こちらの記事のアプリを動かしてみます。
リポジトリはこちら。
ボリュームを作っておきます。
アプリを作成しますが、ここでリソースとしてモデルサービングエンドポイントを追加します。gptモデルだとうまく動かなかったのでdatabricks-llama-4-maverickを指定します。あと、リソースキーはapp.yamlに合わせてSERVING_ENDPOINTにしておきます。
アプリが起動したら、上のリポジトリをgitフォルダーとして取り込んでおきます。app.yamlをボリュームのパスに合わせて変更します。
app.yaml
ecommand: [
"python",
"app.py"
]
env:
- name: "SERVING_ENDPOINT"
valueFrom: "SERVING_ENDPOINT"
- name: "default_catalog"
value: "takaakiyayoi_catalog"
- name: "default_schema"
value: "apps"
- name: "default_volume"
value: "codebase"
- name: "default_file"
value: "btree.c"
- name: "DATABRICKS_HOST"
value: "https://xxxxx.cloud.databricks.com/"
アプリのサービスプリンシパルがボリュームにアクセスできるように権限を付与します。
gitフォルダのコードをアプリにデプロイします。
問題なければアプリが動作するようになります。
Download SQLite Example Filesをクリックすると、ボリュームにソースコードが格納されます。
ソースコードに含まれる変数を選択するとグラフが表示されます。
チャットbotに質問もできますが、英語で返ってきています。
chat_interface.pyのプロンプトを調整してあげると日本語で回答するようになりました。87行付近で最初の一行[Response in Japanese]を追加しただけです。
code_context += (
f"[Response in Japanese]\n"
f"Context about the code being discussed:\n"
f"- File: {file_path}\n"
f"- Variable: {symbol_name}\n"
f"- Type: {var_info['type']}\n"
f"- Scope: {var_info['function'] or 'global'}\n"
f"- Is Pointer: {var_info['is_pointer']}\n"
f"\nUpstream Dependencies:\n"
+ ('\n'.join(upstream_details) if upstream_details else " - none")
+ f"\n\nDownstream Dependencies:\n"
+ ('\n'.join(downstream_details) if downstream_details else " - none")
+ "\n\n---\nUser Question:\n"
)
生成AIを活用したアプリを気軽に作れるのは嬉しい限りです。