用途：在 Databricks 上将 MLflow 模型和 AI 智能体部署为可扩展的 REST API 端点，并通过 SDK、REST 或 MCP 工具查询这些端点。
主要能力：支持传统 ML（如 sklearn、xgboost，配合 mlflow.sklearn.autolog()）、自定义 Python 模型（mlflow.pyfunc.PythonModel）以及 GenAI 智能体（ResponsesAgent，含 LangGraph、工具调用）。文档列出基础模型 API 端点名称，要求在调用时使用表格中的精确名称，不得猜测或缩写，例如 databricks-gpt-5-2、databricks-claude-opus-4-6、databricks-meta-llama-3-3-70b-instruct、databricks-gemini-3-pro，以及嵌入模型 databricks-gte-large-en、databricks-bge-large-en、databricks-qwen3-embedding-0-6b。
使用方式：前置条件为建议 DBR 16.1+、启用 Unity Catalog 的工作区、启用 Model Serving。GenAI 智能体可先安装包：%pip install -U mlflow==3.6.0 databricks-langchain langgraph==0.3.4 databricks-agents pydantic，然后创建 agent.py、上传工作区、测试、记录模型并部署，最后查询端点。传统 ML 可启用 autolog 自动记录并注册模型，再通过 UI 或 SDK 部署。文中还给出 MCP 工具，如 upload_folder、run_python_file_on_databricks、manage_jobs、get_serving_endpoint_status、query_serving_endpoint、list_serving_endpoints。
适用场景与限制：适合在 Databricks 上部署和调用模型服务端点。部署可能需要约 15 分钟，端点未就绪时需轮询状态；ResponsesAgent 输出必须使用辅助方法（如 self.create_text_output_item），不能返回原始字典；记录模型时需指定精确的 pip_requirements 版本；认证错误需在 log_model 中指定资源以实现自动传递；模型路径需符合 Unity Catalog 的 catalog.schema.model_name 格式。其他收费、价格或未提及细节暂未提供。