用途：指导编码智能体将 Databricks Model Serving 上的 MLflow ResponsesAgent（基于类的 predict()/predict_stream()）迁移到 Databricks Apps（基于 MLflow GenAI Server 的 @invoke/@stream 装饰器函数），并产出可部署的新应用目录。
主要能力与流程：先向用户收集三项输入——Databricks CLI profile、新 App 名称（小写、可含字母数字与连字符、工作区内唯一）、是否转为全异步；随后用 databricks current-user me --profile <profile> 校验认证，必要时执行 databricks auth login --profile <profile>。接着创建 <app-name>/ 目录并复制脚手架（排除 AGENTS.md、CLAUDE.md、隐藏目录与迁移产物），建立任务清单。
下载原始产物：通过 databricks serving-endpoints get <endpoint-name> --profile <profile> --output json 获取模型名与版本，再用 uv run --no-project --with "mlflow[databricks]>=2.15.0" --with "databricks-sdk>=0.30.0" 调用 mlflow.artifacts.download_artifacts 下载到 ./original_mlflow_model，并检查 MLmodel、code/、artifacts/、input_example.json、requirements.txt。
迁移要点：把类方法抽取为模块级函数，同步路径保留原逻辑并加 @invoke/@stream；异步路径将 I/O 改为 await/async for。需复制 code/ 与 artifacts/ 到 agent_server/，修正导入路径与硬编码文件路径，保留 LLM 端点名、系统提示、工具定义等配置。最后本地测试、配置 databricks.yml 并用 databricks bundle deploy 部署、验证。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；异步迁移为可选项，同步路径改动更小但每请求阻塞线程。