Agent Bricks: Definition, Templates und Abgrenzung

Agent Bricks ist ein Produkt der Datenplattform Databricks, das für typische KI-Assistenten fertige Bauvorlagen (Templates) bereitstellt, deren Antwortqualität automatisch bewertet (Evaluation) und über eine dauerhafte Schnittstelle ausliefert (Model Serving). Die Läufe werden über MLflow, das Databricks-Werkzeug für die Nachvollziehbarkeit von KI-Modellen, dokumentiert.

Was ist Agent Bricks?

Agent Bricks ist Teil des Mosaic-AI-Bündels von Databricks (der Sammelbezeichnung für die KI-Werkzeuge der Plattform) und liegt zwischen zwei Extremen: einem KI-Assistenten komplett selbst programmieren oder einen fertigen Software-Dienst (SaaS) einkaufen. Der Ansatz arbeitet mit Bauvorlagen (Templates): Ein Team beschreibt den Anwendungsfall, verbindet die nötigen Daten aus dem Databricks-Datenkatalog Unity Catalog und legt einige Beispielfragen mit Wunsch-Antworten ab. Aus diesem Input erzeugt die Plattform zusätzliche Testfragen automatisch, vergleicht verschiedene Kombinationen aus Sprachmodell, Anweisungstext (Prompt) und Datensuche (Retrieval) gegen dieselbe Testgrundlage und stellt die beste Variante als dauerhaft erreichbare Schnittstelle bereit. Alle Läufe, Einstellungen und Ergebnisse werden über MLflow protokolliert, das Databricks-Werkzeug für die Nachvollziehbarkeit von KI-Modellen.

Databricks beschreibt für Agent Bricks mehrere spezialisierte Templates. Der Knowledge Assistant adressiert Q&A auf internen Dokumenten und Wissensbeständen. Information Extraction überführt Inhalte aus unstrukturierten Dokumenten in ein definiertes Ziel-Schema. Der Multi-Agent Supervisor verteilt Anfragen zwischen spezialisierten Sub-Agenten. Ein Custom-LLM-Template deckt eng definierte Sprach- und Antwortaufgaben ab, bei denen Prompting allein nicht stabil genug bleibt. Anzahl, Funktionsumfang und Reifegrad sind produktabhängig und regional unterschiedlich verfügbar.

Der Kern-Unterschied zu einem reinen Framework-Setup liegt in der Integration von Evaluation und Optimierung. Synthetische Test-Sets, automatisierte Antwort-Bewertung durch ein Bewertungsmodell und wiederholbare Vergleichsläufe werden als Standard mitgeliefert, statt in jedem Projekt einzeln entwickelt zu werden. Der zugrundeliegende Eval-Mechanismus steht als MLflow Agent Eval auch außerhalb der Templates zur Verfügung.

Als Produktkategorie verortet Gartner Agent Bricks bei den „Agent Development Platforms" (Hype Cycle for Agentic AI 2026). Damit steht das Produkt in einer Reihe mit Salesforce Agentforce-Platform, Microsoft Copilot Studio und AWS Bedrock Agents. Die Plattformen unterscheiden sich vor allem in der Datennähe: Agent Bricks setzt Lakehouse-nah auf, Agentforce-Platform CRM-nah, Copilot Studio Microsoft-365-nah.

Abgrenzung zu Agent Framework, Mosaic AI und Genie

Der Begriff wird häufig mit anderen Databricks-Komponenten oder mit generischen Agent-Frameworks vermischt. Die folgende Übersicht ordnet die Nachbarn.

Begriff	Was ist es?	Wo passt es?
Agent Bricks	Template-getriebenes Produkt mit integrierter Evaluation und Serving	Standard-Use-Cases wie Q&A, Extraktion, Multi-Agent-Routing auf Databricks
Databricks Agent Framework	Frei programmierbarer Agent-Bau mit MLflow-Integration	Individuelle Orchestrierung, komplexe Zustandslogik, spezielle Tool-Abläufe
Mosaic AI	Marketing-Dach für den Databricks-AI-Stack als Ganzes	Bezeichnet das Produkt-Bündel (Foundation Model APIs, Model Serving, Agent Bricks, MLflow)
Genie	Natürlichsprachliche Analyse strukturierter Daten (Text-to-SQL)	Fragen über Tabellen und Business-Metriken, keine Dokumenten-/Agenten-Aufgaben
LangGraph, CrewAI, Microsoft Agent Framework	Programmier-Bibliotheken für den Eigenbau	Framework-Ebene außerhalb einer Plattform, hohe Kontrolle bei mehr Setup-Aufwand

Agent Bricks und das Agent Framework nutzen die gleiche Databricks-Plattform, adressieren aber verschiedene Reifegrade des Anwendungsfalls: Templates greifen bei standardisierten Aufgaben, das Framework bei individuellen. Mosaic AI ist keine Alternative zu Agent Bricks, weil Agent Bricks Teil von Mosaic AI ist. Genie deckt einen anderen Aufgabentyp ab (Analyse strukturierter Daten), auch wenn beide Produkte im gleichen Databricks-Kontext stehen.

Beispiel: Knowledge Assistant auf internen Dokumenten

Ein Team baut einen Wissensassistenten auf internen Handbüchern und Vertragsvorlagen. Statt einen vollständigen RAG-Stack aus Chunking-Logik, Vector-Search-Index, Prompt-Iteration, Eval-Pipeline und Serving-Endpoint separat zu entwickeln, konfiguriert das Team das Knowledge-Assistant-Template. Als Datengrundlage dient eine Unity-Catalog-Tabelle mit den vorverarbeiteten Dokumenten. Ein kleiner Satz repräsentativer Fragen und gewünschter Antworten bildet den Startpunkt für die Evaluation. Aus diesem Startpunkt erzeugt die Plattform zusätzliche synthetische Testfälle, die vor dem Rollout fachlich geprüft und ergänzt werden.

Prompt-, Retrieval- und Modellvarianten laufen gegen dasselbe Testset. Ein Bewertungsmodell schätzt die Antworten anhand definierter Kriterien wie Faktentreue, Vollständigkeit und Format ein. Die ausgewählte Konfiguration wird als Model-Serving-Endpoint bereitgestellt und in MLflow mit Runs, Parametern und Kosten-Informationen verknüpft. MLflow Tracing ergänzt die Evaluation um eine detaillierte Sicht auf Modell-, Retrieval- und Tool-Aufrufe pro Anfrage.