# Databricks生成式AI认证，45题里23道考应用构建

> 客户数据若已在 Databricks 上，考试权重几乎对应首个 RAG 与 Agent 项目，治理部分只占 8%。

原文: https://fdetimes.net/zh/books-courses/databricks-generative-ai-engineer-associate-guide/

在 Databricks Certified Generative AI Engineer Associate 考试的 45 道计分题中，约 23 道集中在两个部分：构建应用，以及组装和部署应用。设计、数据准备、评测和治理加起来还不到一半。

如果客户的数据已经放在 Databricks 上，客户不需要听一堂大模型理论课。客户需要的是一个能检索自家文档、运行在已付费平台上的 Agent，而且答错时有人负责。

## 考试考什么，权重在哪里？

根据官方认证页面，这项考试评估的是在 Databricks 上设计和部署基于 LLM 的解决方案的能力。考试限时 90 分钟，共 45 道题，每题约两分钟。考试费用为 200 美元，证书有效期 2 年。

最值得研究的是权重表。把百分比换算成 45 道计分题中的题数：

| 部分 | 权重 | 约占题数 / 45 | 对应的客户现场任务 |
|---|---|---|---|
| Application Development | 30% | 约 13–14 | 编写检索链、提示词、工具调用 |
| Assembling and Deploying Apps | 22% | 约 10 | 打包 Agent，交付到客户环境 |
| Design Applications | 14% | 约 6 | 针对客户问题选择架构 |
| Data Preparation | 14% | 约 6 | 解析文档、分块 |
| Evaluation and Monitoring | 12% | 约 5 | 衡量质量，上线后持续跟踪 |
| Governance | 8% | 约 3–4 | 权限、敏感数据管控 |

这对复习的意义很明确。如果你擅长设计，却从没亲手部署过 Agent，那么你的短板恰好落在占一半以上分数的那组内容上。这部分也应该最先练，因为 Agent 还没在客户平台上跑起来，对客户就毫无用处。

## 应该按什么顺序学？

Databricks 建议，参加考试前至少要有 6 个月的实操经验，覆盖考试指南中列出的任务。所以学习路径应当从亲手做开始。

主课程是 Generative AI Engineering with Databricks，级别为 Associate。课程共 16 小时，分为四个模块，每个模块四小时。课程面向数据科学家、机器学习工程师和广义的数据从业者，因此刚接触 Databricks 生态的软件工程师应当多留些时间熟悉界面和平台核心概念。

想在花钱前先试试，可以从免费课程 Building Retrieval Agents on Databricks 开始。Databricks 将它定位为 Generative AI Engineering with Databricks 系列的第一门课。课程内容从分块、Vector Search 到 Agent Bricks，与模块 1 大部分重合，适合在投入整个系列之前先试学。

在社区论坛上，一位 Databricks 员工表示，这门课是取代 Generative AI Solution Development 的更新版，旧课程已转入维护模式。凡是仍引用旧课程名称的学习资料，都应对照当前内容核实。

## 四个模块构成一条 Agent 生命周期

这门课最值得学的是它的编排顺序，而不只是每个模块的内容。模块 1 讲基于 Agent Bricks 的 RAG：检索 Agent、文档解析、分块和 Vector Search。

模块 2 转向 Agent：通过 Unity Catalog 和 MCP 治理的工具，用 OpenAI Agents SDK 构建单 Agent 与多 Agent 系统，监督 Agent（supervisor agent），以及用 MLflow tracing 观察运行中的 Agent。

模块 3 专讲 Agent 评测，使用 MLflow 的评测框架，包括自定义评判器、基于精选数据集的离线评测，以及上线后的在线监控。直到模块 4 才讲部署：把 Agent 放到 Databricks Apps 上，通过 MCP 集成工具，接入 MLflow Tracing，并在生产环境中衡量质量。

设想一家保险客户，希望用 Agent 回答保单条款相关的问题。课程把评测排在部署之前，意味着在讨论把 Agent 交给员工使用之前，你得先回答“怎么知道它答得对？”

## 值得记住的三点

第一，分块是一项工程决策，而不是默认步骤。课程把文档解析和分块放在第一个模块，所以要把它当作基础技能，在客户的真实文档上尝试多种切分方式，而不是直接套用预设配置。

第二，Agent 的工具应当经过平台的治理层。课程讲的是通过 Unity Catalog 和 MCP 访问工具；到了客户现场，要尽早问清楚 Unity Catalog 的权限由谁管理，因为你的 Agent 恰恰要经过这一层。

第三，评测先于部署。Evaluation and Monitoring 在考试中只占 12%，但在客户现场，正是它让信任在上线第一周之后依然保持。

**要点:** 52% 的分数在构建和部署应用：复习要靠亲手把 Agent 跑起来，而不只是读资料。

## 常见的复习误区

第一个误区是第一周就开始刷模拟题。既然官方建议有 6 个月的实操经验，模拟题应该在你至少搭过一条 RAG 管道、做过一个带工具的 Agent 之后，再用来查漏补缺。

第二个误区是按旧名称学习。官方文档现在把 Agent Bricks 描述为 Databricks 的 Agent 开发平台，数据检索部分则称为 AI Search 索引，而课程介绍里仍沿用 Vector Search 这个名称。学课程时要同时读当前文档，以免打开客户的 workspace 时措手不及。

第三个误区是在六个部分上平均分配时间。权重表显示，构建和部署应用的分量是治理的好几倍；复习时应按这个比例分配，但也不要完全放弃任何一个小部分。

## 证书对 FDE 履历有什么帮助？

如果你的目标是去一家 Databricks 客户众多的公司做前线部署工程师（FDE），可以在职位描述中留意 Unity Catalog、MCP、RAG 或 Agent 评测等关键词。

证书告诉雇主，你了解这个平台的概念和工具。简历上一行描述你亲手搭建的 RAG 管道，写明分块方式和质量衡量方法，则告诉雇主你真正做过这些工作。

不要把考试当作终点。把权重表当作下一个项目的技能清单：凡是从未在真实环境中做过的部分，都应在客户问起之前亲手做一遍。

**本周动手试试:**

- 打开官方认证页面，把六个部分的表格抄到一页纸上，根据真实经验给自己每一部分打 1 到 5 分。
- 报名免费课程 Building Retrieval Agents on Databricks，用一小批内部文档完成分块和 Vector Search 两部分内容。
- 在简历上写一行，描述你搭建过的一条 RAG 管道，写明数据如何分块、回答质量如何评测。

## 信源

- [Databricks Certified Generative AI Engineer Associate](https://www.databricks.com/learn/certification/genai-engineer-associate)

- [Generative AI Engineering with Databricks](https://www.databricks.com/training/catalog/generative-ai-engineering-with-databricks-1980)

- [Learning Series: Building Retrieval Agents on Databricks](https://community.databricks.com/t5/announcements/learning-series-building-retrieval-agents-on-databricks/m-p/146932/highlight/true)

- [Develop agents on Databricks | Databricks on AWS](https://docs.databricks.com/aws/en/generative-ai/guide/introduction-generative-ai-apps)

- [Was the Generative AI Solution Development canceled? (Databricks Community)](https://community.databricks.com/t5/training-offerings/was-the-generative-ai-solution-development-canceled/td-p/145704)