Databricks 发布 AgentOps 指南，聚焦 AI 代理生产运维
Databricks 发布《AgentOps 大书》，给出企业规模化运维 AI 代理的架构、评估与治理框架，避免试点无法落地。
AgentOps 是构建、部署和优化生产环境 AI 代理的运维方法，包含架构、评估、可观测性、安全、治理与成本管理。AI 代理能自主选工具、调 API、执行多步任务，也带来新风险。Databricks 新发布的指南覆盖部署模式、交付阶段和治理实践，帮助企业把试点转为可靠系统。
正文摘录
A guide to the people, processes and technologies needed to deploy governed and reliable AI agents at enterprise scale by Pavithra Rao , Jeanne Choo , Kyra Wulffert and Alex Baur AgentOps 是构建、部署和改进生产环境中 AI 智能体的运营纪律。它将架构、评估、可观测性、治理、安全与成本管理整合为一个团队可以重复执行的流程。 AI 智能体不仅仅是一个生成响应的模型。智能体可以在运行时选择工具、检索企业数据、调用 API，并自主完成多步骤任务。每一项能力都可能是出错的地方，比如一次糟糕的工具调用、一个过于宽泛的权限，或者一次没人预料到的成本飙升。 AgentOps 存在的目的，就是不让这种复杂性变成一种负担。做得好，它能让系统足够可靠、赢得信任，同时简单到团队真正可以运营。 生成式 AI 进入企业的速度超过了过去大多数技术浪潮。下一个挑战是把有潜力的试点变成人们可以依赖的系统。 大多数团队都卡在同样的运营问题上： 回答这些问题，需要的不是更强的模型，而是智能体本身的一套运营模式。 这个领域并不陌生。当团队把机器学习模型从 notebook 搬到生产环境时，MLOps 逐渐成熟。LLMOps 随之而来，增加了针对 prompt 与模型版本管理、分布式服务、成本控制的实践。AgentOps 是下一层，它把同样的纪律扩展到能够自主推理、使用工具并采取行动的系统上。 一个生产级智能体需要明确其工具可以触及的边界、多步骤执行的可追踪记录、衡量质量的方式、发生故障时的处理计划，以及工程、产品、安全、合规和财务部门之间足够的对齐，让它在上线时不会让任何人感到意外。 客户体验也印证了这一点。