AI-agenter til Databricks
En Monmo-agent arbejder i Databricks som en data engineer på morgenvagt. Den forklarer fejl i jobkørsler, besvarer spørgsmål med SQL mod tabeller i Unity Catalog, følger DBU-forbrug via systemtabeller og dokumenterer tabeller, som teamet ofte spørger til. Den bruger den identitet, du forbinder, ser kun det, Unity Catalog giver adgang til, og spørger, før den kører et job, ændrer computeressourcer eller skriver data.
Opdateret 2026-11-13 · Gratis at komme i gang. Betalte abonnementer fra $15 om måneden.
Det gør AI-agenter i Databricks
Forklar en fejlslagen jobkørsel
Når et planlagt job fejler, læser agenten output fra kørslens opgaver, fejlmeddelelsen og driverloggene. Den finder den celle i en notebook eller den fil, der fejlede, og beskriver årsagen og et forslag til en løsning.
SpørgDet natlige ordrejob fejlede kl. 02:10. Fortæl mig, hvilken opgave der fejlede, hvorfor, og hvad du ville ændre.
Besvar spørgsmål via et SQL warehouse
Spørg efter ugentligt aktive kunder pr. segment, så finder agenten tabellerne i Unity Catalog, skriver forespørgslen, kører den på det SQL warehouse, du har tildelt, og viser svaret sammen med SQL-koden.
SpørgHvor mange ugentligt aktive kunder havde vi pr. segment i de sidste otte uger? Vis forespørgslen.
Følg DBU-forbruget
Hver mandag læser agenten systemtabellen for faktureringsforbrug, grupperer DBU'er efter workspace, job og SQL warehouse, sammenligner med ugen før og skriver en opsummering i Google Sheets.
SpørgOpsummér hver mandag sidste uges DBU-forbrug pr. job og warehouse, og fremhæv de største stigninger.
Find computeressourcer, der aldrig slukker
Agenten finder all-purpose clusters uden automatisk nedlukning, overdimensionerede clusters med lette job og SQL warehouses, der kører natten over. Den laver udkast til ændringer i indstillingerne og spørger, før den gennemfører dem.
SpørgFind clusters uden automatisk nedlukning og warehouses, der kører hele natten, og foreslå indstillinger for hver af dem.
Dokumentér tabeller i Unity Catalog
Agenten læser tabellerne i et schema, tager stikprøver af deres kolonner og data lineage og laver udkast til kommentarer, som en ny analytiker kan forstå. Du gennemgår dem i Google Docs, og de tilføjes først i Unity Catalog, når du har godkendt dem.
SpørgLav udkast til kommentarer til tabeller og kolonner i sales-schemaet i Unity Catalog. Lad mig gennemgå dem først.
Sammenlign eksperimentkørsler
For et MLflow-eksperiment sammenligner agenten kørslernes parametre og målinger, finder forskellene mellem de bedste og resten og skriver en kort besked til teamet i Slack.
SpørgSammenlign de sidste 20 kørsler i churn-model-eksperimentet, og fortæl mig, hvilke parametre der gjorde forskellen.
Gennemgå, hvem der kan se følsomme tabeller
Agenten viser adgangsrettighederne til tabeller med persondata, de grupper og brugere, der har adgang, og brede tildelinger som adgang til alle kontoens brugere. Derefter laver den udkast til fjernelse af rettigheder til din administrator.
SpørgHvem kan læse tabellerne i customers_pii-schemaet? Fremhæv adgang, der er givet til flere end datateamet.
Sådan oprettes forbindelsen
- 1Du forbinder et Databricks workspace med et personligt adgangstoken eller OAuth, eller endnu bedre med en service principal, som din administrator opretter. Din workspace-administrator skal muligvis tillade tokens, og systemtabeller skal være aktiveret for at rapportere forbrug.
- 2Databricks passer til en dataagent og en udviklingsagent. Rettighederne i Unity Catalog bestemmer, hvilke kataloger og tabeller de hver især kan se, så giv kun agentens identitet adgang til de schemas, dens arbejde kræver.
- 3Det kræver ingen godkendelse at læse kørsler, logs, tabeller og systemtabeller. Agenten beder først om godkendelse på et kort, når den skal køre et job eller en notebook, oprette eller ændre computeressourcer, skrive til en tabel eller ændre en rettighed.
Ofte stillede spørgsmål
Kan en AI-agent arbejde i Databricks notebooks?
Ja. En Monmo-agent kan læse notebooks, forklare, hvad en celle gør, og lave et udkast til en ny notebook til en analyse. Den spørger først, før den gemmer den i dit workspace eller kører den på computeressourcer, fordi en kørsel bruger DBU'er og kan skrive til tabeller. Den arbejder via Databricks-forbindelsen eller i sin egen browser, når forbindelsen ikke dækker en opgave.
Er det sikkert at give en AI-agent adgang til data i Unity Catalog?
AI-agenten ser kun det, Unity Catalog giver dens identitet adgang til. Giv den en service principal med SELECT på de schemas, den har brug for, og ingen adgang til persondata, medmindre opgaven kræver det. Læsning kræver ingen godkendelse. Skrivning og ændring af rettigheder afventer din godkendelse, og du kan til enhver tid fjerne adgangen.
Kan en AI-agent forklare, hvorfor vores Databricks-regning er steget?
Agenten kan vise, hvor forbruget er steget. Ud fra systemtabellen for fakturering fordeler den DBU'er på job, clusters og warehouses, sammenligner perioder og viser, hvilke job eller clusters der står bag stigningen. Den foreslår ændringer som automatisk nedlukning eller et mindre warehouse, og du beslutter, hvilke der skal gennemføres.
Kan en AI-agent rette og genstarte et fejlslaget Databricks-job?
Agenten finder årsagen, laver et udkast til en løsning og spørger, før den kører jobbet igen. Hvis løsningen kræver en kodeændring, opretter den en pull request i GitHub til gennemgang. Hvis jobbet blot skal genoptages fra den fejlslagne opgave, viser den dig kørslen på et kort og genoptager den, når du giver tilladelse.
Din næste medarbejderkunne starte i dag.
Opret din første AI-agent på et minut. Det er gratis at komme i gang.