Databricks Free Editionでagent-langgraph-advancedを動かす

はじめに

Databricks Free EditionでLakebaseが利用できるようになっていました。

あれ、Databricks free editionでlakebase使えるようになってる？

— Tyam (@isanakamishiro2) April 23, 2026

まだオフィシャルなアナウンスを見つけれてないのですが、たぶんこのまま利用できると思っています。有難い限り。

せっかくならということで、Databricks Appsのテンプレートに含まれている以下のリポジトリをDatabricks Free Editionで動かしてみます。

このリポジトリはUIからは直接利用できないようなので、ローカルにクローンした上でデプロイする流れを解説してみます。

Databricks Free Editionでの動作確認をしたのちにこの記事を書いていますが、今後agent-langgraph-advancedを更新した後は動作に差異が出る場合があります。ご了承ください。

---

agent-langgraph-advancedとは

LangGraphをベースにしたDatabricks Appsデプロイ用のエージェントテンプレートのひとつです。

主な特徴は以下の通りです：

• ロングラン対応: Databricks Appsは120秒でHTTPタイムアウトする制限がありますが、これを超えるエージェント処理にも対応
• 短期メモリ: AsyncCheckpointSaverによるスレッド内の会話履歴保持
• 長期メモリ: Databricks LakebaseとLangGraphのStoreを使ったユーザーごとの記憶永続化
• MLflow統合: トレーシング・実験管理が最初から組み込まれている

特にロングラン対応は複雑な処理を行うエージェントでは重要です。

このテンプレートでは databricks_ai_bridge の LongRunningAgentServer を使ってこの制限を回避しています。

仕組みはこうなっています：

1. ユーザーがリクエスト送信 → バックエンドがタスクをバックグラウンドで開始し、すぐに task_id を返す（HTTPタイムアウトを踏まない）
2. フロントエンドがポーリング → task_id を使って処理完了まで定期的に結果を問い合わせる
3. 完了したら結果を返す → ストリーミングレスポンスとしてフロントエンドに届く

この構成のおかげで、エージェントの処理時間がHTTPタイムアウトを超えても問題ありません。

検証環境

デプロイ環境:

• Databricks Free Edition

ローカル環境:

• Databricks CLI v0.298.0
• uv
• Node 20（nvm経由）

Step1. テンプレートのクローン

まず、ローカル環境でリポジトリをクローンします。

git clone https://github.com/databricks/app-templates
cd app-templates/agent-langgraph-advanced

Step2. LLMエンドポイントの変更

Databricks Free Editionでも動作するように、agent_server/agent.py内のLLMエンドポイントの設定を変更します。
Databricksワークスペースの「AIゲートウェイ」画面で使えるモデルを確認し、適切なエンドポイント名に書き換えてください。

agent_server/agent.py

LLM_ENDPOINT_NAME = "databricks-gemma-3-12b"

Step3. langchainのバージョン確認

リポジトリのlanggraphのバージョンでは正常に動作しなかったので、pyproject.tomlの依存関係を変更します。

pyproject.toml

dependencies = [
    ...
    "langchain>=1.2.15",
    ...
]

Step4. quickstartでセットアップ

認証や実験の作成、Lakebaseの設定まで、quickstart スクリプトが一括でやってくれます。

uv run quickstart

完了すると .env が作成され、必要なセットアップが自動で実行されます。

Step5. ローカルで動作確認

uv run start-app

ブラウザで http://localhost:3000 を開くと、チャットUIが起動します。
agent_server/agent.py の変更が正しいか、この段階で確認しておくと後が楽です。

Step6. Databricks Appsにデプロイ

# デプロイ前のバリデーション
databricks bundle validate

# バンドルのデプロイ（ファイルのアップロード・リソース作成）
databricks bundle deploy

# アプリの起動（これをしないと古いコードのまま）
databricks bundle run agent_langgraph_advanced

Databricks CLIのバージョンに注意してください。
新しいものでないとlakebaseのリソースに対応していなかったりします。

動作確認

Databricks Appsのコンソールを確認し、アプリが正常に動作されていたら成功です。

アプリのURLを開くと、ロングラン対応のチャットができます。
また、履歴やチェックポイントはlakebaseに保管されます。

まとめ

agent-langgraph-advanced テンプレートを使って、Databricks Free Editionでロングラン・Lakebase長期メモリ対応のLangGraphエージェントアプリを動かしました。
これをベースにdeepagentsなどのエージェントハーネスを動かすなど、様々な対応ができるのではないかと思います。

Free　Editionでも様々なことができるようになってきましたので、Appsの学習により利用できる状態になってきましたね。