> ## Documentation Index
> Fetch the complete documentation index at: https://langchain-docs-zh.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Databricks 集成

> Databricks 提供了一个数据与 AI 平台（通常称为 Databricks Lakehouse），用于分析、机器学习和生成式 AI 工作负载。

> [Databricks](https://www.databricks.com/) 提供了一个数据与 AI 平台（通常称为 Databricks Lakehouse），用于分析、机器学习和生成式 AI 工作负载。

Databricks 以多种方式拥抱 LangChain 生态系统：

1. 🚀 **模型服务** - 通过 [Databricks 模型服务](https://www.databricks.com/product/model-serving) 访问最先进的 LLM，如 DBRX、Llama3、Mixtral 或您微调的模型，通过高可用性和低延迟的推理端点。LangChain 提供 LLM (`Databricks`)、对话模型 (`ChatDatabricks`) 和嵌入 (`DatabricksEmbeddings`) 实现，简化了您在 Databricks 模型服务上托管的模型与您的 LangChain 应用的集成。
2. 📃 **向量搜索** - [Databricks 向量搜索](https://www.databricks.com/product/machine-learning/vector-search) 是一个无服务器的向量数据库，无缝集成在 Databricks 平台内。使用 `DatabricksVectorSearch` 类将 LangChain 连接到您 Databricks 账户中的向量搜索索引。
3. 📊 **MLflow** - [MLflow](https://mlflow.org/) 是一个开源平台，用于管理完整的 ML 生命周期，包括实验管理、评估、跟踪、部署等。[MLflow 的 LangChain 集成](https://langchain-docs-zh.mintlify.site/langchain/oss/python/integrations/providers/mlflow_tracking.md) 简化了开发和操作现代复合 ML 系统的过程。
4. 🌐 **SQL 数据库** - [Databricks SQL](https://www.databricks.com/product/databricks-sql) 与 `SQLDatabase` 在 LangChain 中集成，允许您访问自动优化、性能卓越的数据仓库。
5. 💡 **开源模型** - Databricks 开源模型，如 [DBRX](https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm)，可通过 [Hugging Face Hub](https://huggingface.co/databricks/dbrx-instruct) 获取。这些模型可直接与 LangChain 一起使用，利用其与 `transformers` 库的集成。
6. 🧪 **沙盒** - 在隔离的 Databricks 沙盒内运行 [Deep Agents](https://github.com/langchain-ai/deepagents) shell 和文件系统工具，使用 `DatabricksSandbox` 后端。

## 安装

第一方 Databricks 集成现在可在 databricks-langchain 合作包中获取。

```bash pip theme={null}
pip install databricks-langchain
```

```bash uv theme={null}
uv add databricks-langchain
```

传统的 langchain-databricks 合作包仍然可用，但将很快被弃用。

## 对话模型

`ChatDatabricks` 是一个对话模型类，用于访问 Databricks 上托管的聊天端点，包括最先进的模型，如 Llama3、Mixtral 和 DBRX，以及您自己的微调模型。

```
from databricks_langchain import ChatDatabricks

chat_model = ChatDatabricks(endpoint="databricks-meta-llama-3-70b-instruct")
```

查看 [使用示例](https://langchain-docs-zh.mintlify.site/langchain/oss/python/integrations/chat/databricks.md)，以获取更多关于如何在您的 LangChain 应用中使用它的指导。

## 嵌入

`DatabricksEmbeddings` 是一个嵌入类，用于访问 Databricks 上托管的文本嵌入端点，包括最先进的模型，如 BGE，以及您自己的微调模型。

```
from databricks_langchain import DatabricksEmbeddings

embeddings = DatabricksEmbeddings(endpoint="databricks-bge-large-en")
```

查看 [使用示例](https://langchain-docs-zh.mintlify.site/langchain/oss/python/integrations/embeddings/databricks.md)，以获取更多关于如何在您的 LangChain 应用中使用它的指导。

## 向量搜索

Databricks 向量搜索是一个无服务器的相似性搜索引擎，允许您将数据的向量表示（包括元数据）存储在向量数据库中。使用向量搜索，您可以从由 [Delta](https://docs.databricks.com/en/introduction/delta-comparison.html) 表管理的 [Unity Catalog](https://www.databricks.com/product/unity-catalog) 创建自动更新的向量搜索索引，并使用简单的 API 查询它们以返回最相似的向量。

```
from databricks_langchain import DatabricksVectorSearch

dvs = DatabricksVectorSearch(
    endpoint="<YOUT_ENDPOINT_NAME>",
    index_name="<YOUR_INDEX_NAME>",
    index,
    text_column="text",
    embedding=embeddings,
    columns=["source"]
)
docs = dvs.similarity_search("What is vector search?)
```

查看 [使用示例](https://langchain-docs-zh.mintlify.site/langchain/oss/python/integrations/vectorstores/databricks_vector_search.md)，了解如何设置向量索引并将其与 LangChain 集成。

## MLflow 集成

在 LangChain 集成的上下文中，MLflow 提供以下功能：

* **实验跟踪**：跟踪和存储您的 LangChain 实验的模型、工件和跟踪。
* **依赖管理**：自动记录依赖库，确保开发、测试和生产环境的一致性。
* **模型评估** 提供对 LangChain 应用的原生评估能力。
* **跟踪**：可视化跟踪数据流通过您的 LangChain 应用。

查看 [MLflow LangChain 集成](https://langchain-docs-zh.mintlify.site/langchain/oss/python/integrations/providers/mlflow_tracking.md)，了解使用 MLflow 与 LangChain 的全部功能，包括广泛的代码示例和指南。

## SQLDatabase

要连接到 Databricks SQL 或查询结构化数据，请参阅 [Databricks 结构化检索工具文档](https://docs.databricks.com/en/generative-ai/agent-framework/structured-retrieval-tools.html#table-query-tool)，并使用上面创建的 SQL UDF 创建代理，请参阅 [Databricks UC 集成](https://docs.unitycatalog.io/ai/integrations/langchain/)。

## 开源模型

要直接集成 Databricks 在 HuggingFace 上托管的开放模型，您可以使用 LangChain 的 [HuggingFace 集成](https://langchain-docs-zh.mintlify.site/langchain/oss/python/integrations/providers/huggingface.md)。

```
from langchain_huggingface import HuggingFaceEndpoint

llm = HuggingFaceEndpoint(
    repo_id="databricks/dbrx-instruct",
    task="text-generation",
    max_new_tokens=512,
    do_sample=False,
    repetition_penalty=1.03,
)
llm.invoke("What is DBRX model?")
```

## 沙盒

`DatabricksSandbox` 在隔离的 Databricks 沙盒内运行 [Deep Agents](https://github.com/langchain-ai/deepagents) shell 和文件系统工具。安装 `deepagents` 附加组件，然后将正在运行的沙盒包装为 deepagents 后端。

```bash pip theme={null}
pip install 'databricks-langchain[deepagents]>=0.22.0'
```

```bash uv theme={null}
uv add 'databricks-langchain[deepagents]>=0.22.0'
```

```
from databricks.sdk import WorkspaceClient

from databricks_langchain import DatabricksSandbox

client = WorkspaceClient()
backend = DatabricksSandbox(client, "sandboxes/my-sandbox")
result = backend.execute("echo hello")
print(result.output)
```

查看 [使用示例](https://langchain-docs-zh.mintlify.site/langchain/oss/python/integrations/sandboxes/databricks.md)，了解如何进行配置、Deep Agents 使用和生命周期。

***

> 官方原文：[src/oss/python/integrations/providers/databricks.mdx](https://github.com/langchain-ai/docs/blob/main/src/oss/python/integrations/providers/databricks.mdx) · 非官方翻译，译文由 AI 生成，以英文原文为准。


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.