Application de chat IA
Intégration de Model Serving, chat en streaming avec AI SDK et historique de chat conservé dans Lakebase.
Créer avec l’IA
- Copiez le prompt ci-dessous
- Collez-le dans Cursor, Claude Code, Codex ou tout autre agent de codage
- Votre agent la crée en posant des questions au fil du processus afin que le résultat corresponde exactement à vos attentes
Vous découvrez les modèles ? En savoir plus ici
Une application de chat IA en streaming sur Databricks : l'utilisateur envoie un message, le serveur s'authentifie via le profil CLI Databricks (ou un token de service principal en production), appelle un serving endpoint de foundation-model par l'intermédiaire du fournisseur compatible OpenAI, puis renvoie la réponse en streaming, token par token. Les sessions de chat et les messages sont conservés dans Lakebase Postgres, de sorte que les conversations résistent aux actualisations de page et aux redéploiements.
Comment les étapes s'articulent
Suivez les étapes dans l'ordre ci-dessous. Chacune apporte un élément concret ; à l'arrivée, vous disposez d'une application déployable. Les Databricks agent skills que vous avez installées fournissent les modèles d'implémentation propres à chaque étape.
- Lancer une Databricks App — générez l'ossature d'une nouvelle Databricks App AppKit avec
databricks apps init(le méta-prompt ci-dessus vérifie déjà le CLI profile via Configurer votre environnement de développement local). - Interroger des endpoints de foundation models — choisissez un modèle de chat (par exemple
databricks-gpt-5-4-mini) et branchezcreateOpenAI()sur l'URL de base/serving-endpointsde votre workspace. - Chat IA en streaming avec Model Serving — ajoutez la route
/api/chatavecstreamText()et une interfaceuseChatreposant surTextStreamChatTransport. - Créer un projet Lakebase — provisionnez un projet managed Postgres, une branch et un endpoint ; relevez les valeurs de connexion.
- Persistance des données avec Lakebase — ajoutez le plugin
lakebase(), la configuration du schéma et la mécanique CRUD sur votre nouveau projet. - Mémoire d'agent Lakebase — créez les tables
chat.chatsetchat.messageset persistez chaque tour de chaque conversation.
Avant de commencer
Chaque étape ci-dessous précise les fonctionnalités du workspace à vérifier. Au total, l'application nécessite un profil CLI Databricks ayant accès à Model Serving (endpoints de foundation-model hébergés par Databricks), à Lakebase Postgres et à Databricks Apps. Effectuez ces vérifications de prérequis en amont pour ne pas buter sur une fonctionnalité restreinte en plein développement.
