企业级数据基础设施世界里，有一个根深蒂固的问题已经困扰了行业几十年：运营数据库和分析数据库之间那道看不见的墙。Databricks在今年的Data + AI峰会上，终于亮出了自己的解决方案——一种名为湖仓事务/分析处理（LTAP）的新架构。说得直白点，就是要为即将大规模上线的智能体应用，彻底打通这两个世界。

Databricks其实早就埋下了伏笔：2025年先后收购无服务器Postgres初创公司Neon和Mooncake Labs，就是为了把这条路径走通。他们有一个相当明确的核心判断——未来企业数据栈的主要用户，不是人类，而是智能体。既然用户变了，底层的数据库架构自然得跟着重新设计。

Ali Ghodsi在发布时讲了一段很直白的话：“几十年来，复杂的数据基础设施一直是企业团队的额外负担。但智能体一出现，短短几个月内，企业的‘劳动力’实际上直接翻了一倍——只不过新来的不是人类。它们写代码、调API、跑循环的速度，是团队远远跟不上的。曾经支撑上一代计算的基础设施，在智能体面前全是瓶颈。”他甚至在主题演讲中断言：“这是行业深耕40年后的重大突破。”

这里得先理解一下，企业过去为什么必须同时维护两类数据库。简单地说，OLTP系统是用于处理实时订单、支付、库存的事务处理，以行存格式追求写入速度；而OLAP系统则是做报表分析的，用列存格式追求海量数据扫描效率。两者天生存在性能和可靠性的矛盾，企业只能靠一套ETL管道和数据副本，在它们之间来回搬运数据。

Databricks觉得，智能体需要的是一个完全不同的系统——既要能读取实时的交易数据，又要能基于历史上下文做推理，同时还得在这两者上并发执行操作。过去不是没有人尝试合并这两类数据，但都没有成功：HTAP方案成本高还容易锁定供应商，而“零ETL”本质上只是隐式的数据变更捕获，数据仍存在两份副本，延迟问题并未消失。

LTAP的答案其实很直接：把事务数据和分析数据统一放在同一个存储层里，以开放格式存在云对象存储上，统一治理，但分别保留独立的事务和分析计算引擎。

这套架构的基础，是Databricks在2025年6月推出的Lakebase——一款基于Postgres的操作型数据库。它把计算和存储分离开，用开放格式把数据放进湖仓。这次Databricks又给Lakebase加了不少新能力：面向关键业务工作负载的本地向量搜索与全文检索、通过Lakeflow Connect的Zerobus做实时事件摄取，还有一个非常有意思的特性——类Git的分支机制。为什么说有意思？因为智能体可以随时fork出一个完整的数据库副本去做实验，玩完就扔掉，完全不影响线上的系统。

Ghodsi在演讲中甚至打趣了一句：“智能体喜欢随时分叉、在数据上做实验、尝试不同方案，而且它们根本不想等上十分钟去启动一个数据库。”

架构的另一头，是Lakehouse//RT，一款实时分析引擎。它由Databricks自研的向量化引擎Reyden驱动，直接在湖仓的Delta和Iceberg表上运行。过去，企业为了实现毫秒级查询，不得不把数据从湖仓复制到额外的“服务层”里——多一套系统、多一份成本。Lakehouse//RT的目标就是拿掉这一层：不需要额外副本，不需要额外管道，治理和数据新鲜度问题一并消除。

PointClickCare的高级工程副总裁Mehrshad Setayesh也拿数据说话：“Lakehouse//RT在医疗数据集上的平均速度，比我们原来的数据仓库快了三分之一，有些特定查询提速高达10倍。”而且，他们还因此省掉了一个专门维护的实时系统——这大概是所有数据团队都乐见的结果。

LTAP最核心的价值主张，可能用一句话就说得清楚：只需一份开放格式的数据，数据管道可以大幅简化。去年Databricks介绍Lakebase时就提到过，这套架构让事务与分析工作负载共享同一个存储层，“不需要移动或复制数据”。而实现这一点的关键，正是收购Mooncake带来的技术——Postgres的变更会被实时镜像到湖仓，同时生成一份列存副本，供分析查询高速运行。

安全、治理、审计和高可用，也只需要在湖仓这一层完成一次即可。

再回来看那个分支功能，它其实是从Neon收购来的核心技术之一，专门为智能体场景设计。因为数据存在对象存储上，智能体可以像操作Git分支一样，几秒钟内fork出一个PB级别的完整数据库，做完测试就能丢弃。传统数据库呢？启动一个新实例需要数分钟甚至数小时，而且克隆生产环境本身就有不少风险。

Ghodsi在会上提到，智能体天然偏爱Postgres，但也需要更好的配合工具，甚至需要更好的数据库本身。他预测，未来12个月，“我们将见证人类历史上最大规模的软件创作浪潮”。而所有那些企业借助大语言模型和编程工具构建的软件，背后都离不开数据库。

当然，Databricks在大会上不只发布了LTAP。像大多数企业级厂商一样，它们也在思考一个实际难题：当智能体数量激增，如何管控它们无序扩张和控制成本？答案是一个叫做Unity AI Gateway的统一控制平面。它覆盖组织内运行的所有模型、智能体、MCP服务器和技能，提供支出仪表盘、预算设置、速率限制，甚至跨MCP服务器的单点登录——等于是一个管家。

面向业务团队，Databricks还发布了通用智能体Genie One，背后由Genie Ontology支撑——这是一个新的数据语义层，通过名为OntoRank的PageRank类算法，为企业数据构建了带权重的图谱。

此外，OpenSharing协议也在会上亮相（它的前身Delta Sharing已经是Linux基金会旗下的开源项目了），用于跨平台共享数据、模型和智能体技能。面向营销团队的客户数据平台CustomerLake也同期发布。同时，Databricks还宣布收购了Python安全公司Panther，来强化自己的安全信息与事件管理服务Lakewatch。

从任何一个角度看，Databricks的真正差异化竞争力，都落在数据层面和深厚的数据科学底子上。如今每一家企业软件厂商，不管原来擅长什么，都在全力推智能体构建、编排和治理工具。而Databricks在其中扮演的是一个相对中立的角色——Ghodsi在媒体发布会上也特别强调了这一点。

但Databricks也清楚：其他SaaS厂商可以靠行业专长和已有的存量客户数据，为智能体筑起护城河，而Databricks更多站在基础设施层的位置。所以推出CustomerLake这类面向特定行业的产品，逻辑就很顺了——在客户已存储的数据之上，叠一层现成的产品能力，向应用层再迈一步。

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。一言蔽之，它解决了企业长期并行维护事务数据库（OLTP）和分析数据库（OLAP）的难题。传统上两类数据库因性能和可靠性原因相互隔离，必须靠ETL管道和数据副本做桥接。LTAP把它们统一塞进单一存储层，存放在云对象存储上，保留各自独立的计算引擎，让智能体能同时读写实时事务数据和历史分析上下文。

Q2：Lakebase和Lakehouse//RT分别是什么？

A：Lakebase是2025年6月推出的基于Postgres的操作型数据库，把计算和存储分开，数据用开放格式写入湖仓。它支持向量搜索、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打造。Lakehouse//RT则是实时分析引擎，由自研的向量化引擎Reyden驱动，能够直接在Delta和Iceberg表上实现毫秒级查询响应，不需要额外数据副本或专用的实时系统。简单理解：一个管存储和事务，一个管分析查询。

Q3：Databricks此次峰会还发布了哪些产品？

A：LTAP之外，Databricks还发布了Unity AI Gateway（统一管控所有模型和智能体的控制平面，附带预算管理、速率限制、单点登录）、面向业务团队的通用智能体Genie One、跨平台数据共享协议OpenSharing、面向营销团队的客户数据平台CustomerLake，并收购了Python安全公司Panther，用以强化旗下安全服务Lakewatch。