Aplicación de chat de IA

Una aplicación de chat de IA con streaming en Databricks: el usuario envía un mensaje, el servidor se autentica con el perfil de la CLI de Databricks (o con un token de service principal en producción), llama a un endpoint de serving de un modelo fundacional mediante el proveedor compatible con OpenAI y devuelve la respuesta en streaming, token a token. Las sesiones de chat y los mensajes se persisten en Lakebase Postgres, de modo que las conversaciones se mantienen tras recargar la página o volver a desplegar.

Cómo encajan los pasos entre sí

Sigue los pasos en el orden indicado. Cada uno aporta una pieza concreta; al final tendrás una aplicación lista para desplegar. Los Databricks agent skills que tienes instalados aportan los patrones de implementación de cada paso.

1. Poner en marcha una Databricks App — genera el scaffold de una Databricks App con AppKit desde cero mediante databricks apps init (el meta-prompt anterior ya verifica el perfil de la CLI mediante Configura tu entorno de desarrollo local).
2. Consultar endpoints de modelos fundacionales — elige un modelo de chat (por ejemplo, databricks-gpt-5-4-mini) y configura createOpenAI() con la URL base /serving-endpoints de tu workspace.
3. Chat de IA en streaming con Model Serving — añade la ruta /api/chat con streamText() y una UI con useChat respaldada por TextStreamChatTransport.
4. Crear un proyecto de Lakebase — aprovisiona un proyecto, una branch y un endpoint de managed Postgres; anota los valores de conexión.
5. Persistencia de datos en Lakebase — añade el plugin lakebase(), la configuración del schema y la lógica CRUD sobre tu nuevo proyecto.
6. Memoria del agente en Lakebase — crea las tablas chat.chats y chat.messages y persiste cada turno de cada conversación.

Antes de empezar

Cada paso indica sus propias comprobaciones de funcionalidades del workspace. En conjunto, la aplicación necesita un perfil del CLI de Databricks con acceso a Model Serving (endpoints de modelos fundacionales alojados en Databricks), Lakebase Postgres y Databricks Apps. Ejecuta las comprobaciones de requisitos previos de cada paso desde el principio para no toparte con funcionalidades restringidas a mitad del desarrollo.