Případy použití

Automatické škálování Lakebase podporuje tři hlavní způsoby použití: sloužit data z lakehousu v PostgreSQL, provozovat aplikační backend a podporovat agenty AI a ML. Každý vzor používá Postgres společně s katalogem Unity k tomu, aby vaše aplikace získala databázi s nízkou latencí, která zůstane synchronizovaná s lakehousem.

Zpřístupnění dat lakehouse

Synchronizované tabulky přinášejí data Katalogu Unity do databáze Lakebase pro transakční čtení s nízkou latencí. Vyberte zdrojovou tabulku, zvolte režim synchronizace a kanál je plně spravovaný. Žádné synchronizační skripty, žádná externí orchestrace, žádné úlohy, které se mají monitorovat. Nepřetržitý režim uchovává data během několika sekund od zdroje. Aktivovaný režim vyrovnává aktuálnost a náklady s plánovanými přírůstkovými aktualizacemi. Vaše aplikace vždy obsluhuje nejnovější analýzy společně s vlastními provozními daty.

První kroky	Postup výuky
Vytvoření synchronizované tabulky Plánování probíhajících synchronizací	Režimy synchronizace – snímek, aktivovaný nebo průběžný Mapování datových typů — kompatibilita typů UC a Postgres Plánování kapacity – limity připojení, rychlost propustnosti Registrace v katalogu Unity – dotazy napříč různými zdroji napříč provozními a analytickými daty

Back-end aplikace

Vaše aplikace se připojuje k Lakebase stejným způsobem jako k jakékoli databázi Postgres. Použijte ovladače a architektury, které už znáte. Když aplikace dosáhne špičky provozu, automatické škálování přidá výpočetní prostředky bez vyřazení připojení. Když se provoz zastaví, škálování na nulu pozastaví databázi a v dalším dotazu se znovu aktivuje ve stovkách milisekund. Nemusíte dimenzovat na špičku a neplatíte za nevyužitou kapacitu. Při vývoji dává větvení každému vývojáři izolovanou kopii produkční databáze bez inicializačního naplnění daty, bez duplicitního úložiště a bez čekání.

První kroky	Postup výuky
Vytvoření aplikace Databricks – nasazení šablony se spravovanými přihlašovacími údaji Připojení vlastní aplikace – vlastní aplikace Databricks, sada SDK nebo rozhraní API	Jak funguje automatické škálování – chování výpočetních prostředků při zatížení Škálování na nulu – pozastavení, opětovná aktivace, vypršení časového limitu nečinnosti Jak fungují větve – izolace kopírování při zápisu pro vývoj/testování Ověřování — rotace tokenů u produkčních aplikací

Agenti AI a ML

Lakebase slouží jako back-end pro využití paměti agenta AI a obsluhu funkcí v reálném čase. Agenti sestavení pomocí jazyka LangGraph nebo sady OpenAI Agents SDK ukládají stav konverzace a dlouhodobou paměť v Postgresu. Modely obsluhované pomocí Mosaic AI přistupují k datům příznaků prostřednictvím online úložišť příznaků využívajících Lakebase Autoscaling. Obě využívají automatické škálování, škálování na nulu a správu katalogu Unity.

První kroky

Postup výuky

Nasazení agenta v Databricks Apps – naklonování šablony a nasazení Stav agenta a paměť – přidání krátkodobé a dlouhodobé paměti pomocí Lakebase

Paměť agenta spravovaná vlastním systémem (Lakebase) – kontrolní body LangGraph, šablony paměti Stavoví agenti v Model Serving — cestování v čase, správa kontrolních bodů Úložiště funkcí a obsluha modelů – data funkcí s nízkou latencí využívající Lakebase Online úložiště funkcí – vytváření, publikování a správa úložišť funkcí Hybridní vektorové vyhledávání a vyhledávání podle klíčových slov — sémantické a fulltextové vyhledávání s rozšířeními lakebase_vector a lakebase_text