Construir um agente é rápido. Colocá-lo em produção com segurança, não.
A maioria das iniciativas de IA generativa para no protótipo: falta acesso governado aos dados, forma de medir qualidade e controle sobre modelos e custos. No Databricks, o agente nasce dentro da mesma plataforma que governa os dados.
- 01
POC que não escala
A demo funciona, mas ninguém confia nela para o uso real.
- 02
Dados fora da governança
Agentes acessando documentos e tabelas sem respeitar permissões.
- 03
Qualidade sem métrica
Sem avaliação, cada ajuste no prompt é um palpite.
- 04
Modelos e custos soltos
Cada time chamando um modelo diferente, sem limite nem rastreio.
A pilha completa para agentes corporativos
Qualquer framework
Agentes em LangGraph/LangChain ou OpenAI Agents SDK, padronizados pela interface ResponsesAgent do MLflow.
Multiagentes
Um supervisor coordena subagentes especializados: Genie para dados, assistentes de conhecimento, funções e servidores MCP.
Ferramentas e contexto
Servidores MCP gerenciados, AI Search para recuperação de documentos, funções do Unity Catalog e memória de sessão.
MLflow: tracing e avaliação
Cada etapa do agente registrada, com avaliação por LLM judges, métricas customizadas e feedback de especialistas.
Unity Gateway
API única para modelos de fronteira e abertos, com guardrails, limites de uso e rastreamento de custo.
Deploy e operação
Agentes hospedados no Agent Runtime, com execução durável, sandbox para código gerado e monitoramento em produção.
Cada agente faz uma coisa bem. O supervisor decide quem age.
Usuário ou sistema
Pergunta ou tarefa em linguagem natural
Agente supervisor
Interpreta o pedido, escolhe os subagentes e consolida a resposta
Agente de dados
Genie consultando tabelas governadas
Agente de conhecimento
Busca em documentos com AI Search
Agente de ação
Funções do Unity Catalog e MCP para acionar sistemas
Tudo passa pelo Unity Catalog, que aplica as permissões de quem pergunta, e pelo MLflow, que registra cada passo para avaliação e auditoria.
Onde agentes já geram resultado
Respostas sobre políticas, processos e sistemas com base em documentos oficiais.
Extração de cláusulas, prazos e valores de grandes volumes de documentos.
Perguntas sobre indicadores combinadas com ações, como abrir chamado ou gerar relatório.
Preparação de reuniões com histórico do cliente, pedidos e oportunidades.
Triagem e roteamento de solicitações com revisão humana nos pontos críticos.
Do caso de uso ao agente monitorado
Priorização
Avaliamos casos de uso por impacto, viabilidade e prontidão dos dados.
EntregávelRoadmap de agentesProtótipo avaliado
Construímos o agente com um conjunto de avaliação definido com a área de negócio.
EntregávelAgente com métricas de qualidadeProdução governada
Deploy com permissões do Unity Catalog, Unity Gateway e tracing ativos.
EntregávelAgente em produçãoMelhoria contínua
Monitoramos respostas, coletamos feedback de especialistas e ajustamos o agente.
EntregávelCiclo de evolução com indicadoresDúvidas comuns
Mosaic AI, Agent Bricks ou LangChain: qual usar?
Não é uma escolha excludente. O Agent Bricks oferece blocos prontos e CLI; LangChain/LangGraph dá controle total do fluxo. Ambos rodam no Databricks com MLflow e Unity Catalog.
Quais modelos de IA podemos usar?
Modelos de fronteira e modelos abertos, acessados por uma API única no Unity Gateway, com regras de uso e custo por time.
Como medir se o agente responde bem?
Com MLflow: conjuntos de avaliação, LLM judges, métricas customizadas e rotulagem por especialistas, antes e depois do deploy.
O agente respeita as permissões dos dados?
Sim. Os subagentes acessam dados pelo Unity Catalog, e o usuário final só alcança o que tem permissão para ver.
