用途：在 Databricks 工作区中部署并查询 Model Serving 端点，把 MLflow 模型和 AI 智能体发布为可扩展的 REST API。
主要能力：按模型类型选择部署方式——传统 ML（如 sklearn、xgboost）可用 mlflow.sklearn.autolog() 自动记录并注册；自定义 Python 模型用 mlflow.pyfunc.PythonModel；生成式 AI 智能体（LangGraph、工具调用）用 ResponsesAgent。文档还列出基础模型 API 端点名称（如聊天、嵌入模型）及其上下文长度等说明，并提供嵌入模型默认选项。
使用方式：前置条件为推荐 DBR 16.1+、启用 Unity Catalog 与 Model Serving。部署 GenAI 智能体流程包括：安装包、创建 agent.py、上传到工作区、测试、记录模型、部署（建议通过 Job 异步部署避免超时）、查询端点。安装命令示例：%pip install -U mlflow==3.6.0 databricks-langchain langgraph==0.3.4 databricks-agents pydantic，随后 dbutils.library.restartPython()。查询时可用 manage_serving_endpoint 的 get、list、query 操作，聊天端点传 messages，传统 ML 端点传 dataframe_records。
限制：ResponsesAgent 输出必须使用 self.create_text_output_item 等辅助方法，不能返回原始字典；端点部署约需 15 分钟，需轮询状态；包缺失时应在 pip_requirements 指定确切版本；工具超时应改用基于 Job 的异步部署；认证错误需确保 log_model 中指定资源以自动传递；模型路径需符合 catalog.schema.model_name。若 MCP 工具不可用，可改用参考文件中的 SDK/CLI 示例。