Skip to main content
Databricks 提供了一个数据和 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 - 通过高可用、低延迟的推理端点，访问最先进的 LLM，例如 DBRX、Llama3、Mixtral 或您在 Databricks 模型服务 上微调的模型。LangChain 提供了 LLM (Databricks)、聊天模型 (ChatDatabricks) 和嵌入 (DatabricksEmbeddings) 实现，简化了将您托管在 Databricks 模型服务上的模型与 LangChain 应用程序集成的过程。
  2. 📃 向量搜索 - Databricks 向量搜索 是一个无服务器向量数据库，无缝集成在 Databricks 平台中。使用 DatabricksVectorSearch 类将 LangChain 连接到您 Databricks 账户中的向量搜索索引。
  3. 📊 MLflow - MLflow 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 简化了开发和运营现代复合 ML 系统的过程。
  4. 🌐 SQL 数据库 - Databricks SQL 与 LangChain 中的 SQLDatabase 集成，允许您访问自动优化、性能卓越的数据仓库。
  5. 💡 开放模型 - Databricks 开源模型，例如 DBRX，可通过 Hugging Face Hub 获取。这些模型可以直接与 LangChain 一起使用，利用其与 transformers 库的集成。

​
安装

第一方 Databricks 集成现已在 databricks-langchain 合作伙伴包中提供。 
pip install databricks-langchain
旧版 langchain-databricks 合作伙伴包仍然可用，但即将弃用。

​
聊天模型

ChatDatabricks 是一个聊天模型类，用于访问托管在 Databricks 上的聊天端点，包括最先进的模型（如 Llama3、Mixtral 和 DBRX）以及您自己微调的模型。 
from databricks_langchain import ChatDatabricks

chat_model = ChatDatabricks(endpoint="databricks-meta-llama-3-70b-instruct")
有关如何在 LangChain 应用程序中使用它的更多指导，请参阅使用示例。

​
LLM

Databricks 是一个 LLM 类，用于访问托管在 Databricks 上的补全端点。
文本补全模型已被弃用，最新且最受欢迎的模型是聊天补全模型。请改用 ChatDatabricks 聊天模型来使用这些模型以及工具调用等高级功能。
from langchain_community.llm.databricks import Databricks

llm = Databricks(endpoint="your-completion-endpoint")
有关如何在 LangChain 应用程序中使用它的更多指导，请参阅使用示例。

​
嵌入

DatabricksEmbeddings 是一个嵌入类，用于访问托管在 Databricks 上的文本嵌入端点，包括最先进的模型（如 BGE）以及您自己微调的模型。 
from databricks_langchain import DatabricksEmbeddings

embeddings = DatabricksEmbeddings(endpoint="databricks-bge-large-en")
有关如何在 LangChain 应用程序中使用它的更多指导，请参阅使用示例。

​
向量搜索

Databricks 向量搜索是一个无服务器相似性搜索引擎，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。通过向量搜索，您可以从由 Unity Catalog 管理的 Delta 表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?)
有关如何设置向量索引并将其与 LangChain 集成，请参阅使用示例。

​
MLflow 集成

在 LangChain 集成的背景下，MLflow 提供以下功能：
  • 实验跟踪：跟踪和存储来自您 LangChain 实验的模型、工件和跟踪信息。
  • 依赖管理：自动记录依赖库，确保开发、预生产和生产环境之间的一致性。
  • 模型评估：提供评估 LangChain 应用程序的原生功能。
  • 跟踪：可视化跟踪数据流经您的 LangChain 应用程序。
请参阅 MLflow LangChain 集成，通过大量代码示例和指南了解使用 MLflow 与 LangChain 的全部功能。

​
SQLDatabase

要连接到 Databricks SQL 或查询结构化数据，请参阅 Databricks 结构化检索器工具文档，要使用上述创建的 SQL UDF 创建代理，请参阅 Databricks UC 集成。

​
开放模型

要直接集成托管在 HuggingFace 上的 Databricks 开放模型，您可以使用 LangChain 的 HuggingFace 集成。 
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?")
将这些文档通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。
在 GitHub 上编辑此页面 或 提交问题。