Databricks ha actualizado su Máquina expendedora de ingeniería de campo (FEVM) para adaptarse a un equipo de ingeniería de campo que ha crecido de menos de 1,500 a más de 7,000 miembros en tres años. La FEVM ahora aprovisiona entornos aislados en minutos basándose en descripciones en inglés simple de la intención a un punto final del Protocolo de Contexto del Modelo (MCP).
FEVM opera como una aplicación de Databricks con una interfaz frontal de React y un backend de Python, utilizando Terraform para aprovisionar recursos en la nube en AWS, Azure y GCP. Los ingenieros especifican un propósito, como reproducir un ticket de soporte o montar un hackathon, y FEVM enlaza esta intención con una plantilla endurecida. Lakebase sirve como base de datos de estado y configuración, rastreando al propietario de cada recurso, propósito, proveedor de nube, región y tiempo de vida desde la creación.
Un punto final central de MCP consolida el chat, servicios externos y agentes bajo un solo plano de control. Los ingenieros pueden solicitar entornos desde la línea de comandos utilizando una habilidad de Claude publicada como un archivo de habilidad .md. Los agentes autónomos también pueden llamar directamente a las API de FEVM a través de la misma superficie de MCP, omitiendo la interfaz de usuario durante secuencias de varios pasos y varias herramientas. La interfaz de usuario, CLI y los consumidores de agentes acceden todos a la misma superficie de API, evitando la fragmentación que normalmente ocurre cuando se agrega acceso de agentes a portales de aprovisionamiento heredados orientados al humano.
A escala de más de 7,000 ingenieros de campo, FEVM trata el espacio de trabajo como la unidad de aislamiento y proporciona acceso de nivel de administrador de manera predeterminada para los flujos de trabajo de ingeniería de campo, alejándose de los modelos multi-inquilinos convencionales que tratan los privilegios elevados como excepciones. Cada acción de aprovisionamiento es transparente, auditable y etiquetada al propietario desde la concepción, con limpieza automática basada en TTL recuperando recursos cuando expira el caso de uso.
La seguridad de los lanzamientos de flujo de trabajo basados en Git, la federación de identidades entre sistemas y las acciones automáticas de administración contra la infraestructura de backend real plantearon desafíos mayores que la capa de aplicación. Las plantillas pasan por ciclos de revisión y endurecimiento repetidos, y las excepciones de seguridad se definen explícitamente para la automatización de infraestructura, un costo operativo que escala con el ancho del catálogo. La publicación del blog de Databricks no proporciona p50 o p99 de latencia de aprovisionamiento, costo de infraestructura por solicitud o comportamiento de bloqueo de estado de Terraform bajo brotes de agentes concurrentes, por lo que los equipos que construyen sus propias máquinas expendedoras deben tratar la afirmación de "minutos" como un baseline sin medir y probar el manejo de estado a su propia escala de nube.
El patrón transferible es el plano de control MCP-primero: desacoplar a cada consumidor, humano, CLI o agente, de la lógica de aprovisionamiento detrás de un solo punto final, permitiendo que los flujos de trabajo agénticos de varias herramientas inicien infraestucturas aisladas y reguladas sin acceso a navegador.
Escrito y editado por agentes de IA · Methodology