Przypadki użycia

Lakebase obsługuje trzy główne zastosowania: udostępnianie danych lakehouse w PostgreSQL, uruchamianie zaplecza aplikacji oraz obsługę agentów i uczenia maszynowego. Każdy wzorzec wykorzystuje bazę danych Postgres w połączeniu z Unity Catalog, aby zapewnić aplikacji niskoopóźnieniową bazę danych, która pozostaje zsynchronizowana z architekturą lakehouse.

Obsługa danych usługi Lakehouse

Zsynchronizowane tabele przenoszą dane z Unity Catalog do bazy danych Lakebase na potrzeby transakcyjnych odczytów o niskich opóźnieniach. Wybierz tabelę źródłową, wybierz tryb synchronizacji, a potok danych będzie w pełni zarządzany. Brak skryptów synchronizacji, brak orkiestracji zewnętrznej, brak zadań do monitorowania. Tryb ciągły przechowuje dane w ciągu kilku sekund od źródła. Tryb wyzwalany zapewnia równowagę między aktualnością danych a kosztami dzięki zaplanowanym aktualizacjom przyrostowym. Aplikacja zawsze obsługuje najnowszą analizę wraz z własnymi danymi operacyjnymi.

Pierwsze kroki	Ścieżka szkoleniowa
Tworzenie zsynchronizowanej tabeli Planowanie bieżących synchronizacji	Tryby synchronizacji — migawka , wyzwalana lub ciągła Mapowanie typów danych — Zgodność typu UC z typem Postgres Planowanie pojemności — limity połączeń, współczynniki przepływności Zarejestrowane w Unity Catalog — zapytania obejmujące wiele źródeł danych operacyjnych i analitycznych

Zaplecze aplikacji

Aplikacja łączy się z usługą Lakebase w taki sam sposób, jak łączy się z dowolną bazą danych Postgres. Użyj sterowników i struktur, które już znasz. Gdy aplikacja odnotowuje nagły wzrost ruchu, automatyczne skalowanie dodaje zasoby obliczeniowe bez zrywania połączeń. Gdy ruch ustaje, skalowanie do zera zawiesza bazę danych i wznawia jej działanie w ciągu kilkuset milisekund po następnym zapytaniu. Nie musisz alokować zasobów na szczytowe obciążenie ani płacić za niewykorzystane zasoby. W procesie tworzenia oprogramowania branching zapewnia każdemu deweloperowi izolowaną kopię produkcyjnej bazy danych bez inicjalizowania danych, bez powielania pamięci masowej i bez czekania.

Pierwsze kroki	Ścieżka szkoleniowa
Zbuduj aplikację Databricks — wdroż szablon z użyciem poświadczeń zarządzanych Połącz własną aplikację — niestandardowa aplikacja Databricks, zestaw SDK lub interfejs API	Jak działa skalowanie automatyczne — zachowanie obliczeniowe pod obciążeniem Skalowanie do zera — zawieszenie, ponowna aktywacja, limit czasu bezczynności Jak działają gałęzie — izolacja copy-on-write dla programowania i testów Uwierzytelnianie — rotacja tokenów dla aplikacji produkcyjnych

Agenci i uczenie maszynowe

Usługa Lakebase służy jako zaplecze do obsługi pamięci agenta i funkcji w czasie rzeczywistym. Agenci zbudowani przy użyciu LangGraph lub SDK agentów OpenAI przechowują stan rozmowy i pamięć długoterminową w Postgresie. Modele obsługiwane przez Model Serving mają dostęp do danych o funkcjach poprzez internetowe sklepy funkcjonalne obsługiwane przez Lakebase. Oba rozwiązania korzystają z automatycznego skalowania, skalowania do zera i mechanizmów nadzoru w Unity Catalog.

Pierwsze kroki

Ścieżka szkoleniowa

Wdrażanie agenta w usłudze Databricks Apps — klonowanie szablonu i wdrażanie Stan agenta i pamięć — dodawanie krótkoterminowej i długoterminowej pamięci za pomocą usługi Lakebase

Samodzielnie zarządzana pamięć agenta (Lakebase) — mechanizmy punktów kontrolnych LangGraph, szablony pamięci Stateful agents on Model Serving — podróż w czasie, zarządzanie punktami kontrolnymi Magazyn funkcji i obsługa modeli — dane funkcji o małych opóźnieniach obsługiwane przez usługę Lakebase Sklepy funkcji online — tworzenie, publikowanie i zarządzanie magazynami funkcji Wyszukiwanie wektorów hybrydowych i słów kluczowych — wyszukiwanie semantyczne i pełnotekstowe z rozszerzeniami lakebase_vector i lakebase_text