Fiche concept

Databricks Agent Bricks — construire et gouverner des agents sur Databricks

À jour au 2026-10-06

Édité par Cédric Mary, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Databricks Agent Bricks ?

L'outillage d'agents de Databricks (Agent Bricks et agents sur mesure sur Databricks Apps) n'est le bon choix que si l'agent doit lire des tables Delta, appeler des modèles ML ou interroger AI Search dans la même boucle de raisonnement — sinon une chaîne LangChain directe est moins chère.

De quoi il s'agit

Databricks Agent Bricks, avec les agents en code sur mesure hébergés sur Databricks Apps, est l'environnement d'exécution natif de la plateforme Databricks Intelligence pour construire des agents (la documentation actuelle le présente sous ces noms, tandis que les anciens documents parlent de Mosaic AI Agent Framework) : l'échafaudage permettant de concevoir, évaluer, déployer et gouverner des agents d'IA multi-étapes qui enchaînent appels d'outils, récupération d'information, raisonnement par modèle de langage et requêtes directes sur les données, le tout à l'intérieur d'un espace de travail où le catalogue de la plateforme gouverne lui-même la traçabilité, le contrôle d'accès et les journaux d'audit sur chaque table, chaque modèle et chaque fonction que l'agent touche. La proposition de valeur du framework est étroite et spécifique : c'est l'environnement approprié pour un agent dont la boucle de raisonnement doit lire des tables Delta Lake, appeler des modèles de machine learning déjà enregistrés dans l'espace de travail, ou interroger un index vectoriel, sans devoir d'abord copier ces données ou ces modèles ailleurs.

Pourquoi c'est important

Les fonctions Unity Catalog gouvernent l'accès aux outils comme elles gouvernent les notebooks et les tables Delta, donc les permissions de l'agent héritent automatiquement de la gouvernance data existante.
Unity Gateway gouverne les outils et serveurs MCP qu'un agent appelle, tandis que les agents hébergés sur Databricks Apps exposent une API REST conversationnelle, ce qui permet à BDC Connect ou SAP AI Core de les appeler sans connaître la topologie interne.
Pour un raisonnement conscient des process SAP, l'architecture correcte est un Joule Agent orchestrateur qui appelle un agent Databricks comme outil spécialiste — pas un remplacement de Joule.

Points clés

L'outillage d'agents de Databricks — Agent Bricks et agents en code sur mesure sur Databricks Apps — est le runtime d'agents natif de la plateforme Databricks : construire, évaluer, déployer et gouverner des agents multi-étapes dans un espace de travail où Unity Catalog gouverne chaque table, modèle et fonction touchés.
C'est le bon foyer pour un agent seulement quand sa boucle de raisonnement a besoin de tables Delta, de modèles ML enregistrés ou de Vector Search dans la même boucle.
Sinon, une chaîne LangChain directe est moins chère et plus simple — la valeur du framework est la gouvernance et le lineage, pas un modèle plus intelligent.
Dans un périmètre BDC, décider d'abord quels agents relèvent du côté Databricks et lesquels de Joule ; la frontière du catalogue est la frontière de gouvernance.
L'évolution 2026 vers Agent Bricks (une couche de plan de contrôle pour agents sur mesure) et des serveurs MCP managés pour les fonctions Unity Catalog, Genie, Vector Search et DBSQL réduit la quantité de code d'orchestration écrit à la main qu'une équipe doit maintenir.
Les outils des agents Databricks et l'extensibilité propre de Joule Studio/Joule Work de SAP parlent de plus en plus MCP nativement, ce qui facilite désormais les architectures « Joule appelle un agent Databricks comme outil » par rapport à il y a un an.
Le framework d'évaluation CLEARS de Databricks standardise la mesure de qualité d'un agent (justesse, ancrage, sûreté) via un LLM juge — exiger une porte d'évaluation équivalente avant la production, quelle que soit la plateforme qui héberge l'agent.
La fiabilité d'un agent au fil d'exécutions répétées — constance, coût, sûreté et conformité aux politiques — est la métrique qui sépare une démo d'un déploiement en production, et elle se dégrade silencieusement si l'évaluation est sautée.

Termes employés sur cette page

Unity Catalog tool: Une fonction Python, une interface langage naturel vers SQL, ou un index de recherche vectorielle enregistré dans Unity Catalog et déclaré comme outil d'agent — la même couche de contrôle d'accès qui régit les tables régit aussi qui peut l'invoquer.
Unity Gateway: Le plan de contrôle Databricks qui gouverne l'accès aux services de modèles, aux fournisseurs de modèles et aux services MCP et surveille l'activité, Unity Catalog appliquant les permissions ; son API est en disponibilité générale depuis le 16 septembre 2026.
mlflow.evaluate(): L'API d'évaluation de MLflow pour noter les sorties d'un agent ou d'un modèle par rapport à un jeu de données étiqueté, incluant un mode LLM juge pour la justesse, l'ancrage et la sûreté.
Agent Bricks: L'offre d'agents de Databricks, documentée comme des types d'agents managés (Knowledge Assistant, Supervisor Agent) plus une CLI Agent Bricks (bêta depuis le 29 septembre 2026) pour des agents en code sur mesure hébergés sur Databricks Apps.
Serveur MCP managé (Databricks): Un serveur MCP hébergé par Databricks exposant les fonctions Unity Catalog, Genie, Vector Search ou DBSQL comme outils compatibles MCP, avec gouvernance d'entreprise intégrée — réduit le code d'intégration sur mesure nécessaire pour connecter les outils d'un agent.
Framework CLEARS: Le framework d'évaluation standardisé de Databricks pour la qualité des agents, couvrant les dimensions justesse, ancrage et sûreté via une notation automatisée par LLM juge sur des données mises de côté.
Agent reliability: La constance, le coût, la sûreté et la conformité aux politiques d'un agent au fil de multiples exécutions — la propriété qui sépare une démo d'un déploiement en production.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →

Databricks Agent Bricks — construire et gouverner des agents sur Databricks

Qu'est-ce que Databricks Agent Bricks ?

De quoi il s'agit

Pourquoi c'est important

Points clés

Termes employés sur cette page

Sources

Concepts liés

Modules d'académie associés

Études approfondies

Guides SAP analytics & TJM