Genie Code

Genie Code ist Databricks' KI-Assistent für Entwickler-Rollen (Data Engineering, Analytics Engineering, Data Science), der aus einer Chat-Anweisung ausführbaren Code sowie ganze Pipelines und Dashboards im Databricks-Workspace erzeugt. Der Assistent wurde im März 2026 vorgestellt und ist die agentische Erweiterung des älteren Databricks Assistant (Vorschläge in Notebook-Zellen). Genie Code arbeitet konversationell, kennt den gesamten Workspace-Kontext und kann mehrere Schritte selbstständig ausführen.

Was ist Genie Code?

Genie Code ist eine eigene Variante innerhalb der „One Genie"-Klammer der Databricks Data Intelligence Platform. Wo das ursprüngliche Genie (Text-to-SQL) auf Fachanwender in einem kuratierten Genie Space zielt und Antworten auf Datenfragen liefert, richtet sich Genie Code an technische Rollen und liefert Artefakte: SQL-Abfragen, Python- und PySpark-Skripte, Notebook-Zellen, Job- und Pipeline-Definitionen sowie Dashboards. Der Assistent läuft als Chat-Oberfläche innerhalb des Databricks-Workspaces und ist optional in Notebooks eingebettet.

Fünf Bausteine machen Genie Code aus. Erstens ein Chat-Interface im Workspace, das mehrstufige Anweisungen in natürlicher Sprache aufnimmt und den Verlauf über eine Session hält. Zweitens ein Unity-Catalog-Kontext: Genie Code liest Tabellen, Views, Spaltenbeschreibungen und die Genie Ontology (der Semantik-Layer für Kennzahlen und Beziehungen) transitiv über den Katalog. Sichtbar ist nur, wofür der ausführende Nutzer eine Freigabe hat; Zeilenfilter, Spaltenmasken und Berechtigungen wirken. Drittens agentische Ausführung: Genie Code kann Aufgaben in Zwischenschritte zerlegen, Code testen, Fehler diagnostizieren und Ergebnisse iterieren, bis die Aufgabe erfüllt ist. Viertens Skills und Tools, also konfigurierbare Fähigkeiten wie das Anlegen eines Auto-Loader-Ingests, das Aufsetzen eines Jobs oder das Erzeugen eines Dashboards. Fünftens Spaces, die geteilte Arbeitsbereiche mit ausgewählten Nutzern definieren; jeder Space bündelt Datenzugriff, Verlauf und Ergebnisse.

Der Begriff existiert, weil der ältere Databricks Assistant (Cell-basiert im Notebook) an die Grenzen des Zellen-Modells stößt, sobald eine Aufgabe mehrere Zellen, mehrere Tabellen oder einen ganzen Datenfluss umfasst. Genie Code adressiert das, indem es den gesamten Workspace-Kontext einbezieht und aus einer Anweisung Pipelines, Jobs oder Dashboards als Ganzes erzeugt.

Abgrenzung zu verwandten Begriffen

Genie Code wird häufig mit dem BI-orientierten Genie, mit dem Vorgänger Databricks Assistant, mit externen IDE-Assistenten wie GitHub Copilot oder mit der Genie Ontology verwechselt. Die Abgrenzung verläuft entlang der Zielrolle und der Position im Databricks-Stack.

Am wichtigsten ist die Trennung zwischen Genie als BI-Assistent (eine Antwort auf eine Datenfrage) und Genie Code als Coding-Assistent (Artefakte, die im Workspace weiterverwendet werden). Beide teilen die Marke, den Katalog-Anschluss und das Sprachmodell-Fundament, adressieren aber unterschiedliche Rollen und produzieren unterschiedliche Ergebnisse.

Beispiel: Silber-Tabelle mit PySpark und Auto-Loader-Ingest

In einem Databricks-Workspace soll aus einer bestehenden Bronze-Ingest-Tabelle eine neue Silber-Tabelle mit Deduplizierung und Zeitzonen-Standardisierung abgeleitet und die Verarbeitung als Job geplant werden. Statt Notebook-Zellen händisch aufzusetzen, formuliert der Tabellen-Owner die Aufgabe in Genie Code: „Bau eine PySpark-Transformation, die aus bronze.orders die Silber-Tabelle silver.orders_clean mit Deduplizierung nach order_id und UTC-Zeitzonen erzeugt. Ergebnis als Delta-Tabelle mit Change Data Feed, partitioniert nach order_date. Danach ein Auto-Loader-Ingest für die tägliche Neuverarbeitung und ein Job, der beides verkettet."

Genie Code liest die Spalten und Datentypen von bronze.orders aus dem Unity Catalog, erzeugt einen ausführbaren PySpark-Block mit Deduplizierungslogik und Zeitzonen-Konvertierung, konfiguriert einen Auto-Loader-Ingest mit passendem Schema-Handling und legt einen zweistufigen Job mit Abhängigkeiten an. Der Tabellen-Owner prüft die Vorschläge, führt den PySpark-Block im Notebook aus, korrigiert eine Spalten-Zuordnung im Chat und übernimmt das fertige Job-Skelett anschließend in ein Databricks Asset Bundle für die produktive Auslieferung.

Das Beispiel zeigt die typische Architekturposition: Genie Code sitzt als agentischer Coding-Layer im Workspace, liest den Katalog-Kontext für Schema-Kenntnis, erzeugt Artefakte (Notebook-Code, Ingest-Konfiguration, Job) und übergibt das Ergebnis an die etablierten Bausteine des Data-Engineering-Workflows (Notebooks, Jobs, Asset Bundles).