Användningsfall

Lakebase Autoscaling stöder tre huvudsakliga användningsmönster: tillhandahålla lakehouse-data i Postgres, köra en applikationsbackend och driva agenter och ML. Varje mönster använder Postgres tillsammans med Unity Catalog för att ge ditt program en databas med låg svarstid som förblir synkroniserad med lakehouse.

Tillhandahåll data i ett lakehouse

Synkroniserade tabeller tar med Unity Catalog-data till din Lakebase-databas för transaktionsläsningar med låg svarstid. Välj en källtabell, välj ett synkroniseringsläge och pipelinen är helt hanterad. Inga synkroniseringsskript, ingen extern orkestrering, inga jobb att övervaka. Kontinuerligt läge behåller data inom några sekunder från källan. Triggerläge balanserar aktualitet och kostnad med schemalagda inkrementella uppdateringar. Ditt program hanterar alltid den senaste analysen tillsammans med sina egna driftdata.

Applikationens backend

Ditt program ansluter till Lakebase på samma sätt som det ansluter till en Postgres-databas. Använd de drivrutiner och ramverk som du redan känner till. När din app får en trafikspik lägger autoskalning till beräkningskapacitet utan att anslutningar bryts. När trafiken upphör suspenderar skala-till-noll databasen och återaktiverar den inom några hundra millisekunder vid nästa fråga. Du dimensionerar inte för topplast och du betalar inte för outnyttjad kapacitet. För utveckling ger förgrening varje utvecklare en isolerad kopia av produktionsdatabasen utan datasådd, ingen lagringsduplicering och ingen väntan.

Agenter och ML

Lakebase fungerar som backend för agenters minne och servering av funktioner i realtid. Agenter som skapats med LangGraph eller OpenAI Agents SDK lagrar konversationstillstånd och långtidsminne i Postgres. Modeller som hanteras via funktionen Model Serving får åtkomst till funktionsdata via Online Feature Stores som drivs av Lakebase Autoscaling. Båda drar nytta av automatisk skalning, skalning till noll och Unity Catalog-styrning.