Agenti AI per Databricks
Un agente Monmo lavora in Databricks come un data engineer del turno mattutino. Spiega le esecuzioni di job fallite, risponde alle domande con query SQL sulle tabelle di Unity Catalog, monitora la spesa DBU dalle tabelle di sistema e documenta le tabelle su cui il tuo team fa spesso domande. Usa l'identità che colleghi, vede solo ciò che Unity Catalog le consente e chiede prima di eseguire un job, modificare le risorse di calcolo o scrivere dati.
Aggiornato 2026-11-13 · Inizia gratis. Piani a pagamento da $15 al mese.
Cosa fanno gli agenti in Databricks
Capire perché un job è fallito
Quando un job pianificato fallisce, l'agente legge l'output delle attività, l'errore e i log del driver, individua la cella del notebook o il file che ha causato il problema e ne descrive la causa con una possibile soluzione.
ChiediIl job notturno degli ordini è fallito alle 02:10. Dimmi quale attività si è interrotta, perché e cosa cambieresti.
Fare domande su un SQL warehouse
Chiedi quanti sono i clienti attivi ogni settimana per segmento: l'agente trova le tabelle in Unity Catalog, scrive la query, la esegue sul SQL warehouse che gli assegni e mostra la risposta insieme alla query.
ChiediQuanti clienti attivi a settimana abbiamo avuto per segmento nelle ultime otto settimane? Mostrami la query.
Monitorare la spesa DBU
Ogni lunedì legge la tabella di sistema dei consumi di fatturazione, raggruppa le DBU per workspace, job e SQL warehouse, le confronta con la settimana precedente e scrive il riepilogo in Google Sheets.
ChiediOgni lunedì, riepiloga l'utilizzo di DBU della settimana precedente per job e warehouse e segnala gli aumenti maggiori.
Trovare le risorse di calcolo sempre attive
Elenca i cluster all-purpose senza spegnimento automatico, quelli sovradimensionati che eseguono job leggeri e i SQL warehouse che restano attivi durante la notte, poi prepara le modifiche alle impostazioni. Prima di applicarle, chiede la tua approvazione.
ChiediTrova i cluster senza spegnimento automatico e i warehouse attivi tutta la notte, e suggerisci le impostazioni per ciascuno.
Documentare le tabelle di Unity Catalog
Legge le tabelle di uno schema, esamina un campione di colonne e la loro provenienza e prepara commenti comprensibili anche a un nuovo analista. Li rivedi in Google Docs e l'agente aspetta la tua approvazione prima di aggiungerli a Unity Catalog.
ChiediPrepara i commenti per le tabelle e le colonne dello schema sales in Unity Catalog. Voglio rivederli prima.
Confrontare le esecuzioni di un esperimento
Per un esperimento MLflow confronta le esecuzioni in base a parametri e metriche, individua le differenze tra le migliori e le altre e scrive una breve nota per il team in Slack.
ChiediConfronta le ultime 20 esecuzioni dell'esperimento churn-model e dimmi quali parametri hanno fatto la differenza.
Verificare chi può vedere le tabelle sensibili
Elenca i permessi sulle tabelle che contengono dati personali, i gruppi e gli utenti a cui sono assegnati e quelli troppo ampi, come l'accesso a tutti gli utenti dell'account. Poi prepara le revoche per il tuo amministratore.
ChiediChi può leggere le tabelle nello schema customers_pii? Segnala i permessi concessi a persone esterne al team dati.
Come si collega
- 1Collega un workspace Databricks con un token di accesso personale o OAuth oppure, meglio ancora, con un service principal creato dal tuo amministratore. L'amministratore del workspace potrebbe dover abilitare i token; per monitorare la spesa devono essere abilitate anche le tabelle di sistema.
- 2Databricks è adatto sia a un agente per i dati sia a un agente per l'ingegneria. I permessi di Unity Catalog stabiliscono quali cataloghi e tabelle può vedere ciascuno: concedi quindi all'identità dell'agente l'accesso solo agli schemi necessari per il suo lavoro.
- 3La lettura di esecuzioni, log, tabelle e tabelle di sistema non richiede approvazione. Per eseguire un job o un notebook, creare o modificare risorse di calcolo, scrivere in una tabella o cambiare un permesso, l'agente chiede prima l'approvazione tramite una scheda.
Domande frequenti
Un agente AI può lavorare nei notebook Databricks?
Sì. Un agente Monmo può leggere i notebook, spiegare cosa fa una cella e preparare un nuovo notebook per un'analisi. Prima di salvarlo nel workspace o eseguirlo sulle risorse di calcolo, chiede la tua approvazione: l'esecuzione consuma DBU e può scrivere tabelle. Lavora tramite la connessione a Databricks o, quando questa non copre un'operazione, nel proprio browser.
È sicuro dare a un agente AI accesso ai dati di Unity Catalog?
L'agente AI vede solo ciò che Unity Catalog consente alla sua identità. Assegnagli un service principal con il permesso SELECT sugli schemi necessari e nessun accesso ai dati personali, a meno che il lavoro non lo richieda. La lettura non richiede approvazione; per scrivere dati o modificare permessi, l'agente aspetta la tua approvazione. Puoi revocare l'accesso in qualsiasi momento.
Un agente AI può spiegare perché la fattura Databricks è aumentata?
Può mostrare dove si è verificato l'aumento. Dalla tabella di sistema della fatturazione suddivide le DBU per job, cluster e warehouse, confronta i periodi e indica i job o i cluster responsabili. Suggerisce modifiche, come lo spegnimento automatico o un warehouse più piccolo, e sei tu a decidere quali applicare.
Un agente AI può correggere e riavviare un job Databricks fallito?
L'agente individua la causa, prepara una correzione e chiede prima di riavviare il job. Se la correzione riguarda il codice, apre una pull request in GitHub per la revisione. Se basta riprendere il job dall'attività fallita, ti mostra l'esecuzione su una scheda e la riprende dopo la tua approvazione.
La tua prossima assunzionepotrebbe iniziare oggi.
Crea il tuo primo agente in un minuto. Iniziare è gratis.