeridetektering och personalisering som kräver sekundaktuella data.
Neon och Mooncake kommer att slås samman till en enhetlig ”Lakehouse DB”-upplevelse, vilket ger agenter ACID-kompatibla skrivningar och omedelbara analytiska läsningar utan ETL-pipelines.
”Agent Bricks signalerar en stor förändring inom företags-AI”, konstaterade en analytiker på VentureBeat och pekade på prestandaförbättringar på 10 till 100 gånger genom att eliminera traditionella datapipelines.
Förvänta dig nya agentmallar utöver de fyra initiala typerna (informationsutvinning, kunskapsassistent, multiagent-supervisor, anpassad LLM-agent).
Databricks forskning utforskar kodassistenter, planeringsagenter och anslutningar till externa API:er. Partnerskapet med OpenAI säkerställer att när OpenAI lanserar GPT-5 och framtida modeller kommer de att vara tillgängliga i Agent Bricks med förstahandsstöd och styrning.
På lång sikt ser Databricks agentbaserad AI som en ny användarroll på plattformen, vid sidan av dataingenjörer och analytiker. Den visionen innefattar fortsatta investeringar i ansvarsfulla AI-funktioner som revisionsloggar, biasdetektering och detaljerade policykontroller i takt med att agentanvändningen ökar i reglerade branscher.
Hur mycket kostar Databricks agentiska AI?
Agent Bricks följer Databricks användningsbaserade prismodell utan förskottslicensavgift. Du betalar per sekund för beräkning och modellinferens, fakturerat i Databricks Units (DBU).
Model Serving och Feature Serving-arbetsbelastningar kostar cirka 0,07 dollar per DBU-sekund i Premium-planen, vilket inkluderar den underliggande molninstanskostnaden. GPU-accelererad inferens för grundmodeller kostar också cirka 0,07 dollar per DBU-sekund.
Den mest intensiva delen är den inledande optimeringen. En tidig användare rapporterade att han spenderade över 100 dollar på molnberäkningar för en enda timmes träningscykel som genererade syntetiska data och finjusterade agenten.
Efter optimeringen blir det mycket billigare att använda agenten eftersom systemet har identifierat en kostnadseffektiv modellkonfiguration som bibehåller kvaliteten med färre tokens per sökning. Team kan ställa in budgetgränser via Databricks budgetpolicy för att begränsa utgifterna under experimenteringen.
Företagskunder kan köpa förbetalda paket (förbetalda DBU-timmar) för att få volymrabatter, vilket effektivt sänker priset per sekund jämfört med fakturering efter förbrukning. Exakt prissättning varierar beroende på din molnleverantör (AWS, Azure, GCP) och region, där vissa regioner har något högre priser än USA:s öst- eller västkust.
Dolda kostnader att hålla koll på inkluderar beräkningar för vektorsökning, datainhämtning och periodisk omskolning när din datadistribution förändras. Ta hänsyn till den tid som sparas på teknik genom att hoppa över manuell justering och datamärkning när du beräknar den totala ägandekostnaden.
Tidiga användare rapporterar att de veckor av manuellt arbete som Agent Bricks eliminerar ofta uppväger beräkningskostnaden, särskilt när man tar hänsyn till alternativkostnaden för försenad agentdistribution.