Agen AI untuk Databricks
Agen Monmo bekerja di Databricks seperti data engineer yang bertugas pada shift pagi. Agen ini menjelaskan job yang gagal, menjawab pertanyaan dengan SQL pada tabel Unity Catalog, melacak biaya DBU dari system table, dan mendokumentasikan tabel yang sering ditanyakan tim Anda. Agen menggunakan identitas yang Anda hubungkan, hanya melihat data yang diizinkan Unity Catalog, dan meminta izin sebelum menjalankan job, mengubah compute, atau menulis data.
Diperbarui 2026-11-13 · Gratis untuk memulai. Paket berbayar mulai dari $15 per bulan.
Yang dikerjakan agen di Databricks
Jelaskan job yang gagal
Saat job terjadwal gagal, agen membaca output task, error, dan log driver, menemukan sel notebook atau file yang bermasalah, lalu menulis penyebab dan saran perbaikannya.
MintaJob orders yang berjalan setiap malam gagal pada 02:10. Beri tahu task mana yang bermasalah, penyebabnya, dan apa yang akan Anda ubah.
Jawab pertanyaan di SQL warehouse
Tanyakan jumlah pelanggan aktif mingguan per segmen. Agen akan mencari tabel di Unity Catalog, menulis kueri, menjalankannya di SQL warehouse yang Anda tentukan, lalu menampilkan jawaban beserta kuerinya.
MintaBerapa jumlah pelanggan aktif mingguan per segmen selama delapan minggu terakhir? Tampilkan kuerinya.
Lacak biaya DBU
Setiap Senin, agen membaca system table penggunaan untuk penagihan, mengelompokkan DBU berdasarkan workspace, job, dan SQL warehouse, membandingkannya dengan minggu sebelumnya, lalu menulis ringkasannya di Google Sheets.
MintaSetiap Senin, rangkum penggunaan DBU minggu lalu berdasarkan job dan warehouse, lalu tunjukkan kenaikan terbesar.
Temukan compute yang terus berjalan
Agen membuat daftar cluster all-purpose tanpa auto-termination, cluster berukuran terlalu besar yang menjalankan job ringan, dan SQL warehouse yang aktif sepanjang malam, lalu menyusun usulan perubahan pengaturan. Agen meminta izin sebelum menerapkannya.
MintaTemukan cluster tanpa auto-termination dan warehouse yang berjalan sepanjang malam, lalu sarankan pengaturan untuk masing-masing.
Dokumentasikan tabel Unity Catalog
Agen membaca tabel dalam sebuah schema, mengambil sampel kolom dan lineage-nya, lalu menyusun draf komentar yang mudah dipahami analis baru. Anda meninjaunya di Google Docs, dan agen menunggu persetujuan Anda sebelum menambahkannya ke Unity Catalog.
MintaBuat draf komentar tabel dan kolom untuk schema sales di Unity Catalog. Biarkan saya meninjaunya terlebih dahulu.
Bandingkan hasil eksperimen
Untuk eksperimen MLflow, agen membandingkan setiap run berdasarkan parameter dan metriknya, menemukan perbedaan antara hasil terbaik dan sisanya, lalu menulis catatan singkat untuk tim di Slack.
MintaBandingkan 20 run terakhir dalam eksperimen churn-model dan beri tahu parameter mana yang membuat perbedaan.
Tinjau siapa yang bisa melihat tabel sensitif
Agen membuat daftar hak akses pada tabel yang berisi data pribadi, grup dan pengguna yang memilikinya, serta hak akses yang terlalu luas seperti untuk semua pengguna akun. Agen kemudian menyusun usulan pencabutan akses untuk admin Anda.
MintaSiapa yang bisa membaca tabel dalam schema customers_pii? Tandai akses yang diberikan lebih luas daripada tim data.
Cara terhubung
- 1Hubungkan workspace Databricks dengan personal access token atau OAuth, atau lebih baik lagi, dengan service principal yang dibuat oleh admin Anda. Admin workspace mungkin perlu mengizinkan penggunaan token, dan system table harus diaktifkan untuk melaporkan biaya.
- 2Databricks cocok digunakan oleh agen data dan agen engineering. Hak akses Unity Catalog menentukan katalog dan tabel yang dapat dilihat masing-masing agen, jadi berikan identitas agen akses hanya ke schema yang dibutuhkan untuk pekerjaannya.
- 3Membaca run, log, tabel, dan system table tidak memerlukan persetujuan. Menjalankan job atau notebook, membuat atau mengubah compute, menulis ke tabel, dan mengubah hak akses masing-masing memerlukan izin terlebih dahulu melalui kartu.
Pertanyaan umum
Apakah agen AI bisa bekerja di notebook Databricks?
Ya. Agen Monmo dapat membaca notebook, menjelaskan fungsi sebuah sel, dan membuat draf notebook baru untuk analisis. Penyimpanan ke workspace dan menjalankannya di compute memerlukan izin terlebih dahulu karena proses tersebut menggunakan DBU dan dapat menulis ke tabel. Agen bekerja melalui koneksi Databricks atau menggunakan browser-nya sendiri jika ada hal yang tidak tercakup oleh koneksi tersebut.
Apakah aman memberi agen AI akses ke data Unity Catalog?
Agen AI hanya melihat data yang diizinkan Unity Catalog untuk identitasnya. Berikan service principal dengan hak SELECT pada schema yang dibutuhkan, dan jangan berikan akses ke data pribadi kecuali pekerjaannya memerlukannya. Membaca tidak memerlukan persetujuan; setiap penulisan atau perubahan hak akses menunggu izin Anda, dan Anda dapat mencabut akses kapan saja.
Bisakah agen AI menjelaskan kenapa tagihan Databricks naik?
Agen AI dapat menunjukkan sumber kenaikannya. Dari system table penagihan, agen merinci DBU berdasarkan job, cluster, dan warehouse, membandingkan antarperiode, serta menyebutkan job atau cluster yang menyebabkan kenaikan. Agen menyarankan perubahan seperti auto-termination atau warehouse yang lebih kecil, dan Anda memutuskan mana yang akan diterapkan.
Bisakah agen AI memperbaiki dan menjalankan ulang job Databricks yang gagal?
Agen AI menemukan penyebabnya, menyusun draf perbaikan, dan meminta izin sebelum menjalankan ulang. Jika perbaikannya ada pada kode, agen membuat pull request di GitHub untuk ditinjau. Jika job hanya perlu dilanjutkan dari task yang gagal, agen menampilkan run tersebut pada kartu dan memperbaikinya setelah Anda memberi izin.
Anggota tim Anda berikutnyabisa mulai hari ini.
Buat agen pertama Anda dalam satu menit. Gratis untuk memulai.