在年度数据与AI盛会DAIS 2026上，Databricks再次将LTAP（低延迟分析处理）置于舞台中央，并与Lakebase、Lakehouse/RT等全新能力同步亮相。
表面上看，这似乎是数据架构领域的又一次复古讨论，然而将视角聚焦在企业AI落地的真实场景中，它直指一个更为尖锐的痛点：当企业面临着交易处理、分析支撑与AI应用的三重压力时，底层数据架构是否还能继续依赖多套系统的松散拼凑？
1. Databricks 为什么又把 LTAP 推到台前？
在传统数据架构中，交易系统负责写入操作，分析系统专注查询响应，而AI系统则需要从分析层、特征层或向量层抽取数据。这种分工模式在过去相当清晰，也支撑了多年的报表生成、商业智能以及离线分析场景。
然而，当企业将RAG（检索增强生成）、Copilot、智能Agent乃至自动化业务流程真正推向生产环境后，原有的数据流转路径变得愈发沉重。数据每经过一层CDC（变更数据捕获）、同步和加工，就会引入额外的延迟、增加治理成本，同时提高指标口径不一致的风险。
在报表主导的时代，数据稍有延迟最多影响分析体验；但在Agent驱动的时代，数据延迟可能直接导致业务决策失误。
以一个真实的客户成功场景为例：一个智能Agent需要识别存在流失风险的客户。它不仅要分析过去数月的产品使用数据，还需了解客户昨日是否提交了紧急工单、合同临近到期与否、销售团队是否刚刚更新了续约状态。如果这些信息分散在CRM、工单系统、产品埋点以及数据仓库中，且经过多层同步延迟，Agent极有可能基于“昨天的客户画像”去判断今天的最新风险。
由此可见，LTAP的再次兴起本质上是AI应用反向倒逼底层数据架构变革的必然结果。
Databricks此次高调重拾LTAP，核心意图是让同一份数据能更高效地服务多种工作负载，从而减少CDC管道、重复副本以及中间链路所造成的混乱。换言之，AI时代的数据平台不能仅仅停留在“存储数据”的层面，更要让业务系统、分析引擎和AI应用都能更快地获取并利用同一份可信的数据。
2.“一份数据服务一切”是否好落地？
从概念角度看，“一份数据服务一切”无疑具有天然的吸引力——减少数据搬运、降低延迟、实现统一治理，也更加契合AI应用的需求。但一旦进入工程实践，便会面临一系列具体挑战。
交易型工作负载强调数据一致性、短事务处理以及稳定的点查询；分析型工作负载则追求高吞吐量、复杂聚合函数和大范围扫描；而AI Agent的调用则更加挑剔——它既要求数据具备足够的实时性，又期望接口稳定、语义清晰、权限可控，同时还需要能够追溯每次结果的来源。
长期以来，这些需求都由不同的专用系统各自优化实现。如今，若要单一平台同时承担更多责任，就必须妥善解决资源隔离、弹性调度、负载相互干扰以及治理边界等关键问题。否则，“一份数据服务一切”的理想架构极易蜕变为生产事故的导火索。
以金融风控场景为例，Copilot需要辅助评估一笔贷款申请的风险，就必须同步理解用户的近期交易、历史还款记录、当前授信状态以及最新风控规则。若底层平台无法同时确保实时性、一致性与查询稳定性，AI给出的建议便很难真正融入审批流程。
因此，LTAP究竟能走多远，取决于底层平台能否在混合负载场景下持续保证稳定性、实时性和可治理性。这正是AI时代数据平台面临的全新挑战——如何让不同工作负载在同一条业务链路上可靠地协同运作。
3. 消除数据延迟，企业未必要走大一统路线
当然，企业架构升级通常需要循序渐进。当AI从“辅助回答问题”进化为“参与业务判断”时，数据平台面临的任务不仅是让数据更快地送达模型，还包括让模型在复杂业务中理解、记忆这些数据，并在正确的语义和权限范围内合理利用它们。
若查询层不稳定，Agent便无法可靠地获取数据；若语义层不清晰，模型就难以准确理解“收入”、“活跃客户”、“流失风险”等关键指标的含义；若调用链路不可追溯，企业便很难判断某次AI建议究竟基于哪些数据、经过哪些步骤，是否值得信赖。
一个值得关注的方向是：数据库不再仅仅是执行SQL查询的场所，更是Agent理解业务现场的核心上下文层。
在这一上下文层中，底层数据必须具备充分的实时性，业务语义必须足够清晰，Agent的调用过程需要可追踪、可评估，同时历史经验也应得以沉淀，避免每次决策都从零开始。
以零售补货为例，一个真正可用的补货Agent不仅需要查询“某个SKU的当前库存量”，还必须理解安全库存的定义、哪些门店属于高优先级、哪些促销活动会影响正常销量趋势，以及过去类似情形下运营团队的处理方式。
这些能力并非完全源自模型本身，而是取决于模型背后是否存在一个稳定、实时且语义清晰的业务上下文层。
因此，消除数据延迟并非只有“大一统”架构这一条路径。对于大多数企业而言，更为务实的方式是优先缩短AI决策最依赖的数据链路，确保模型能够在正确的上下文环境中使用正确的数据。
4. AI 时代的数据平台竞争，正在进入下一阶段
在AI时代，数据平台的竞争焦点正从单纯的存储与计算能力，延伸至一条更长的能力链条。
如今，许多企业在实施AI问数、智能分析以及业务Agent时，面临的瓶颈并非模型无法生成SQL，而是模型并不真正理解企业内部的指标口径、语义关系以及业务上下文。
例如，同样是“客户收入”这一概念，财务系统、销售系统与数据分析系统可能采用不同的口径；同样是“活跃用户”，产品团队与运营团队的界定标准可能相异；同样是“高价值客户”，销售、客服与经营分析部门也可能各有各自的评判依据。
人类分析师在面对此类问题时，能够凭借经验、追问和确认进行修正。然而，如果Agent缺少语义层的约束，就可能将错误口径包装成一个看似合理的答案。
接下来，语义层将不再仅仅是外围工具链的组成部分，而是重新回归数据平台的核心地位。它需要帮助模型理解企业指标、业务对象、关系约束以及权限边界，使AI不仅能够“查到数据”，更能“用对数据”。
在AI时代，数据库已不再仅仅充当数据存储引擎，而是成为企业业务上下文（Business Context）的核心基础设施。
未来的竞争焦点，不再是谁拥有更多数据，而是谁能让Agent持续理解、记忆并正确运用企业运营知识。
