O insight central da nova orientação de Genie Agents do Databricks é um reframeamento diagnóstico: quando um agente oferece respostas inconsistentes ou incorretas, o instinto usual é corrigir o prompt. Databricks diz que esse instinto está errado. O verdadeiro culpado é contexto de negócio ausente—e Genie Agents resolvem isso na fonte, não na superfície.
Os times agora podem criar Genie Agents específicos de domínio usando Genie One ou Genie Code a partir de um único prompt descritivo, sem configuração manual. Um bootstrap válido: "Use nossos runbooks de incidente e dados de saúde do serviço para criar um agente que ajude engenheiros de suporte a investigar incidentes em produção." Isso é suficiente para Genie identificar o domínio do problema e localizar os ativos relevantes do Unity Catalog.
O runtime se conecta a dois tipos de dados. Estruturados: tabelas governadas, definições de métricas, dashboards e regras de qualidade de dados no Unity Catalog. Não estruturados: PDFs, documentos Word, apresentações e imagens em volumes do Unity Catalog. Quando um usuário faz uma pergunta, o agente recupera o conteúdo mais relevante em ambas as modalidades e raciocina sobre eles juntos. Permissões são aplicadas por usuário em tempo de consulta via RBAC do Unity Catalog—o agente nunca expõe dados que o usuário já não poderia acessar.
O problema da "primeira tabela de receita que encontra" é o que acontece quando o contexto é limitado. Um agente genérico encontra uma correspondência de palavra-chave em vez da visualização de métrica que finanças realmente mantém, retornando um número tecnicamente baseado mas operacionalmente incorreto. Genie Agents contornam isso ao fundamentar respostas em semântica Unity Catalog curada: visualizações de métricas, domínios e sinalizadores de certificação que distinguem o ativo autoritativo do ruído. O prompt oferece direção; a camada Unity Catalog oferece correção.
Databricks prescreve um rollout narrow-first. Escolha um único trabalho de análise repetitivo—investigação de incidente, FAQ de produto, explicação de custo em nuvem, monitoramento de pipeline de dados. Execute o agente em relação a casos anteriores onde a resposta correta já é conhecida. Para o agente de incidente, isso significa verificar se ele cita o runbook correto e a tabela de saúde do serviço, não apenas se chega à causa raiz correta. Genie Agents incluem ferramentas de benchmark integradas: defina um conjunto de perguntas com respostas esperadas, execute, obtenha uma pontuação de precisão numérica. Re-execute o mesmo benchmark após cada atualização de contexto para que "parece melhor" se torne um número rastreável. Uma aba monitor expõe as perguntas reais que os usuários enviam em produção, alimentando lacunas diretamente de volta ao benchmark conforme o agente se expande.
Expansão é aditiva, não arquitetural. Um agente Sales Opportunity Data começa expondo risco de pipeline de tabelas CRM; uma versão posterior adiciona rascunho de resumo de negócio e Q&A de taxa de vitória por segmento. Um agente Logistics Management evolui de sinalizar atrasos de envio para recomendar rerotas e rastrear desempenho de transportadora. Cada camada de expansão se baseia em uma versão que já passou em benchmarks, não em uma que "se sentiu bem" em testes.
A parte difícil—que Databricks é explícito sobre—é curação, não prompt. Criação de single-prompt não comprime o trabalho de manter dados autoritativos. Apenas torna esse trabalho self-serve. Se a semântica do Unity Catalog estiver desatualizada ou os runbooks estiverem obsoletos, o agente expõe essa obsolescência em escala. O modo de falha canônico não é um prompt ruim; é um runbook desatualizado que o agente cita com confiança.
Conclusão do Arquiteto: se seu Genie Agent retorna respostas inconsistentes, audite seus ativos Unity Catalog antes de tocar no prompt.