Modèles pour démarrer votre prochaine Databricks App.
Des prompts à copier-coller pour créer votre application.
- Choisissez un modèle correspondant à ce que vous souhaitez créer.
- Cliquez sur
Copier le promptet collez-le dans votre agent. - Répondez à ses questions, puis laissez-le créer l’application.
Modèles
Application avec Lakebase. [Connectez une Databricks App à Lakebase pour assurer un stockage persistant des données. Inclut la configuration du schéma et des routes d’API CRUD complètes.]
Application d’analytique Genie. [Créez une Databricks App minimale avec l’analytique conversationnelle AI/BI Genie. Couvre la configuration de Genie Agent, la connexion des plugins et le déploiement.]
Lakebase hors plateforme. [Utilisez Lakebase depuis des applications hébergées hors de Databricks App Platform (par exemple sur AWS, Vercel ou Netlify), grâce à des approches portables pour les variables d’environnement, les jetons et Drizzle.]
Analyse des données opérationnelles. [Configuration de bout en bout pour analyser les données de bases de données opérationnelles dans le Lakehouse : Unity Catalog avec stockage externe, provisionnement de Lakebase, réplication via Lakebase Change Data Feed (CDF) et pipeline d’architecture en médaillon avec couches silver et gold.]
Configurez votre environnement de développement local. [Installez la Databricks CLI, authentifiez un profil et vérifiez la connexion. Il s’agit d’un prérequis indispensable pour toutes les autres recettes et tous les modèles DevHub.]
Créez une Databricks App. [Créez l’ossature d’une nouvelle Databricks App avec AppKit à l’aide de `databricks apps init`, exécutez-la localement et déployez-la dans votre espace de travail.]
Configurez votre agent de codage. [Installez les compétences d’agent Databricks (au niveau du projet), configurez le Docs MCP Server DevHub et initialisez un fichier AGENTS.md afin que votre assistant de codage connaisse les valeurs par défaut de l’espace de travail de ce dépôt.]
Créez un projet Lakebase. [Provisionnez un projet Lakebase Postgres géré sur Databricks et récupérez les paramètres de connexion requis par les modèles en aval.]
Persistance des données Lakebase. [Ajoutez une base de données Postgres gérée à votre Databricks App à l’aide du plugin Lakebase. Couvre la configuration du schéma, la création de tables et des routes d’API REST CRUD complètes.]
Lakebase pgvector. [Activez la recherche de similarité vectorielle dans Lakebase à l’aide de l’extension pgvector. Couvre la configuration de l’extension, la conception des tables vectorielles, les fonctions utilitaires d’insertion et de recherche par similarité cosinus, ainsi que les options d’index IVFFlat/HNSW.]
Interrogez les points de terminaison de modèles de fondation. [Interrogez les points de terminaison de modèles de fondation Databricks pour accéder en production à des modèles hébergés avec la gouvernance intégrée d’AI Gateway.]
Générez des embeddings avec des modèles de fondation. [Générez des embeddings de texte à partir d’un point de terminaison de modèle de fondation Databricks à l’aide du SDK Databricks.]
Créez un point de terminaison Databricks Model Serving. [Créez et validez un point de terminaison Databricks Model Serving pour l’inférence de chat IA dans Databricks Apps.]
Chat IA en streaming avec Model Serving. [Créez une expérience de chat IA en streaming à l’aide d’AI SDK et de points de terminaison Databricks Model Serving.]
Mémoire d’agent Lakebase. [Conservez les sessions et les messages de chat de votre agent IA dans Lakebase afin que les utilisateurs puissent reprendre leurs conversations et que votre agent puisse s’appuyer sur les échanges précédents entre les déploiements.]
Lakebase Change Data Feed : synchroniser Lakebase avec Unity Catalog (autoscaling). [Répliquez les tables Lakebase Autoscaling Postgres dans Unity Catalog sous forme de tables Delta gérées à l’aide de Lakebase Change Data Feed (CDF), avec un historique SCD de type 2 complet.]
Synchroniser les tables : Unity Catalog vers Lakebase (autoscaling). [Synchronisez les tables Unity Catalog avec Lakebase Autoscaling Postgres sous forme de tables synchronisées, pour des requêtes applicatives à faible latence, en mode instantané, déclenché ou continu.]
Configurez Unity Catalog avec un stockage externe. [Créez un catalogue Unity Catalog adossé à un compartiment S3 externe, avec des identifiants de stockage, un emplacement externe et un schéma prêt pour les tables Lakehouse.]
Analytique conversationnelle Genie. [Intégrez une interface de chat Databricks AI/BI Genie afin que les utilisateurs puissent explorer les données en langage naturel. Configurez un Genie Agent, connectez les plugins serveur et client, déclarez les ressources de l’application et déployez.]
Sélecteur multi-agents Genie. [Ajoutez un sélecteur afin que les utilisateurs puissent basculer entre plusieurs Genie Agents AI/BI depuis une seule page. Couvre la configuration serveur avec plusieurs alias, les ressources de bundle par agent et le nettoyage automatique des conversations lors du changement d’agent et du redéploiement.]
Architecture en médaillon à partir de tables d’historique CDC. [Transformez les tables d’historique Lakebase Change Data Feed en une architecture en médaillon avec des couches silver (état actuel) et gold (agrégations) à l’aide de Lakeflow Spark Declarative Pipelines.]
Gestion des environnements Lakebase pour les applications hors plateforme. [Définissez et validez des variables d’environnement multiplateformes pour les applications reposant sur Lakebase et déployées en dehors de Databricks App Platform.]
Gestion des jetons Lakebase. [Implémentez des flux de jetons d’identification Lakebase et d’espace de travail mis en cache pour sécuriser l’accès à Postgres dans les déploiements hors plateforme.]
Drizzle + Lakebase dans une application hors plateforme. [Connectez l’ORM Drizzle à Lakebase avec des callbacks de mot de passe pg et des identifiants DATABASE_URL temporaires lors des migrations.]
Gestionnaire de fichiers de volumes. [Ajoutez l’importation, la navigation, le téléchargement et la suppression de fichiers, la validation des types de fichiers et l’aperçu des lignes CSV à votre Databricks App à l’aide des volumes Unity Catalog.]
Console opérationnelle de locations de vacances. [Tableau de bord opérationnel de locations de vacances, avec analyses des revenus à partir d’un SQL warehouse, une file de réservations avec indicateurs et notes d’agent stockés dans Lakebase, ainsi qu’un panneau de chat Genie intégré.]
Suivi des abonnements SaaS. [Outil interne de suivi des abonnements SaaS de l’équipe, de leurs responsables, de leurs coûts et de leurs renouvellements, avec persistance dans Lakebase et analyses des dépenses avec Genie.]
Modérateur de contenu. [Outil interne de modération de contenu avec directives par canal, évaluation de la conformité optimisée par l’IA via Model Serving et workflow de révision par un modérateur reposant sur Lakebase et les analyses Genie.]
Gestion intelligente des stocks. [Gestion des stocks de détail avec prévision de la demande optimisée par l’IA, recommandations de réapprovisionnement et analyses Genie facultatives. Basée sur un pipeline en médaillon en temps réel synchronisé avec Lakebase.]
Application de chat RAG. [Application de chat de génération augmentée par récupération en streaming, avec récupération pgvector depuis Lakebase, corpus initial issu de Wikipedia, génération via Model Serving et historique de chat stocké dans Lakebase. Utilisée via `databricks apps init`.]
Databricks Developer Hub