Agent Bricksとは？

Databricksは、データ、分析、AIを統合する「データインテリジェンスプラットフォーム」を提供する企業です。そのDatabricksが、AI開発の新たな一歩としてリリースしたノーコードツールが「Agent Bricks」です。

「AIエージェントを自社データで作りたいが、何から手をつければ…？」 そんな悩みを解決すると言われるこの新機能、謳い文句通り、本当に簡単に高機能なエージェントが作れるのでしょうか？今回は、Amazonのベストセラー商品データセットを使い、Agent Bricksの主要な機能を一つずつ、そして連携させて徹底的に検証してみました。

 

Agent Bricksの4つの主要機能

Agent Bricksは、専門知識がなくともAIエージェントシステムを構築・最適化できるツールです 。主に以下の4つのコンポーネントで構成されています。

1. 
   
   
   
   1. Information Extraction (情報抽出)：PDFやテキストなどの非構造化データから、必要な情報を抜き出して構造化データ（JSON）に変換します。
   
   
   2. Custom LLM (カスタムLLM)：特定のタスク（要約、分類、コンテンツ生成など）に特化したLLMを、自社のデータやルールに基づいて作成します。
   
   
   3. Knowledge Assistant (ナレッジアシスタント)：社内ドキュメントなどを知識源として、質問応答を行うAIチャットボット（RAG）を構築します。
   
   
   4. Multi-Agent Supervisor (マルチエージェントスーパーバイザー)：上記の3つのエージェントを組み合わせ、より複雑なタスクをこなす司令塔役のエージェントを設計します。
   
   
   
   

公式URL：https://docs.databricks.com/aws/ja/generative-ai/agent-bricks/

今回の検証では、これらの機能を個別、そして統合して試していきます。

 

検証環境とデータ

・使用データ: Databricks Marketplaceで入手できる、Bright Data社のAmazonのベストセラー商品、レビュー、製品情報を含むデータセットを利用します。このデータには、商品名、ブランド、価格、レビュー、商品説明などが含まれています。合法な目的であれば使用可能の無料データセットです。

URL：https://dbc-629df5e5-8f40.cloud.databricks.com/marketplace/consumer/listings/396e924a-42c5-455c-ae98-8871e25293d2?o=746903631743211

・ワークスペース: 全てDatabricksのワークスペース上で作業を行いました。

タスク: 商品データから重要な情報を抽出し、JSON形式に変換する

プロセスと工夫

最初に直面した課題は、Agent Bricksが入力としてString型の1列しか受け付けないことでした 。そこで、to_json(struct(*)) というSQL関数を使い、テーブルの全列を一つのJSON文字列にまとめてall_column_jsonという列を作成しました。

さらに、ただ抽出するだけでなく、より質の高い結果を得るために、プロンプトで以下のような指示を追加しました。

Instructions: 商品分析に重要な項目のみを残してください。FEATURESは長いテキストが入っているので、簡潔に重要なポイントだけを抜き出し、セールスの謳い文句は端折ってください。

結果

成功。エージェントは指示通りに全データをJSON形式に変換し、新しい列に格納できました 。特筆すべきは、プロンプトで具体的に指示せずとも、エージェントが自動でデータを読み取り「重要でない」と判断した項目（初期価格や重さなど）を自律的に除外してくれた点です 。これは、単なる変換ツール以上の価値を示しています。

タスク: 抽出したJSONデータを日付ごとにまとめ、特定の期間でどのような商品が売れていたかを分析するマーケティングレポートを作成させる。

プロセスと工夫

このタスクでも、LLMへの入力形式を整える必要がありました 。

GROUP BY TIMESTAMPを使い、日付ごとに商品情報をJSON配列としてまとめた後に別テーブルにsummary_inputという入力列を作成することで、LLMが日ごとの人気商品データをまとめて受け取れるようになりました。

プロンプトでは、単に分析を依頼するだけでなく、「優秀なマーケティングアナリスト」という役割を与え 、アウトプットの形式（ジャンル、価格帯、レビュー、特徴の4観点）を厳密に指定しました 。

結果

一部成功。最初の試行では、入力するテキストが長すぎたためか、うまく処理できませんでした。入力情報をより簡潔にするようプロンプトを調整したところ、レポートを生成できるようになりました。

しかし、いくつかの日付のデータで結果がnullになるなど、安定性には課題も残りました。長大なテキストの扱いは、今後の改善に期待したいポイントです。

タスク: Custom LLMが生成した日々の売上分析レポートを知識源として、自然言語での質問に答えさせる。

プロセスと工夫

ナレッジアシスタントは、

Volume内にある特定のファイル形式（TXT, PDFなど）しか読み込めません 。そのため、Custom LLMの分析結果（テーブルに保存されている）を、Pythonスクリプトを使って日付ごとの

.txtファイルに変換し、指定のVolumeに保存する必要がありました。

ここでもプロンプトの工夫が重要でした。ファイル名の命名規則をしっかり含めます。

…sales_analysis_report_2023-MM-DD.txtというファイル名でデータが入っています。

結果

成功。当初、レポートが存在する日付を尋ねても「データがない」と回答されてしまいましたが、プロンプトにファイル名の命名規則を明記したところ、正しくファイルを検索・参照できるようになりました。

Q. ユーザー: 9月上旬の売り上げを分析して

A. エージェント: 9月上旬の売上分析によると、以下のような傾向が見られました: 1. ジャンルの傾向: 衣類(特に女性用)が最も多くランク入りし…

応答の質は元のレポートの内容に依存しますが、RAGエージェントとして問題なく機能することを確認できました 。

タスク: ユーザーの質問の意図を解釈し、「データベースへの直接クエリ」と「ナレッジアシスタントによるRAG」を適切に使い分ける司令塔エージェントを構築する 。

プロセスと工夫

このエージェントには、2つのツールを与えました。

1. Genie Space: 自然言語を入力すれば、テーブルを直接SQLでクエリして結果を返してくれるワークスペース。元データ、検証1の抽出結果、検証2のレポートが入っている。


2. Knowledge Assistant: 先ほど作成したRAGチャットボット。

プロンプトで、それぞれのツールが何を担当するのかを定義しました。

 

結果

大成功。このスーパーバイザーエージェントは、ユーザーからの抽象的な指示を見事に解釈し、タスクを適切なツールに振り分けることができました。

• 
  

  「出品数が多い出品者はどこ？」 という質問に対して…

  
  

  →Genie Spaceを起動し、データベースを直接クエリしてランキングを提示。

  
  


• 
  

  「10月に売れていた商品のジャンルは何？」 という質問に対して…

  
  

  →Knowledge Assistantを起動し、分析レポートをRAGで検索して回答。

  
  

列名などを指定しない曖昧な指示でも正しく動作した点は、非常に高く評価できます。

今回の検証を通して、Databricks Agent Bricksは単なるノーコードツールではなく、実践的で強力なAIエージェント開発プラットフォームであることが分かりました。

• 良かった点:
  
  
  
  • ノーコードで情報抽出からRAG、エージェント連携までの一連のフローを構築できる。
  
  
  • Multi-Agent Supervisorのタスク振り分け能力が非常に高く、ユーザーの意図を汲み取ってくれる 。
  
  
  • プロンプトによる柔軟なカスタマイズが可能 。
  
  
  
  


• 課題と学び:
  
  
  
  • 入力データの形式（単一String列 、ファイル形式 など）には一手間かかる。
  
  
  • 期待通りの結果を得るには、的確なプロンプトエンジニアリング（役割、出力形式、データソースの指定 ）が鍵となる。
  
  
  • 長文テキストの処理にはまだ改善の余地があるかもしれない。
  
  
  
  

利用上の注意点

Agent Bricksを試す前に、いくつか知っておくべき点があります。

• ベータ版の機能: この記事を執筆している2025年8月現在、Agent Bricksはベータ版として提供されています。これは、機能が将来変更されたり、予期せぬ動作をする可能性があることを意味します。本番環境での利用は慎重に検討する必要があります。


• 利用要件: 利用するには、特定のAWSリージョン（例: us-east-1, us-west-2）である必要があったり、DatabricksのServerless computeやUnity Catalogといった機能を有効化する必要があります。

Agent Bricksは、データエンジニアリングとAI開発の間の溝を埋め、より多くの人が自社データを活用したAIエージェントを構築・運用できる未来を感じさせてくれるツールでした。ベータ版であるものの、そのポテンシャルは非常に高く、今後のさらなる進化がますます楽しみです。