Ir para o conteúdo principal

Aplicação de Chat de IA

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

Prévia de Aplicação de Chat de IA

Crie com IA

  1. Copie o prompt abaixo
  2. Cole-o no Cursor, Claude Code, Codex ou em qualquer agente de programação
  3. 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.

  1. 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).
  2. Query Foundation Model Endpoints — escolha um modelo de chat (por exemplo, databricks-gpt-5-4-mini) e configure createOpenAI() com a URL base /serving-endpoints do seu workspace.
  3. Streaming AI Chat with Model Serving — adicione a rota /api/chat com streamText() e uma UI useChat apoiada por TextStreamChatTransport.
  4. Criar um projeto Lakebase — provisione um projeto, branch e endpoint de managed Postgres; anote os valores de conexão.
  5. Lakebase Data Persistence — adicione o plugin lakebase(), a configuração do schema e a estrutura de CRUD no seu novo projeto.
  6. Lakebase Agent Memory — crie as tabelas chat.chats e chat.messages e 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.

Explore mais modelos

Databricks Developer Hub

Pronto para lançar seu próximo aplicativo baseado em agentes em minutos?

Ler a documentação