用途：用 Databricks Supervisor API 替代客户端智能体循环，让 Databricks 在服务端执行工具选择与综合。适合需要接入 Genie 空间、UC 函数、Knowledge Assistant、MCP 服务器，或把自有 Python 函数工具与托管工具混用，并希望按请求选择模型与工具的场景。
主要能力：声明式工具列表，支持 genie_space、uc_function、knowledge_assistant、uc_connection、app 及客户端 function 类型；同一请求可混合托管工具与客户端函数工具；支持流式与非流式调用；支持 MLflow 分布式追踪，将服务端与客户端 span 关联到同一 trace；支持后台模式处理长任务。
使用方式：安装 databricks-openai>=0.14.0 与 databricks-sdk>=0.55.0，运行 uv sync；用 uv run discover-tools 发现工作区可用托管资源；在 agent_server/agent.py 中用 DatabricksOpenAI(workspace_client=..., use_ai_gateway=True) 调用 client.responses.create()，传入 model、input、tools。认证可选 OBO（推荐，按请求传 get_user_workspace_client()，需在 app.yaml 配置 OAuth scopes）或服务主体模式（在 databricks.yml 授予资源权限）。本地测试 uv run start-app，部署 databricks bundle deploy && databricks bundle run {{BUNDLE_NAME}}。
限制：传入工具时不支持 temperature、top_p 等推理参数；stream 与 background 不能同时为 true；后台模式最长执行 30 分钟；OBO 模式不支持 app 类型工具；分布式追踪要求 MLFLOW_EXPERIMENT_ID 且实验使用 Unity Catalog 追踪位置；MCP 工具需多轮审批流程。具体模型 ID 与权限映射见资料。