Databricks推出LTAP架构，合并企业两类数据库

Databricks希望消除企业运营数据库与分析数据库之间长期存在的鸿沟。在旧金山举行的Data + AI峰会上，该公司发布了一种名为湖仓事务/分析处理（Lake Transactional/Analytical Processing，简称LTAP）的新架构，旨在为智能体的应用场景彻底打通这道壁垒。

Databricks早在此前就已着手布局，并通过2025年相继收购无服务器Postgres初创公司Neon和Mooncake Labs，将这一方向落到实处。其核心判断是：智能体而非人类，将成为企业数据栈的主要用户，因此底层基础设施必须围绕智能体重新构建。

Databricks联合创始人兼CEO Ali Ghodsi在发布声明中表示："数十年来，复杂的数据基础设施是企业团队被迫承担的额外负担。而随着智能体的到来，短短数月间，企业的'劳动力'实际上翻了一番，只不过新增的不是人类员工。智能体能以人类团队望尘莫及的速度编写代码、发起调用、执行循环。曾经支撑上一个计算时代的基础设施，如今已成为所有人都无法承受的瓶颈。LTAP正是为了消除这一障碍而生。"

Ghodsi在峰会主题演讲中称LTAP是"行业耕耘40年的重大突破，我们认为我们终于做到了"。

长期以来，企业不得不同时运行两类数据库：联机事务处理（OLTP）系统以行存格式处理订单、支付、库存等业务实时操作，追求快速写入；联机分析处理（OLAP）系统则以列存格式对相同数据进行报表分析，专注于大规模扫描效率。两者因性能和可靠性原因而相互隔离，企业通常依赖ETL管道和数据副本来桥接它们。

Databricks认为，智能体需要一套截然不同的系统——能够同时读取实时事务数据、基于历史上下文进行推理，并在两者之上并发执行操作。

该公司指出，此前合并两层数据库的尝试均未能成功：混合事务与分析处理（HTAP）系统成本高昂且存在供应商锁定风险，而"零ETL"工具本质上仍是隐式的变更数据捕获，数据仍存在两份副本，数据陈旧问题依然存在。

LTAP将事务数据与分析数据统一存储在单一存储层，采用开放格式存储于云对象存储上，统一治理，同时为不同类型的计算任务保留独立的计算引擎。

该架构直接基于Lakebase构建。Lakebase是Databricks于2025年6月推出的基于Postgres的操作型数据库，被该公司定位为一种"新型类别"产品，通过将计算与存储分离，以开放格式将数据存入湖仓。

此次，Databricks进一步扩展了Lakebase的能力，面向关键业务工作负载新增了原生向量搜索与全文检索、通过Lakeflow Connect摄取服务旗下的Zerobus实现实时事件摄取，以及类Git分支机制——允许智能体复制一份数据库进行实验后随时丢弃。

Ghodsi表示："智能体喜欢随时分叉并在数据上做实验，尝试不同方案，而且要求速度够快，不愿意等上十分钟才能启动一个数据库。"

架构的第二部分是Lakehouse//RT，这是一款实时分析引擎，由Databricks自研的向量化引擎Reyden驱动，可直接在湖仓的Delta和Iceberg表上运行。

长期以来，企业为获得毫秒级查询速度，不得不另行搭建专用系统，将数据复制到湖仓旁边的"服务层"。Databricks表示，Lakehouse//RT消除了这一额外层次，无需额外数据副本、管道或治理缺口，即可在湖仓数据上实现毫秒级延迟响应。

Databricks着重强调了该引擎的高并发能力。PointClickCare工程高级副总裁Mehrshad Setayesh表示，Lakehouse//RT"在医疗数据集上的平均速度比我们原有数据仓库快了三分之一以上，特定查询提速高达10倍"，并且让该公司摆脱了在湖仓之外另行维护专用实时系统的需求。

LTAP的核心价值主张在于：数据只需以开放格式存储一份，无需复杂的数据管道。Databricks去年在介绍Lakebase架构时写道，该架构在事务与分析工作负载之间共享同一存储层，"无需移动或复制数据"。

Lakebase的分析性能得益于Databricks收购的初创公司Mooncake。Mooncake能将Postgres的变更实时镜像到湖仓，这也是事务与分析能够基于同一份最新数据运行的核心机制。Databricks在宣布收购时写道："Postgres的变更会被实时镜像到湖仓。"镜像过程会生成一份列存格式的副本，正是这一副本让分析查询得以高速运行。

该公司同时表示，安全、治理、审计和高可用能力"只需在单一开放基础上实现和管理一次即可"。

分支功能则是专为智能体场景而设计的核心特性，也是Neon的核心能力之一。由于数据存储在对象存储上，智能体可以像操作Git分支一样，随时fork一个完整数据库、对其进行测试，再将其丢弃。Databricks表示，即使是PB级别的数据库也能在数秒内完成复制，而传统数据库启动一个新实例往往需要数分钟乃至数小时，克隆生产环境更可能带来中断风险。

正如Ghodsi在主题演讲中所指出的，智能体天然偏爱Postgres，但也需要更好的工具与之配合，甚至需要更好的数据库本身。他表示："未来12个月，我们将见证人类历史上规模最大的软件创作浪潮。你们的组织借助大语言模型和编程工具构建的所有这些软件，背后都需要数据库的支撑。"

LTAP只是本次长达三小时主题演讲的一部分。与众多企业级厂商一样，Databricks也在思考如何管控智能体无序扩张及其带来的成本问题。Databricks给出的答案是Unity AI Gateway——一个统一的控制点，覆盖组织内运行的所有模型、智能体、MCP服务器和技能。该产品提供支出仪表盘、按团队或用户设置的预算、速率限制以及跨MCP服务器的单点登录等功能。

此外，Databricks还发布了面向业务团队的通用智能体Genie One，其背后由Genie Ontology提供支撑——后者是一个新的数据语义层，通过名为OntoRank的类PageRank算法，为企业数据构建带权重的图谱。

Ghodsi还重点介绍了OpenSharing，这是一项用于跨平台共享数据、模型和智能体技能的新协议（其前身Delta Sharing现已成为Linux基金会旗下的开源项目）。

Databricks还发布了面向营销团队的客户数据平台CustomerLake，并宣布收购基于Python的安全公司Panther，以强化其安全信息与事件管理服务Lakewatch。

在数据层面，以及深厚的数据科学背景，才是Databricks真正能够建立差异化竞争力的地方。当前几乎每家企业软件厂商，无论其核心专长为何，都在争相推出智能体构建、编排和治理工具。Databricks在这一领域能够扮演相对中立的角色——Ghodsi在主题演讲后的媒体发布会上也特别强调了这一点。

但该公司同样清醒地意识到，其他企业SaaS厂商可以凭借领域专长和存量客户数据为智能体构筑护城河，而Databricks更多扮演的是基础设施层的角色。正因如此，此次推出CustomerLake这类面向特定行业的产品也就不难理解——它在客户已存储于平台上的数据基础上，叠加了一层现成的产品能力，进一步向应用层延伸。

Q&A

Q1：LTAP架构是什么？它要解决什么问题？

A：LTAP（湖仓事务/分析处理）是Databricks发布的新型数据架构，旨在消除企业长期并行维护事务数据库（OLTP）与分析数据库（OLAP）的现状。传统上两类系统因性能和可靠性原因相互隔离，需要ETL管道桥接。LTAP将两类数据统一存储在单一存储层，以开放格式保存于云对象存储，同时保留各自独立的计算引擎，使智能体能同时读取实时事务数据和历史分析数据。

Q2：Lakebase和Lakehouse//RT分别是什么？

A：Lakebase是Databricks于2025年6月推出的基于Postgres的操作型数据库，将计算与存储分离，数据以开放格式存入湖仓，支持向量搜索、全文检索、实时事件摄取以及类Git分支机制，专为智能体工作负载设计。Lakehouse//RT则是一款实时分析引擎，由自研的向量化引擎Reyden驱动，可直接在Delta和Iceberg表上实现毫秒级查询延迟，无需额外数据副本或专用实时系统。

Q3：Databricks此次峰会还发布了哪些产品？

A：除LTAP架构外，Databricks还发布了Unity AI Gateway（统一管控组织内所有模型和智能体的控制平面，支持预算管理、速率限制和单点登录）、面向业务团队的通用智能体Genie One、数据共享协议OpenSharing、面向营销团队的客户数据平台CustomerLake，并宣布收购Python安全公司Panther以强化旗下安全服务Lakewatch。