Aplicação de Chat de IA
Integração com Model Serving, chat com streaming do AI SDK e histórico de chat persistido no Lakebase.

Crie com IA
- Copie o prompt abaixo
- Cole-o no Cursor, Claude Code, Codex ou em qualquer agente de programação
- Seu agente cria o app, fazendo perguntas ao longo do processo para que o resultado seja exatamente como você deseja
Não conhece os modelos? Saiba mais aqui
Um aplicativo de chat com IA em streaming no Databricks: o usuário envia uma mensagem, o servidor se autentica com o perfil da Databricks CLI (ou com um token de service principal em produção), chama um serving endpoint de modelo de fundação por meio do provedor compatível com OpenAI e devolve a resposta em streaming, token a token. As sessões de chat e as mensagens são persistidas no Lakebase Postgres, de modo que as conversas sobrevivem a recarregamentos da página e a novos deploys.
Como as etapas se encaixam
Siga as etapas na ordem abaixo. Cada uma acrescenta uma peça concreta; ao final, você terá um app pronto para deploy. As Databricks agent skills instaladas fornecem os padrões de implementação de cada etapa.
- Spin Up a Databricks App — faça o scaffold de um novo Databricks App com AppKit usando
databricks apps init(o meta-prompt acima já verifica o perfil da Databricks CLI por meio de Set Up Your Local Dev Environment). - Query Foundation Model Endpoints — escolha um modelo de chat (por exemplo,
databricks-gpt-5-4-mini) e configurecreateOpenAI()com a URL base/serving-endpointsdo seu workspace. - Streaming AI Chat with Model Serving — adicione a rota
/api/chatcomstreamText()e uma UIuseChatapoiada porTextStreamChatTransport. - Criar um projeto Lakebase — provisione um projeto, branch e endpoint de managed Postgres; anote os valores de conexão.
- Lakebase Data Persistence — adicione o plugin
lakebase(), a configuração do schema e a estrutura de CRUD no seu novo projeto. - Lakebase Agent Memory — crie as tabelas
chat.chatsechat.messagese persista cada turno de todas as conversas.
Antes de começar
Cada etapa abaixo lista suas próprias verificações de recursos do workspace. No conjunto, o app precisa de um perfil da Databricks CLI com acesso ao Model Serving (endpoints de modelos de fundação hospedados pela Databricks), ao Lakebase Postgres e aos Databricks Apps. Faça as verificações de pré-requisitos de todas as etapas logo no início para não esbarrar em recursos bloqueados no meio do desenvolvimento.




