Databricks于当地时间16日发布新一代数据架构LTAP，试图打通事务型数据库与分析系统，以适配AI Agent对近实时数据访问与处理的需求。

在旧金山举行的年度大会Data + AI Summit上，Databricks正式推出Lake Transactional / Analytical Processing（LTAP）架构，并同步发布可实现毫秒级响应的实时分析引擎。公司表示，这一方案无需额外引入独立系统，即可在同一数据底座上支持事务处理与分析。

按照Databricks的说法，LTAP基于数据湖中的同一份数据，同时承载业务处理与分析任务。应用、分析系统以及AI Agent可直接访问同一数据源，从而降低对CDC（Change Data Capture）管道、ETL（Extract、Transform、Load，抽取、转换、加载）流程以及数据副本的依赖。

Databricks认为，随着AI Agent开始承担读取、分析并执行数据相关任务的工作，传统的数据架构正越来越难以满足需求。SiliconANGLE援引Databricks产品管理副总裁Shanku Niyogi的话称：“Agent必须比人更快地分析数据并执行动作，这正在让数据技术栈成为瓶颈。”

长期以来，企业通常将事务处理和分析处理分置于不同系统中运行：业务应用先将数据写入事务数据库，再由分析系统通过ETL和CDC管道获取数据副本。Databricks指出，这种架构不仅带来时延，也会增加系统复杂度和治理难度，而随着AI应用增多，这些问题还会进一步放大。

Niyogi透露，一家大型银行客户目前运行着数十万个PostgreSQL数据库，并通过各自的CDC管道将数据导入数据湖。

LTAP建立在Databricks去年推出的数据库平台Lakebase之上。该平台可将事务数据直接写入Delta Lake、Apache Iceberg等开放的列式数据格式，同时保持与PostgreSQL的兼容性。

Databricks还发布了实时分析引擎Lakehouse/RT。公司称，该产品基于新的执行引擎Rhyton，可将小规模任务的最低响应时间降至10毫秒，大规模任务的响应时间控制在100毫秒以内。

Databricks表示，LTAP将作为升级能力向Lakebase客户提供。Lakehouse/RT目前已进入Beta测试阶段，现有Lakehouse客户可在当前订阅下使用。