Casos de uso

O Lakebase Autoscaling suporta três padrões principais: disponibilizar dados do lakehouse no Postgres, executar um backend de aplicações e suportar agentes e ML. Cada padrão utiliza o Postgres juntamente com o Unity Catalog para dar à sua aplicação uma base de dados de baixa latência que se mantém sincronizada com a casa do lago.

Disponibilizar dados do lakehouse

Linhas do Lakehouse sincronizadas para o Lakebase Postgres para leitura por aplicações de baixa latência

Tabelas sincronizadas trazem dados do Unity Catalog para a tua base de dados Lakebase para leituras transacionais de baixa latência. Escolhe uma tabela de origem, escolhe um modo de sincronização, e o pipeline fica totalmente gerido. Sem scripts de sincronização, sem orquestração externa, sem trabalhos para monitorizar. O modo contínuo mantém os dados a poucos segundos da fonte. O modo triggered equilibra a frescura e o custo com atualizações incrementais programadas. A sua aplicação serve sempre as análises mais recentes juntamente com os seus próprios dados operacionais.

Primeiros passos	Percurso de aprendizagem
Criar uma tabela sincronizada Agendar sincronizações contínuas	Modos de sincronização — Instantâneo, Acionado, ou Contínuo Mapeamento de tipos de dados — compatibilidade de tipos UC para Postgres Planeamento de capacidade — limites de ligação, taxas de throughput Registar-se no Catálogo Unity — consultas entre fontes entre dados operacionais e analíticos

Backend de aplicações

Os clientes Postgres padrão ligam-se ao Lakebase Postgres

A tua aplicação liga-se ao Lakebase da mesma forma que se liga a qualquer base de dados Postgres. Usa os drivers e frameworks que já conheces. Quando a tua aplicação tem um pico de tráfego, o escalonamento automático adiciona recursos de computação sem interromper as ligações. Quando o tráfego para, o scale-to-zero suspende a base de dados e reativa-se em centenas de milissegundos na próxima consulta. Não é necessário aprovisionar capacidade para os picos nem pagar pela capacidade não utilizada. Para desenvolvimento, a criação de ramificações dá a cada programador uma cópia isolada da base de dados de produção, sem necessidade de carregamento inicial de dados, sem duplicação de armazenamento e sem tempos de espera.

Primeiros passos	Percurso de aprendizagem
Constrói uma aplicação Databricks — implementa um modelo com credenciais geridas Ligue a sua própria aplicação — aplicação Databricks, SDK ou API personalizada	Como funciona o autoescalonamento — comportamento de cálculo sob carga Escala para zero — suspensão, reativação, tempo de espera Como funcionam os ramos — isolamento copy-on-write para dev/test Autenticação — rotação de tokens para aplicações de produção

Agentes e ML

Os agentes armazenam memória e os modelos leem as funcionalidades através do Lakebase Postgres, sincronizado com a casa do lago

O Lakebase serve como o backend para a memória dos agentes e a disponibilização de funcionalidades em tempo real. Agentes construídos com LangGraph ou o SDK OpenAI Agents armazenam o estado da conversa e a memória de longo prazo no Postgres. Os modelos servidos com Model Serving acedem aos dados das funcionalidades através de Lojas Online de Funcionalidades alimentadas pelo Lakebase Autoscaling. Ambos tiram partido de escalonamento automático, escalabilidade até zero e governação do Unity Catalog.

Primeiros passos Percurso de aprendizagem

Primeiros passos	Percurso de aprendizagem
Implemente um agente nas Databricks Apps — clone um modelo e implemente Estado do agente e memória — adicionar memória de curto e longo prazo com o Lakebase	Memória autogerida do agente (Lakebase) — pontos de verificação do LangGraph, modelos de memória Agentes com estado no Model Serving — viagem no tempo, gestão de pontos de controlo Loja de Funcionalidades e Disponibilização de Modelos — dados de funcionalidades de baixa latência suportados pelo Lakebase Lojas de Funcionalidades Online — criar, publicar e gerir lojas de funcionalidades Pesquisa híbrida vetorial e por palavra-chave — pesquisa semântica e de texto integral com extensões `lakebase_vector` e `lakebase_text`

Implemente um agente nas Databricks Apps — clone um modelo e implemente
Estado do agente e memória — adicionar memória de curto e longo prazo com o Lakebase

Memória autogerida do agente (Lakebase) — pontos de verificação do LangGraph, modelos de memória
Agentes com estado no Model Serving — viagem no tempo, gestão de pontos de controlo
Loja de Funcionalidades e Disponibilização de Modelos — dados de funcionalidades de baixa latência suportados pelo Lakebase
Lojas de Funcionalidades Online — criar, publicar e gerir lojas de funcionalidades
Pesquisa híbrida vetorial e por palavra-chave — pesquisa semântica e de texto integral com extensões lakebase_vector e lakebase_text

Comentários

Esta página foi útil?

Last updated on 2026-07-28