Databricks Genie Agents: su arquitectura y buenas prácticas.

¿Qué es Databricks Genie Agents?

¿Cómo funciona Genie Agents? (Sistemas de IA compuesta) 

1. Recuperación: Analiza la intención de la persona que pregunta y busca contexto (con un enfoque tipo RAG) sobre los metadatos de Unity Catalog y el almacén de conocimiento del agente. Esto permite que el sistema entienda el lenguaje de la empresa aunque se formule la pregunta de otra manera. 
2. Inyección de contexto: Selecciona dinámicamente las tablas, descripciones, consultas SQL de ejemplo y funciones registradas que mejor coinciden con la pregunta. 
3. Generación y verificación: Sintetiza la consulta SQL final (solo lectura) y la ejecuta en un SQL warehouse. Si la base de datos devuelve un error de sintaxis, el motor aplica reintentos automáticos para corregirla antes de entregar el resultado. 

• Chat mode: Traducción directa de texto a SQL en un solo paso, basada en metadatos. Funciona solo con datos estructurados.
• Agent mode: Razonamiento iterativo de múltiples pasos. Ideal para diagnósticos complejos, ya que divide la consulta en subtareas y consolida una respuesta completa. Soporta conectores MCP.
• Agent mode (Flash – Beta): Versión optimizada para menor latencia que acorta el árbol de iteraciones para entregar resultados con mayor rapidez.

¿Qué problema soluciona Genie Agents?

• Activos confiables (Trusted Assets): Funciona como un formulario preaprobado. En lugar de dejar que la IA invente una fórmula matemática desde cero cada vez que alguien pregunta algo, el equipo deja guardadas las consultas clave con la lógica de negocio ya auditada y correcta. Cuando la persona pregunta, el agente solo toma los datos variables (por ejemplo, el mes o el país), los completa en la plantilla aprobada y corre el cálculo exacto, garantizando un resultado sin errores ni inventos.
• Sistema de inspección (autocuración): En consultas generadas desde cero, la arquitectura suma un revisor automático que audita el SQL antes de ejecutarlo. Este módulo valida que las condiciones (WHERE) y las uniones de tablas (JOIN) tengan sentido lógico; si detecta anomalías o riesgos de traer millones de filas innecesarias, retroalimenta al sistema para corregir la consulta al instante.
• Aislamiento de seguridad (Acceso Dual): Aunque el agente esté armado por el equipo de datos con accesos amplios para poder operar, nunca le muestra todo a todos. La herramienta hereda los permisos de la persona usuaria que está chateando en ese momento; si el perfil no tiene permiso para ver números de tarjetas o datos de clientes, el agente no los va a mostrar en la respuesta.

Buenas prácticas de Genie Agents

• Priorizar código SQL sobre instrucciones de texto: Los LLMs procesan el código de manera mucho más determinista que el lenguaje humano. La mejor práctica es definir la lógica de negocio mediante expresiones SQL organizadas en filtros (ej. orders.amount > 1000), Medidas (agregaciones matemáticas) y Dimensiones (construcciones CASE WHEN).
• Reservar el texto para contexto general: Solo usar el texto para dar contexto general, definir el idioma o el formato de salida. Esto es así porque un LLM interpreta el lenguaje humano de forma más flexible (y por lo tanto, menos predecible) que una expresión SQL exacta, que siempre se ejecuta de la misma manera.
• Minimalismo en conjuntos de datos: Exponer decenas de tablas normalizadas aumenta la probabilidad de confusión semántica. Incluir solo las columnas necesarias y un máximo de cinco entidades principales. Lo ideal es consolidarlas mediante vistas de métricas (Metric Views) para abstraer la complejidad dimensional. 
• Indicar a Genie que haga preguntas: Configurar reglas y ejemplos para que Genie repregunte a la persona usuaria cuando reciba una solicitud vaga. Esto evita consultas innecesarias y optimiza el consumo de DBUs. (Para profundizar en el control de gastos, escribimos este análisis sobre el costo real de Genie y cómo monitorearlo). 
• Emparejamiento de entidades (Entity Matching): Para absorber discrepancias conversacionales y errores tipográficos, se debe habilitar el emparejamiento de entidades. Esta característica construye un índice semántico mapeando la entrada ruidosa con el valor exacto almacenado (hasta 1,024 valores por columna). Es decir, si alguien escribe con faltas de ortografía o sin tildes el sistema entiende a qué dato se refiere y busca el registro correcto sin trabarse.