A mudança da prototipagem para a presença de agentes na produção é o desafio para as equipes de IA à medida que olhamos para 2026 e além. Construir um protótipo authorized é fácil: conecte um LLM, forneça algumas ferramentas e veja se parece que está funcionando. O sistema de produção, agora isso é difícil. Integrações frágeis. Pesadelos de governança. A infraestrutura não foi construída para as complexidades e nuances dos agentes.
Para os desenvolvedores de IA, o desafio passou de construir um agente para orquestrá-lo, governá-lo e escalá-lo em um ambiente de produção. A versão mais recente da DataRobot apresenta um conjunto robusto de ferramentas projetadas para agilizar esse ciclo de vida, oferecendo controle granular sem sacrificar a velocidade.
Novos recursos acelerando a produção de agentes de IA com DataRobot
Os novos recursos do DataRobot 11.2 e 11.3 ajudam você a preencher a lacuna com dezenas de atualizações que abrangem observabilidade, experiência do desenvolvedor e integrações de infraestrutura.
Juntas, essas atualizações se concentram em um objetivo: reduzir o atrito entre a construção de agentes de IA e sua execução confiável na produção.
As áreas de maior impacto dessas atualizações incluem:
- Conectividade padronizada através do MCP no DataRobot
- Recuperação segura de agentes por meio do Discuss to My Docs (TTMDocs)
- Criação e implantação simplificadas de agentes por meio de ferramentas CLI
- Controle de versão de immediate por meio do Immediate Administration Studio
- Governança empresarial e observabilidade por meio do monitoramento de recursos
- Acesso multimodelo por meio do LLM Gateway expandido
- Integrações de ecossistema expandidas para agentes empresariais
As seções a seguir enfocam esses recursos detalhadamente, começando com a conectividade padronizada, que sustenta todos os sistemas de agentes de nível de produção.
MCP no DataRobot: padronizando a conectividade do agente
Os agentes quebram quando as ferramentas mudam. Integrações personalizadas tornam-se dívida técnica. O Mannequin Context Protocol (MCP) está emergindo como o padrão para resolver isso e estamos tornando-o pronto para produção.
Nós adicionamos um modelo de servidor MCP para a comunidade DataRobot GitHub.
- O que há de novo: Um modelo de servidor MCP que você pode clonar, testar localmente e implantar diretamente em seu cluster DataRobot. Seus agentes obtêm acesso confiável a ferramentas, prompts e recursos sem precisar reinventar a camada de integração todas as vezes. Converta facilmente seus modelos preditivos em ferramentas que podem ser descobertas pelos agentes.
- Por que é importante: Com nosso modelo MCP, estamos oferecendo a você o padrão aberto com proteções corporativas já integradas. Teste em seu laptop computer pela manhã e implante na produção à tarde.
Fale com Meus Documentos: recuperação de conhecimento segura e ágil
Todo mundo está construindo RAG. Quase ninguém está construindo RAG com RBAC, trilhas de auditoria e capacidade de trocar modelos sem reescrever o código.
O “Modelo de inscrição Fale com Meus Documentos” traz produtividade em estilo de bate-papo em linguagem pure para todos os seus documentos e é protegido e controlado para a empresa.
- O que há de novo: Uma interface de bate-papo segura e controlada que se conecta ao Google Drive, Field, SharePoint e arquivos locais. Ao contrário do RAG básico, ele lida com formatos complexos de tabelas, planilhas e síntese de vários documentos, mantendo ao mesmo tempo o controle de acesso de nível empresarial.
- Por que é importante: Sua equipe precisa de produtividade no estilo ChatGPT. Sua equipe de segurança precisa de provas de que documentos confidenciais permanecem restritos. Isso faz as duas coisas, pronto para uso.
CLI e modelo inicial de aplicativo Agentic: construção e implantação simplificadas
Colocar um agente em produção não deve exigir dias de montagem de andaimes, serviços de fiação ou reconstrução de contêineres para cada pequena mudança. O atrito de configuração retarda a experimentação e transforma iterações simples em trabalhos pesados de engenharia.
Para resolver isso, a DataRobot está introduzindo um modelo inicial de aplicativo agente e CLI, ambos projetados para reduzir a sobrecarga de configuração em fluxos de trabalho de código primeiro e de baixo código.
- O que há de novo: Um modelo inicial de aplicativo agente e CLI que permite aos desenvolvedores configurar componentes do agente por meio de um único comando interativo. Os componentes prontos para uso incluem um servidor MCP, um backend FastAPI e um frontend React. Para equipes que preferem uma abordagem de baixo código, a integração com o NeMo Agent Toolkit da NVIDIA permite que a lógica e as ferramentas do agente sejam definidas inteiramente por meio de YAML. As dependências de tempo de execução agora podem ser adicionadas dinamicamente, eliminando a necessidade de reconstruir imagens do Docker durante a iteração.
- Por que é importante: Ao minimizar o atrito de configuração e reconstrução, as equipes podem iterar com mais rapidez e mover os agentes para a produção de maneira mais confiável. Os desenvolvedores podem se concentrar na lógica do agente em vez da infraestrutura, enquanto as equipes da plataforma mantêm padrões de implantação consistentes e prontos para produção.
Estúdio de gerenciamento de prompts: DevOps para prompts
À medida que os prompts passam dos experimentos para os ativos de produção, a edição advert hoc rapidamente se torna um problema. Sem controle de versão e rastreabilidade, as equipes lutam para reproduzir resultados ou iterar com segurança.
Para resolver isso, a DataRobot apresenta o Immediate Administration Studio, trazendo disciplina de estilo de software program para a engenharia imediata.
- O que há de novo: Um registro centralizado que trata os prompts como ativos controlados por versão. As equipes podem rastrear alterações, comparar implementações e reverter para versões estáveis à medida que os prompts avançam no desenvolvimento e na implantação.
- Por que é importante: Ao aplicar práticas de DevOps aos prompts, as equipes ganham reprodutibilidade e controle, facilitando a transição da prototipagem para a produção sem introduzir riscos ocultos.
Governança multilocatário e monitoramento de recursos: controle operacional em escala
À medida que os agentes de IA se expandem entre equipes e cargas de trabalho, a visibilidade e o controle tornam-se inegociáveis. Sem uma visão clara do uso de recursos e dos limites aplicáveis, surgem rapidamente gargalos de desempenho e custos excessivos.
- O que há de novo: O melhorado Guia Monitoramento de recursos fornece visibilidade detalhada da utilização de CPU e memória, ajudando as equipes a identificar gargalos e gerenciar compensações entre desempenho e custo. Paralelamente, a governança de IA multilocatário introduz acesso baseado em token com limites de taxa configuráveis para garantir um consumo justo de recursos entre usuários e agentes.
- Por que é importante: Os desenvolvedores obtêm uma visão clara de como as cargas de trabalho dos agentes se comportam na produção, enquanto as equipes da plataforma podem impor proteções que evitam vizinhos barulhentos e o uso descontrolado de recursos à medida que os sistemas são escalonados.
Gateway LLM expandido: acesso multimodelo sem expansão de credenciais
À medida que as equipes experimentam o comportamento e o raciocínio dos agentes, o acesso a vários modelos básicos torna-se essencial. O gerenciamento de credenciais separadas, limites de taxas e integrações entre provedores introduz rapidamente sobrecarga operacional.
- O que há de novo: O LLM Gateway expandido adiciona suporte para Cerebras e Collectively AI junto com Anthropic, fornecendo acesso a modelos como Gemma, Mistral, Qwen e outros por meio de uma interface única e governada. Todos os modelos são acessados usando credenciais gerenciadas pela DataRobot, eliminando a necessidade de gerenciar chaves de API individuais.
- Por que é importante: As equipes podem avaliar e implantar agentes em vários provedores de modelos sem aumentar o risco de segurança ou a complexidade operacional. As equipes da plataforma mantêm o controle centralizado, enquanto os desenvolvedores ganham flexibilidade para escolher o modelo certo para cada carga de trabalho.
Novas integrações de ecossistemas de suporte
Conectores Jira e Confluence: Para potencializar seus bancos de dados vetoriais, o DataRobot fornece um ecossistema coeso para a construção de agentes conscientes do conhecimento e prontos para a empresa.
Integração NVIDIA NIM: Implante Llama 4, Nemotron, GPT-OSS e mais de 50 modelos otimizados para GPU sem a complexidade de MLOps. Contêineres pré-construídos, prontos para produção desde o primeiro dia.
Banco de dados de vetores Milvus: Integração direta com o VDB de código aberto líder, além da capacidade de selecionar métricas de distância que realmente importam para suas tarefas de classificação e clustering.
Integração Azure Repos e Git: Controle de versão perfeito para desenvolvimento de Codespaces com Azure Repos ou provedores Git auto-hospedados. Nenhuma autenticação guide necessária. Seu código permanece centralizado onde sua equipe já trabalha.
Experimente a IA Agentic da DataRobot
Se você já é cliente, pode ativar o Teste da GenAI em segundos. Nenhuma nova conta. Nenhuma chamada de vendas. Apenas 14 dias de acesso whole ao seu ambiente SaaS existente para testar esses recursos com seus dados reais.
Ainda não é cliente? Comece um Teste gratuito de 14 dias e discover a plataforma completa.
Para mais informações, visite nosso Versão 11.2 e Versão 11.3 notas de versão nos documentos do DataRobot.