Skip to main content
Databricks 智能平台是全球首个由生成式 AI 驱动的数据智能平台。将 AI 融入您业务的方方面面。
Databricks 以多种方式拥抱 LangChain 生态系统：
  1. 🚀 模型服务（Model Serving） - 通过高可用、低延迟的推理端点，访问 Databricks Model Serving 上的最新 LLM（如 DBRX、Llama3、Mixtral）或您的微调模型。LangChain 提供了 LLM（Databricks）、Chat Model（ChatDatabricks）和 Embeddings（DatabricksEmbeddings）的实现，简化了将托管在 Databricks Model Serving 上的模型与您的 LangChain 应用程序集成的过程。
  2. 📃 向量搜索（Vector Search） - Databricks Vector Search 是一个无服务器向量数据库，无缝集成在 Databricks 平台中。使用 DatabricksVectorSearch，您可以将高度可扩展且可靠的相似度搜索引擎集成到您的 LangChain 应用程序中。
  3. 📊 MLflow - MLflow 是一个开源平台，用于管理完整的机器学习生命周期，包括实验管理、评估、追踪、部署等。MLflow 的 LangChain 集成 简化了现代复合机器学习系统的开发与运维流程。
  4. 🌐 SQL 数据库 - Databricks SQL 已与 LangChain 中的 SQLDatabase 集成，使您能够访问自动优化、性能卓越的数据仓库。
  5. 💡 开放模型 - Databricks 开源了诸如 DBRX 等模型，这些模型可通过 Hugging Face Hub 获取。借助其与 transformers 库的集成，这些模型可直接与 LangChain 配合使用。

​
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
旧的 langchain-databricks 合作伙伴包仍然可用，但即将弃用。

​
Chat Model

ChatDatabricks 是一个 Chat Model 类，用于访问托管在 Databricks 上的聊天端点，包括最新的模型（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")
请参阅 使用示例，了解如何在您的 LangChain 应用程序中使用它的更多指导。

​
LLM

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

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

​
Embeddings

DatabricksEmbeddings 是一个 Embeddings 类，用于访问托管在 Databricks 上的文本嵌入端点，包括最新的模型（如 BGE）以及您自己的微调模型。 
from databricks_langchain import DatabricksEmbeddings

embeddings = DatabricksEmbeddings(endpoint="databricks-bge-large-en")
请参阅 使用示例，了解如何在您的 LangChain 应用程序中使用它的更多指导。 Databricks Vector Search 是一个无服务器的相似度搜索引擎，允许您将数据（包括元数据）的向量表示形式存储在向量数据库中。借助 Vector Search，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，并通过简单的 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?)
请参阅 使用示例，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：
  • 实验追踪（Experiment Tracking）：追踪并存储来自您 LangChain 实验的模型、工件和追踪记录。
  • 依赖管理（Dependency Management）：自动记录依赖库，确保开发、暂存和生产环境之间的一致性。
  • 模型评估（Model Evaluation）：提供用于评估 LangChain 应用程序的原生功能。
  • 追踪（Tracing）：可视化追踪数据在您 LangChain 应用程序中的流动路径。
请参阅 MLflow LangChain 集成，通过丰富的代码示例和指南了解将 MLflow 与 LangChain 结合使用的全部功能。

​
SQLDatabase

要连接到 Databricks SQL 或查询结构化数据，请参阅 Databricks 结构化检索工具文档。若要使用上述创建的 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?")
在 GitHub 上编辑此页面 或 提交问题。
连接这些文档 到 Claude、VSCode 等，通过 MCP 获取实时答案。