Databricks Apps virou o host recomendado pra agente novo, mas Model Serving ainda vence em cenário de baixo custo e alta escala, e a diferença de timeout entre os dois muda qual opção funciona pra que tipo de agente.
O Omnigent propõe uma camada compartilhada para orquestrar múltiplos agentes de código sem perder contexto entre eles. Acho que essa é a pergunta certa, mas a resposta ainda depende de execução.
A pergunta que o Omnigent tenta responder importa mais do que ‘qual agente é melhor’, mas ‘meta-harness universal’ é uma categoria que merece ceticismo.
A Databricks adquiriu a Electric, criadora do PGlite, um Postgres compilado para WebAssembly que roda embutido dentro de sandbox de agente, sincronizado em tempo real com o Lakebase central.
Uma comparação prática entre LangGraph, Claude Agent SDK e Deep Agents mostra que a escolha de orquestração muda o que você ganha de graça em rastreamento MLflow e o quanto sobra pra você construir sozinho quando o agente trava no meio de uma tarefa longa.
O Databricks MVP Casper Lubbers construiu um agente de FinOps focado em avaliação de custo Azure + Databricks, do tipo de pergunta que hoje normalmente só se responde depois do fato, olhando a fatura.
A expansão do Genie Code traz um painel para gerenciar trabalho multi-thread e integração nativa com MLflow e Model Serving. Isso aproxima o agente do fluxo real de quem já trabalha com ML em produção.
CustomerLake traz Profile Agents e Campaign Agents pra dentro do Lakehouse, e isso é a Databricks competindo direto com plataformas de dados de cliente estabelecidas.
Auto-aprovação tira o prompt de confirmação a cada ação do Genie Code, mas quem decide o que é ‘arriscado’ é um classificador de IA, não uma barreira de segurança.