Escale agentes de programação controlando custos com ug – Unity Gateway CLI

Autoria: Databricks · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Scale AI coding agents while controlling costs with ug – the Unity Gateway CLI · Canal: Databricks · 05:12 · Assistir no YouTube

Tópicos: Agentes de IA, Engenharia de software com IA, Governança e regulação de IA, Mercados e economia

Resumo

Amber, da Databricks, demonstra como configurar e distribuir agentes de programação governados pela empresa usando Unity Gateway CLI (UG). A configuração define agentes disponíveis, modelos, MCP servers, skills, rastreamento e regras de orçamento com roteamento entre modelos conforme o gasto. Em seguida, ela mostra a configuração no terminal, uma consulta respondida pelo Codex com apoio de um MCP server e a inspeção dos traces e orçamentos no workspace. O objetivo é dar acesso a agentes de programação enquanto a organização mantém controle central sobre custos, modelos e segurança.

Pontos-chave

Administradores podem distribuir uma configuração JSON com agentes, modelos autorizados, níveis de acesso e limites de orçamento.
A configuração demonstrada inclui Claude Code, Codex, smart routing, skills, MCP servers e tracing.
Os smart defaults encaminham o uso a diferentes agentes e modelos conforme os intervalos de consumo do orçamento.
Os desenvolvedores recebem a configuração mais recente ao iniciar uma nova sessão, sem precisar reconfigurar os agentes manualmente.
O Codex usa o modelo GPT 5.6 para responder a uma pergunta sobre as metas de treinamento FY26 da Boba Bricks.
A resposta consulta skills e páginas do Confluence por meio do Atlassian MCP server e inclui uma fonte.
O workspace permite inspecionar traces nativos de OTel e verificar os outputs e as fontes usadas.
O Unity Gateway CLI oferece acesso a agentes de programação com controle central de custos, modelos e segurança.

Capítulos

Início	Capítulo	Resumo
00:04	Configuração central dos agentes	Amber apresenta o Unity Gateway CLI e configura uma distribuição governada de agentes, modelos e ferramentas.
01:36	Regras de orçamento e configuração no terminal	Ela publica regras de roteamento por faixa de orçamento e aplica a configuração no terminal após autenticar no workspace.
03:09	Consulta com Codex e fontes empresariais	O Codex usa smart routing, consulta skills e páginas do Confluence via MCP e responde com uma fonte citada.
04:11	Inspeção de traces e controle de custos	A apresentadora verifica os traces e os orçamentos e conclui que o UG permite escalar agentes com controle organizacional.

Citações

Esta configuração define modelos autorizados, níveis de acesso e limites de orçamento em toda a organização. — 00:35

O UG CLI obtém a configuração mais recente sempre que um desenvolvedor inicia uma nova sessão. — 02:07

A meta é alcançar mais de 95% de conclusão do treinamento até o Q2. — 03:40

O Unity Gateway CLI dá aos desenvolvedores acesso aos agentes de programação que desejam, enquanto permite às organizações controlar custos, acesso a modelos e segurança. — 05:12

Conceitos e entidades

Unity Gateway CLI (ferramenta): CLI usada para configurar e distribuir agentes de programação governados em uma organização.
Unity Gateway (ferramenta): Recurso da Databricks apresentado para administrar o acesso e os custos de agentes de programação.
Databricks (empresa): Empresa cujo workspace é usado para configurar e monitorar os agentes.
Claude Code (ferramenta): Agente de programação configurado como opção padrão na demonstração.
Codex (ferramenta): Agente de programação usado na demonstração para responder a uma pergunta consultando fontes empresariais.
GPT-5.6 (modelo): Modelo indicado pelo smart router para a sessão do Codex demonstrada.
MCP (conceito): Protocolo cujos servidores conectam os agentes a serviços como Confluence.
Atlassian MCP server (ferramenta): Servidor usado pelo agente para pesquisar páginas do Confluence da Boba Bricks.
OpenTelemetry (conceito): Padrão de rastreamento citado para os traces dos agentes de programação.
Amber (pessoa): Apresentadora da demonstração e integrante da equipe de marketing técnico da Databricks.

Tradução completa (pt-BR)

00:04 Olá a todos. Meu nome é Amber. Faço parte da equipe de marketing técnico aqui na Databricks. Quero falar sobre como controlar os custos dos coding agents em escala usando o Unity Gateway. Hoje, serei administradora da empresa Boba Bricks, onde meu objetivo é configurar o UG, a CLI do Unity Gateway para gerenciar e distribuir coding agents com governança em toda a empresa. Na página do Unity Gateway no meu workspace do Databricks, na aba à direita, em Govern, vou clicar em CLI configuration.

00:35 Aqui, posso distribuir e gerenciar ferramentas de IA com governança para minha equipe. Essa configuração define os modelos autorizados, os níveis de acesso e os limites de orçamento em toda a organização. Para implementá-la, vou clicar em Publish configuration, onde posso editar diretamente a configuração JSON. Aqui, podemos ver tudo o que posso definir: nosso agent padrão, nosso servidor MCP, skills, configurações inteligentes padrão e exatamente como tudo isso entra no arquivo JSON. E já tenho um arquivo personalizado

01:05 pronto, então vou simplesmente colá-lo aqui. Podemos ver o agent padrão que habilitei, o Claude Code. Tenho o roteamento inteligente disponível. Tenho meus modelos padrão. Também habilitei o tracing. Depois, faço o mesmo para o Codex, com os serviços de modelos que quero usar. Se eu rolar até o final, vejo minhas configurações inteligentes padrão. É assim que defino os recursos de orçamento. Deixe-me mostrar como

01:36 isso fica quando publico a configuração. Agora vemos a configuração ativa completa. Então, novamente, o Claude Code é meu padrão. Tenho os modelos personalizados disponíveis. Tenho o modelo padrão que quero que o Claude Code use. Faço o mesmo com o Codex. Habilitei skills. Habilitei MCPs. Todos os MCPs do sistema, como GitHub, Slack, Google e Atlassian, e minhas configurações inteligentes padrão estão habilitados. Foi assim que configurei esses intervalos de gastos. Então,

02:07 defino que, de 0% a 60%, use o Cloud Code e os modelos que tenho disponíveis nele. De 60% a 80%, use o Codex e um modelo de sistema específico. E, se eu chegar a 80% a 100% do meu orçamento, quero usar um modelo de menor custo, como o Kimmy. Agora, o UG CLI obtém a configuração mais recente sempre que um desenvolvedor inicia uma nova sessão. Assim, essas atualizações serão aplicadas sem que meus desenvolvedores precisem reconfigurar manualmente seus agents. Deixe-me mostrar como isso fica copiando o comando de configuração.

02:38 Vou simplesmente colá-lo no meu terminal. Preciso fazer uma autenticação única no meu workspace do Databricks. Ele vai verificar a conexão. E podemos ver que a configuração foi concluída. Temos o Cloud Code e o Codex disponíveis, então podemos alternar entre os dois. Temos servidores MCP registrados. Temos skills disponíveis. Então, vamos

03:09 começar com o UG Codex. Vou perguntar: “Quais são as metas de treinamento da Boba Bricks para o FY26?” Aqui, podemos ver que o roteador inteligente do Unity Gateway está habilitado. Como estamos usando o Codex, estamos usando o modelo GPT 5.6. Ele explicou por que encaminhou a solicitação para esse modelo específico, citando que se trata de um escopo aberto, de localização,

03:40 e transversal. Vamos ver como ele respondeu à pergunta. Ele explorou meu arquivo de skills. Pesquisou nas páginas da Boba Bricks no Confluence usando o servidor MCP do Atlassian. E é justamente lá que a Boba Bricks tem suas metas de treinamento para o FY26. Aqui vemos a resposta: a meta é concluir o treinamento para mais de 95% até o segundo trimestre, e ele nos indica a fonte dessa informação. Certo, voltando ao meu workspace do Databricks.

04:11 Ao lado de CLI configuration, vou acessar a visualização de traces. Lembre-se de que esses são traces nativos do OTel, vindos dos nossos coding agents para essa tabela unificada de tracing. Vou clicar no ID do trace mais recente. Podemos ver alguns textos padrão que vêm do uso do Codex como coding agent. Vou rolar até as saídas para ver que minhas skills foram usadas e conferir a saída com a fonte citada.

04:41 E podemos confirmar que essa é mesmo a página da Boba Bricks com as metas para o FY26. Por último, queria mostrar os orçamentos. Vimos na configuração da CLI que pude adicionar configurações inteligentes padrão com o orçamento aqui, e fiz isso adicionando o ID desse orçamento à configuração da CLI no arquivo JSON. Então, para concluir, a CLI do Unity Gateway, o UG, dá aos desenvolvedores acesso aos coding

05:12 agents que querem, enquanto oferece às organizações controle centralizado sobre custos, acesso a modelos e segurança. Posso disponibilizar coding agents para nossas equipes de desenvolvimento sem obrigar os desenvolvedores a mudar a forma como trabalham. E tenho o prazer de anunciar que o UG já está disponível. Mal posso esperar para que vocês experimentem. Obrigada.

Transcrição original

[00:04] Hello everyone. My name is Amber. I’m on the tech marketing team here at Databricks. And I want to talk to you about how I can control coding agents cost at scale using Unity Gateway. Today, I’ll be an admin at the company Boba Bricks, where my goal is to configure UG, the Unity Gateway CLI for managing and distributing governed coding agents across an enterprise. In my Unity Gateway page in my Databricks workspace, in the right-hand tab under govern, I’m going to click CLI configuration.

[00:35] Here, I can distribute and manage govern AI tools for my team. This configuration defines authorized models, access level, and budget limits across our organization. And to implement this, I’m going to click publish configuration, where I can edit the JSON configuration directly. And here we can see everything that I’m able to set. So, this is our default agent, our MCP server, skills, smart defaults, and exactly how they go into the JSON file. And I have a custom

[01:05] file already ready, so I’m just going to paste that here. We can see the default agent I have enabled, which is Claude Code. I have smart routing available. I have my default models. I also have tracing enabled. And then I do the same for Codex, so the model services I want. And then if I scroll all the way down to the bottom, I can see my smart defaults. So, this is how I set my budgeting capabilities. And let me show you how

[01:36] that looks when I publish it. Now we see the full active configuration. So, again, I have my default as Claude Code. I have the custom models available. I have the default model for Claude Code that I want it to use. I do the same with Codex. I have skills enabled. I have MCPs enabled. All the system MCPs like GitHub, Slack, Google, Atlassian, my smart defaults enabled. So, this is what I set up with those spend intervals. So,

[02:07] I say from 0 to 60% use Cloud Code and the models that I have available there. From 60 to 80% use Codex and a specific system model. And then if I reach 80 to 100% of my budget, I want to use a lower cost model like Kimmy. Now, the UGC I picks up the latest configuration whenever a developer starts a new session. So, these updates will roll out without requiring my developers to manually reconfigure their agents. Let me show you what this looks like by copying over the configure

[02:38] command. Just going to paste this into my terminal. I have to do a one-time authentication into my Databricks workspace. It’s going to verify the connection. And we can see the configuration’s complete. We have Cloud Code and Codex available, so we can switch back between the two. We have registered MCP servers. We have skills available. So, let’s get

[03:09] started with UG Codex. And I’m going to ask, “What are Boba Brick’s FY26 training goals?” Here we can see our Unity Gateway smart router is enabled. So, because we’re using Codex, we’re using the GPT 5.6 model. And it gave a reason for why it routed to the specific model citing that this is open-ended, localization,

[03:40] cross-cutting scope. And so, let’s see how it did with the question. So, it explored my skills file. It searched through the Boba Brick’s Confluence pages using the Atlassian MCP server. And that’s actually where Bob Bricks has its FY26 training goals. And then here we see the answer above 95% training completion is the goal by Q2, and gives us a source for where it got this information. All right, going back to my Databricks workspace.

[04:11] Next to the CLI configuration, I’m going to go into our traces view. Now, remember these are native OTel traces coming from our coding agents into this unified tracing table, and I’m going to click the latest trace ID. We can see some default language that comes from using Codex as a coding agent. I’m going to scroll down to the outputs, so we can see that my skills were used, and we see the output with the cited

[04:41] source. And we can see that indeed this is the Bob Bricks page for the FY26 goals. Lastly, I wanted to show budgets. We saw in the CLI configuration that I was able to add smart defaults with the budget inch budget here, and that was by adding the ID from this budget to the CLI configuration in the JSON file. So, in conclusion, the Unity Gateway CLI UG gives developers access to the coding

[05:12] agents they want, while giving organizations central control over cost, model access, and security. I’m able to roll out coding agents across our development teams without forcing developers to change how they work. And I’m happy to announce that UG is available today, so I can’t wait for you to check it out. Thank you.