本記事は JEDAI もくもく会（2026年3月18日開催予定）向けのハンズオンガイドです。
内容は執筆時点（2026年3月）の情報に基づいています。最新情報は公式ドキュメントをご確認ください。
前半の説明資料はこちら。
2026年3月18日（水）、JEDAI（Japan Databricks User Group）もくもく会 にて「Databricksアシスタントが自分で考えて動く時代に！エージェントモード体験もくもく会」を開催します。本記事はそのイベント向けハンズオンガイドです。当日の参加者はもちろん、記事を見つけた方も自分のペースで試せます。
はじめに：コパイロットから自律エージェントへ
従来のDatabricksアシスタント（チャットモード）は「1問1答」スタイルでした。コードの補完・提案には便利でしたが、毎ステップユーザーが指示を出す必要がありました。
エージェントモードはそれを大きく変えます。
| チャットモード | エージェントモード | |
|---|---|---|
| 動作スタイル | 1問1答 | 計画 → 実行 → 修正ループ |
| ユーザー操作 | 毎ステップ指示が必要 | ゴールを渡すだけ |
| コード実行 | 提案のみ（手動実行） | 自動実行・エラー自動修正 |
| 利用ツール | 限定的 | Unity Catalog・SQL・MCP・外部ツール |
| 適したタスク | 単発の質問・補完 | 複雑なマルチステップ作業 |
エージェントモードの仕組み
💬 指示 → 🧠 計画 → ⚙️ 実行 → 🔍 確認 → ✅ 完了
↑______________________↓（エラー・不足時に自動再ループ）
- 計画（Planning）：タスクを分解し、実行ステップを自律的に立案
-
実行（Tool Use）：PythonコードやSQLを生成・実行。Unity Catalog・MCP・Agent Skillsを活用
- 利用ツール：Unity Catalog ／ Notebookコード実行 ／ SQL・Genie ／ MCPサーバー ／ Agent Skills
- 確認・修正（Reflection）：実行結果を評価し、不足があれば計画を修正して再実行
3つのエージェント＋拡張機能
① データサイエンスエージェント
できること
- 探索的データ分析（EDA）の自動実行
- 統計サマリー・相関分析・可視化の自動生成
- 機械学習モデルの作成・評価
- 新規分析ノートブックのゼロから作成
- エラーの自動検出・修正
プロンプト例
「NYCタクシーデータで乗車距離と料金の関係を分析して、主要なインサイトをまとめて」
ユースケース
- 定期EDAレポートの自動化
- データ品質チェック
- 顧客離脱・異常検知モデル作成
② データエンジニアリングエージェント
できること
- Spark宣言型パイプラインの自動生成
- データ変換・クレンジングの実装
- Bronze / Silver / Gold 変換ロジックの構築
- パイプラインのデバッグ・最適化
- Unity Catalogへの自動登録
プロンプト例
「S3のCSVデータを読み込んで、顧客マスタのシルバーテーブルにクレンジングして書き込むパイプラインを作って」
ユースケース
- ゴールドテーブルの集計処理
- 既存パイプラインのリファクタ
- 新規データソースの取り込み
③ ダッシュボードオーサリングエージェント
できること
- AI/BI Lakeviewダッシュボードの自動生成
- 自然言語でウィジェット追加・変更・修正
- データセット・クエリの自動作成
- フィルター・レイアウトの調整
- 作成後もチャットで追加修正可能
- ダッシュボードと共にGenie Spaceが自動生成
プロンプト例
「売上の月次推移と地域別トップ製品を見られるダッシュボードを作って」
ポイント：Business UserはそのままGenie Spaceでセルフサービス分析が可能
④ Agent Skills & MCP連携
Agent Skills（社内ドメイン知識の注入）
- KPIの定義・計算ロジック
- 特定の分析パターン
- 承認済みのデータモデル
- ビジネスルール・制約条件
MCP（Model Context Protocol）（外部ツール連携）
- Slackへの通知送信
- Jiraチケットの作成・更新
- 社内Wiki・ナレッジ参照
- 外部APIとの連携
Unity CatalogでMCPサーバーを登録・管理できます。
プロンプトのベストプラクティス
エージェントモードをうまく使うコツをまとめました。
1. ゴールを明確に伝える
❌ 「データを分析して」
✅ 「NYCタクシーデータ（trips テーブル）で2024年の乗車距離と料金の相関を分析し、外れ値の原因を特定してまとめて」
2. データの場所を指定する
❌ 「顧客データを使って」
✅ 「main.sales.customers テーブルを使って」
3. 出力形式を指定する
- 「グラフにして可視化して」
- 「Markdownの表でまとめて」
- 「ノートブックにまとめて保存して」
4. 段階的に指示を出す
複雑なタスクは複数のプロンプトに分ける：
- まず「データを探索して概要を教えて」
- 次に「欠損値の多い列をクレンジングして」
- その後「クレンジング済みデータで機械学習モデルを作って」
5. エラーは任せる
エージェントモードはエラーを自動検出・修正します。エラーが出ても慌てずに待ちましょう。
6. Unity Catalogのデータを活用する
エージェントはUnity Catalog内のテーブルを自動発見します。カタログ・スキーマ名を指定するとより正確になります。
ハンズオンの流れ（約50分）
事前準備
- Databricks Free Editionアカウント（無料）が必要です
- ブラウザ（Chrome推奨）
Step 0（5分）：環境確認
- Databricksワークスペースにログイン
- 左サイドバーの 「Databricks Assistant」 アイコンをクリック（✨マーク）
- アシスタントパネルが右側に開くことを確認
- 上部の 「Agent」 または 「エージェント」 タブに切り替える
ポイント：エージェントモードは現在パブリックプレビューです。利用できない場合はワークスペース管理者に確認してください。
Step 1（15分）：データサイエンスエージェントを試す
NYCタクシーデータを使ったEDA（探索的データ分析）を自動化します。
手順
- 新しいノートブックを作成（任意）
- アシスタントパネルをエージェントモードに切り替え
- 以下のプロンプトを入力：
NYCタクシーのトリップデータ（samples.nyctaxi.trips テーブル）を使って、
以下の分析を行い、このノートブックにまとめてください：
1. データの基本統計量（件数、主要カラムの平均・最大・最小）
2. 乗車距離と料金の相関分析（散布図付き）
3. 曜日・時間帯別の乗車傾向の可視化
4. 主要なインサイトを3つ箇条書きで
- エージェントが自動でコードを生成・実行するのを観察する
- エラーが出た場合、自動で修正されることを確認する
確認ポイント
- コードが自動生成・実行された
- グラフ・可視化が表示された
- インサイトがまとめられた
Step 2（15分）：ダッシュボードオーサリングエージェントを試す
Step 1の分析結果からLakeviewダッシュボードを自動生成します。
手順
- アシスタントに以下を入力：
NYCタクシーの分析ダッシュボードを作成してください。
- samples.nyctaxi.trips テーブルを使用
- 月次乗車件数の推移（折れ線グラフ）
- 乗車距離分布（ヒストグラム）
- 平均料金のランキング（棒グラフ）
- 日付でフィルタリングできるようにして
- ダッシュボードが自動生成されるのを待つ
- 生成されたダッシュボードを開く
- チャットで追加修正を依頼する：
月次の乗車件数の棒グラフも追加して、
全体のレイアウトを整理してください
確認ポイント
- ダッシュボードが自動生成された
- ウィジェットが追加・修正できた
- Genie Spaceが自動生成された
Step 3（15分）：もくもくタイム
自由に試してみましょう！以下のテーマから選んで挑戦してください：
テーマ例
- 自社業務に近いデータモデルをイメージしてEDAを試す
- データエンジニアリングエージェントでパイプライン草案を作る
- ダッシュボードをさらにカスタマイズする
気づいたこと・うまくいったこと・困ったことは Slackまたはチャット でシェアしてください！
まとめ（5分）：振り返り & シェア
- 参加者同士で気づきをシェア
- 「こんなことができた！」「ここが難しかった」を話し合いましょう
- 次回のテーマについてアイデアを募集
時間が余った方向け：サンプルプロンプト集
エージェントモードをもっと試したい方向け。コピーして使ってください。
データサイエンス系
# 1. 異常検知
samples.nyctaxi.trips テーブルで、異常に高い料金（外れ値）を
統計的手法で検出し、その特徴を分析してください。
IQR法とZスコア法の両方で試して比較してください。
# 2. 時系列予測
samples.nyctaxi.trips の月次乗車件数を使って、
Prophet または ARIMA で将来3ヶ月の需要を予測し、
予測結果をグラフで可視化してください。
# 3. クラスタリング
NYCタクシーの乗客をK-Meansでクラスタリングしてください。
特徴量：乗車距離、料金、乗車時間帯、曜日
最適なクラスター数をエルボー法で決定してから実行してください。
# 4. 機械学習モデル
タクシー料金を予測する機械学習モデルを作ってください。
目的変数：fare_amount
説明変数：trip_distance, pickup_hour, day_of_week, passenger_count
XGBoostとランダムフォレストを比較して、精度の高い方を採用してください。
データエンジニアリング系
# 5. データクレンジングパイプライン
samples.nyctaxi.trips テーブルを対象に、
以下のクレンジングを行うDelta Live Tablesパイプラインを設計してください：
- 負の料金・距離の除外
- 乗車時間が0分または24時間超の除外
- 必要カラムのnull除外
Bronze→Silverの変換として実装してください。
# 6. ゴールドテーブル集計
以下の集計テーブルをSilver→Goldとして作成してください：
- 日次：乗車件数、平均料金、平均距離
- 週次：同上＋前週比
- 月次：同上＋前月比
パーティションはdate列で設定してください。
ダッシュボード系
# 7. エグゼクティブサマリーダッシュボード
NYCタクシーのKPIダッシュボードを作成してください：
- 当月の乗車件数・売上・平均料金（前月比付き）
- 週次トレンドの折れ線グラフ
- 時間帯ヒートマップ
- 上位乗車エリアのランキング
シンプルで経営陣が見やすいデザインにしてください。
# 8. オペレーション分析ダッシュボード
タクシー運行効率の分析ダッシュボードを作成してください：
- 乗車率の時間帯分布
- 平均待機時間の推移
- 距離別料金の分布
- 効率の悪い運行パターンのハイライト
フィルター：日付範囲、曜日
応用・チャレンジ系
# 9. レポート自動生成
2024年の NYCタクシー利用状況について、
ビジネスレポートを自動生成してください。
以下を含めてください：
- エグゼクティブサマリー（3行）
- 主要KPIの月次推移
- 注目すべきトレンド（3つ）
- 改善提案（2つ）
最後にMarkdown形式でノートブックに保存してください。
# 10. データ品質チェック
samples.nyctaxi.trips テーブルのデータ品質レポートを作成してください：
- 各カラムのnull率
- 外れ値の割合
- 重複レコードの有無
- 期待値範囲外のデータ件数
問題が見つかった場合は修正方法の提案も含めてください。
まとめ
Databricksアシスタントのエージェントモードは、データ作業の「自動化」を新しいレベルに引き上げます。
- 指示するだけでEDA・可視化・ML・ダッシュボード生成が完了
- エラーも自動修正でストレスなく開発が進む
- Unity Catalog連携で社内データをそのまま活用
- MCP・Agent Skillsで社内ツールとのシームレスな連携
ぜひ日常のデータ作業で試してみてください。感想やユースケースは JEDAI Discord でシェアしてもらえると嬉しいです！
参考リンク
公式ドキュメント（日本語）
- Databricksアシスタント概要
- エージェントモード
- データサイエンスエージェント
- ダッシュボードオーサリングエージェント
- Agent Skills
- MCP（Model Context Protocol）
- Lakeflow Spark宣言型パイプライン
- Unity Catalog
- Databricks Free Edition