Databricks Agent Bricks — Agenten auf Databricks bauen und steuern

Databricks Agent Bricks ist zusammen mit eigenen Code-Agenten auf Databricks Apps die native Agenten-Bau-Laufzeitumgebung der Databricks Intelligence Platform (die aktuelle Dokumentation führt sie unter diesen Namen, ältere Unterlagen sprechen vom Mosaic AI Agent Framework): ein Gerüst zum Konstruieren, Evaluieren, Bereitstellen und Governen mehrstufiger KI-Agenten, die Tool-Aufrufe, Retrieval, Sprachmodell-Reasoning und direkte Datenabfragen aneinanderreihen — alles innerhalb eines Workspace, in dem der eigene Catalog der Plattform Lineage, Zugriffskontrolle und Audit-Trails für jede Tabelle, jedes Modell und jede Funktion governt, die der Agent berührt. Das Wertversprechen des Frameworks ist eng und konkret: Es ist die richtige Heimat für einen Agenten, dessen Reasoning-Schleife Delta-Lake-Tabellen lesen, bereits im Workspace registrierte ML-Modelle aufrufen oder einen Vector-Index abfragen muss, ohne diese Daten oder Modelle zuvor woanders hin zu kopieren.

Die drei Säulen, die es zu einer Plattform statt einer Bibliothek machen

Die erste Säule ist die tiefe Integration mit der Experiment-Tracking-Schicht des Workspace: Jeder Agent wird mit einer typisierten Eingabe- und Ausgabesignatur registriert, genau wie jedes andere Modellartefakt, was es möglich macht, reproduzierbare Evaluierungsläufe durchzuführen, Versionen nebeneinander zu vergleichen und eine Produktionsentscheidung bis zu den Trainings- oder Konfigurationsdaten zurückzuverfolgen, die sie geprägt haben. Das ist kein kosmetisches Detail — es ist das, was „der Agent hat sich bei dieser Anfrage seltsam verhalten“ von einer unbeantwortbaren zu einer nachvollziehbaren Frage macht.

Warum es zählt

• Unity-Catalog-Funktionen governen den Tool-Zugriff auf dieselbe Weise, wie sie Notebooks und Delta-Tabellen governen, sodass Agenten-Berechtigungen automatisch die bestehende Daten-Governance erben.
• Unity Gateway steuert die Tools und MCP-Server, die ein Agent aufruft, während auf Databricks Apps gehostete Agenten eine konversationelle REST-API bereitstellen, sodass BDC Connect oder SAP AI Core sie aufrufen können, ohne die interne Topologie zu kennen.
• Für prozessbewusstes SAP-Reasoning ist die korrekte Architektur Joule Agent als Orchestrator, der einen Databricks-Agenten als spezialisiertes Tool aufruft — nicht Joule zu ersetzen.

Kernpunkte

• Das Agenten-Tooling von Databricks — Agent Bricks und eigene Code-Agenten auf Databricks Apps — ist die agentennative Laufzeit der Databricks-Plattform: mehrstufige Agenten bauen, bewerten, ausrollen und governen in einem Workspace, in dem Unity Catalog jede berührte Tabelle, jedes Modell und jede Funktion kontrolliert.
• Es ist nur dann die natürliche Heimat eines Agenten, wenn die Reasoning-Schleife Delta-Tabellen, registrierte ML-Modelle oder Vector Search in derselben Schleife braucht.
• Andernfalls ist eine direkte LangChain-Kette günstiger und einfacher — der Wert des Frameworks liegt in Governance und Lineage, nicht in einem klügeren Modell.
• In einer BDC-Landschaft zuerst entscheiden, welche Agenten auf die Databricks-Seite und welche zu Joule gehören; die Katalog-Grenze ist die Governance-Grenze.
• Die 2026er Entwicklung hin zu Agent Bricks (einer Control-Plane-Schicht für eigene Agenten) und managten MCP-Servern für Unity-Catalog-Funktionen, Genie, Vector Search und DBSQL reduziert die Menge an handgeschriebenem Orchestrierungscode, die ein Team pflegen muss.
• Sowohl Databricks-Agenten-Tools als auch SAPs eigene Joule-Studio-/Joule-Work-Erweiterbarkeit sprechen zunehmend nativ MCP, was Architekturen nach dem Muster „Joule ruft einen Databricks-Agenten als Tool auf“ leichter verdrahtbar macht als vor einem Jahr.
• Databricks' CLEARS-Evaluierungsframework standardisiert die Messung der Agentenqualität (Korrektheit, Verankerung, Sicherheit) via LLM-als-Richter — ein gleichwertiges Evaluierungstor vor der Produktion einfordern, unabhängig davon, welche Plattform den Agenten hostet.
• Agenten-Zuverlässigkeit über wiederholte Läufe hinweg — Konsistenz, Kosten, Sicherheit und Policy-Konformität — ist die Kennzahl, die eine Demo von einem Produktionseinsatz trennt, und sie verschlechtert sich lautlos, wenn die Evaluierung ausgelassen wird.

Begriffe auf dieser Seite

Unity-Catalog-Tool

Eine Python-Funktion, eine NL-zu-SQL-Schnittstelle oder ein Vector-Search-Index, die/der in Unity Catalog registriert und als Agenten-Tool deklariert ist — dieselbe Zugriffskontrollschicht, die Tabellen regelt, regelt auch, wer es aufrufen darf.

Unity Gateway

Die Databricks-Steuerungsebene, die den Zugriff auf Modell-Services, Modellanbieter und MCP-Services regelt und die Aktivität überwacht, wobei Unity Catalog die Berechtigungen durchsetzt; ihre API ist seit dem 16. September 2026 allgemein verfügbar.

mlflow.evaluate()

MLflows Evaluierungs-API zur Bewertung von Agenten- oder Modellausgaben gegen einen beschrifteten Datensatz, einschließlich eines LLM-als-Richter-Modus für Korrektheit, Verankerung und Sicherheit.

Agent Bricks

Databricks' Agenten-Angebot, dokumentiert als gemanagte Agententypen (Knowledge Assistant, Supervisor Agent) plus eine Agent-Bricks-CLI (Beta seit dem 29. September 2026) für eigene Code-Agenten auf Databricks Apps.

Managter MCP-Server (Databricks)

Ein von Databricks gehosteter MCP-Server, der Unity-Catalog-Funktionen, Genie, Vector Search oder DBSQL als MCP-kompatible Tools mit eingebauter Enterprise-Governance freigibt — reduziert den benutzerdefinierten Integrationscode zum Verbinden der Tools eines Agenten.

CLEARS-Framework

Databricks' standardisiertes Evaluierungsframework für Agentenqualität, das Korrektheit, Verankerung und Sicherheit über automatisierte LLM-als-Richter-Bewertung gegen zurückgehaltene Daten abdeckt.

Agenten-Zuverlässigkeit

Die Konsistenz, Kosten, Sicherheit und Policy-Konformität eines Agenten über wiederholte Läufe hinweg — die Eigenschaft, die eine Demo von einem Produktionseinsatz trennt.

Quellen

1. Unlocking SAP AI Foundation capabilities in SAP Databricks: A technical deep dive (1/2) — SAP Community (Technology Blog Posts by SAP)
2. SAP Databricks: Building an Intelligent Enterprise with AI Unleashed – Part 2 — SAP Community (Technology Blog Posts by SAP)
3. SAP Databricks: Building an Intelligent Enterprise with AI Unleashed – Part 1 — SAP Community (Technology Blog Posts by SAP)
4. SAP Sapphire Orlando 2025: SAP and Databricks open a bold new era of data and AI - BDC2767 — SAP Community (Technology Blog Posts by SAP)
5. SAP Databricks is now GA. Get the most of it skilling yourself with Mosaic AI — SAP Community (Technology Blog Posts by Members)
6. Vector Indexing for Retrieval-Augmented Generation with Databricks, SAP HANA, and Generative AI Hub — SAP Community (Artificial Intelligence Blogs Posts)
7. Databricks Docs — MCPs and agent tools (AWS)
8. Databricks Docs — Tutorial: build, evaluate and deploy a retrieval agent (GCP)
9. Databricks — Agent Bricks product page (control plane for custom agents)
10. Databricks Blog — Build an Autonomous AI Assistant with Agent Bricks Custom Agents
11. GitHub SAP-owned mirror is not applicable; Databricks GitHub — genai-cookbook, Mosaic AI agent sample notebooks
12. Databricks release notes, September 2026 (Agent Bricks CLI Beta, Genie One MCP GA, Unity Gateway API GA, managed agent memory; vendor documentation)
13. Databricks docs — Use agents on Databricks (custom agents on Databricks Apps, Supervisor Agent, Knowledge Assistant; updated 30 Sep 2026)
14. Databricks docs — MCPs and agent tools (managed MCP servers, Unity Gateway governance; updated 11 Sep 2026)
15. Databricks docs — Author an agent and deploy it on Databricks Apps (current authoring and deployment path)
16. Databricks docs — Built-in LLM judges (MLflow 3 for GenAI: correctness, groundedness, safety, relevance)
17. Databricks docs — Databricks AI Search (formerly Vector Search; updated 14 Sep 2026)