这意味着什么？它不能只是听懂问题，还要能够在结构化和非结构化数据上自主执行动作、调用技能、编排跨系统工作流——而且不限于 Databricks 平台内部 。

这个助手已经渗透进团队日常使用的协作工具中。你可以在网页、iOS 和 Android 移动端使用它，也能在 Slack、Microsoft Teams 等应用中直接 @Genie，获得基于 Unity Catalog 统一权限管控的上下文答案 。本次峰会上，面向 Microsoft Teams 和 M365 Copilot 的 Genie 插件已进入 Beta 阶段。它甚至可以连接 Google Drive 和 SharePoint 这类外部知识存储，把更广泛的企业上下文纳入推理链条 。

知识底座：Genie Ontology 本体层

这次升级中最值得关注的技术决策，是Genie Ontology（本体层）的引入。它于 2026 年 6 月 15 日进入公开预览，旨在解决一个根本性痛点：大模型每次回答问题都从零开始“搜一遍世界”，既慢又不准 。

Genie Ontology 则是一张持续自更新的业务活地图。它会自动从仪表板、笔记本、数据管道以及接入的工作应用里抽取知识、评估可信度并建立关联，最终形成一个“知识之网”。当用户向 Genie One 提问时，它不再盲目搜索，而是循着这张网找到权威来源，用完整的业务上下文作答 。

效果到底如何？Databricks 对外公布了一组非常吸睛的内部基准数据：Genie 在引入 Ontology 后，查询准确率 “从 32% 跃升至 90% 以上”，对照组是某款业内领先的编程型智能代理 。

不过，这里必须加一个很重要的注脚。这组 32%→90% 的提升来自于 Databricks 内部自建的评测集，并非独立的第三方基准测试。业内外部分析人士普遍认为，这可以看作一个积极的方向性信号，但在与其他 Agentic 技术栈做横向比较时，参考价值有限 。

可复用代理：从 Genie Spaces 到 Genie Agents

Genie 生态的另一个关键进化在于协作。过去的 Genie Spaces 允许数据团队划定可信数据域、定义业务规则，为答案提供护栏。现在，Databricks 将其进一步抽象成 Genie Agents 。

现在，你可以将任何一段 Genie 对话直接保存为一个可复用、可分享的代理。它会继承那次对话的记忆、数据源、指令策略和行为模式。同事只需指名调用这个代理，它就能按同样的推理逻辑重复执行任务 。这让“隐性知识显性化”在企业内部有了非常落地的实现方式。

从分析到应用：App Builder 与 ZeroOps

Genie 的版图也没有停留在分析本身。

• Genie App Builder 让业务团队可以“vibe code”（用非常口语化的方式引导 AI 生成代码）来构建简单的、受 Unity Catalog 管控的业务应用，将能力边界延伸到了轻量级应用搭建 。
• Genie ZeroOps 以私密预览的形式在峰会上亮相，目标是让数据与 AI 的运维进入“自动驾驶”时代。首发支持作业、管道、表和机器学习工作负载，应用和 Lakebase 数据库的自动运维也已排上路线图 。

定价变革：7 月 6 日开始的按量付费时代

如果说产品更新是愿景的展现，那商业模式的调整则意味着 Databricks 真正做好了让 Genie 大规模落地的准备。

从2026 年 7 月 6 日起，整个 Genie 产品线——Genie One、Genie Spaces、Genie Code——将全面转向按量付费（pay-as-you-go）模式 。

具体怎么算？每位用户每月享有 150 DBU（Databricks 单位）的免费大模型用量。这大概相当于 80 到 100 次 Genie 问答，或 20 到 30 次 Genie Code 会话。在美国东部区域，这 150 DBU 的账面价值约合 10.50 美元，但不同区域的等值金额会有差异 。

超出免费额度后，按实际消耗的 DBU 计费。需要留意的是，这里的免费和计费都仅针对大模型调用本身；底层的 SQL Serverless 计算资源需要另外计费 。

为了不让账单一到就让财务部门崩溃，Databricks 同步开放了 Unity AI Gateway Budget 里的成本管控功能。账户管理员现在就可以为账号、工作区、群组乃至单个用户设定预算和消费上限，确保 AI 能力的普及是在可控成本边界内有条不紊地推进的 。

不只 Genie：LTAP 与 Lakehouse//RT 的底层重构

Genie 的全面升级，是一张更大蓝图的前端体现。在同一场大会上，Databricks 还扔下了两颗底层架构的“重磅炸弹”。

LTAP（Lake Transactional/Analytical Processing） 是一种全新的数据处理架构，目标非常直接：在湖内用单一数据副本同时承载 OLAP（在线分析处理）和 OLTP（在线事务处理），从设计上消灭 ETL 和数据复制。其基础是 Lakebase，目前这个无服务器化 Postgres 引擎已经支撑着整个平台每日 1200 万次数据库启动 。

Lakehouse//RT 则是面向实时场景的答案。它由名为 Reyden 的新计算引擎驱动，在受治理的 Delta Lake 和 Apache Iceberg 表上直接提供毫秒级查询延迟，支撑数万并发用户和代理。官方报告称，对比现有实时服务栈，性能提升可达 16 倍，小数据集上的响应时间能低至 10 毫秒 。

写在最后

Databricks 的 2026 年峰会展露出一个非常清晰的意图：它想成为企业 AI 工作流的操作系统。前端用 Genie 让每个业务人员都有了一个懂数据的搭档，后端用 LTAP 和 Lakehouse//RT 抹平传统的数据割裂。

从内部 32% 到 90% 的准确率跃升，到定价体系和成本管控工具的配套落地，再到面向 Microsoft Teams 等高频协作入口的深度渗透，这不再是一次简单的产品迭代，而是 Databricks 试图让“AI 同事”真正扎根企业日常运转的关键一役。

这意味着什么？它不能只是听懂问题，还要能够在结构化和非结构化数据上自主执行动作、调用技能、编排跨系统工作流——而且不限于 Databricks 平台内部 。

这个助手已经渗透进团队日常使用的协作工具中。你可以在网页、iOS 和 Android 移动端使用它，也能在 Slack、Microsoft Teams 等应用中直接 @Genie，获得基于 Unity Catalog 统一权限管控的上下文答案 。本次峰会上，面向 Microsoft Teams 和 M365 Copilot 的 Genie 插件已进入 Beta 阶段。它甚至可以连接 Google Drive 和 SharePoint 这类外部知识存储，把更广泛的企业上下文纳入推理链条 。

知识底座：Genie Ontology 本体层

这次升级中最值得关注的技术决策，是Genie Ontology（本体层）的引入。它于 2026 年 6 月 15 日进入公开预览，旨在解决一个根本性痛点：大模型每次回答问题都从零开始“搜一遍世界”，既慢又不准 。

Genie Ontology 则是一张持续自更新的业务活地图。它会自动从仪表板、笔记本、数据管道以及接入的工作应用里抽取知识、评估可信度并建立关联，最终形成一个“知识之网”。当用户向 Genie One 提问时，它不再盲目搜索，而是循着这张网找到权威来源，用完整的业务上下文作答 。

效果到底如何？Databricks 对外公布了一组非常吸睛的内部基准数据：Genie 在引入 Ontology 后，查询准确率 “从 32% 跃升至 90% 以上”，对照组是某款业内领先的编程型智能代理 。

不过，这里必须加一个很重要的注脚。这组 32%→90% 的提升来自于 Databricks 内部自建的评测集，并非独立的第三方基准测试。业内外部分析人士普遍认为，这可以看作一个积极的方向性信号，但在与其他 Agentic 技术栈做横向比较时，参考价值有限 。

可复用代理：从 Genie Spaces 到 Genie Agents

Genie 生态的另一个关键进化在于协作。过去的 Genie Spaces 允许数据团队划定可信数据域、定义业务规则，为答案提供护栏。现在，Databricks 将其进一步抽象成 Genie Agents 。

现在，你可以将任何一段 Genie 对话直接保存为一个可复用、可分享的代理。它会继承那次对话的记忆、数据源、指令策略和行为模式。同事只需指名调用这个代理，它就能按同样的推理逻辑重复执行任务 。这让“隐性知识显性化”在企业内部有了非常落地的实现方式。

从分析到应用：App Builder 与 ZeroOps

Genie 的版图也没有停留在分析本身。

• Genie App Builder 让业务团队可以“vibe code”（用非常口语化的方式引导 AI 生成代码）来构建简单的、受 Unity Catalog 管控的业务应用，将能力边界延伸到了轻量级应用搭建 。
• Genie ZeroOps 以私密预览的形式在峰会上亮相，目标是让数据与 AI 的运维进入“自动驾驶”时代。首发支持作业、管道、表和机器学习工作负载，应用和 Lakebase 数据库的自动运维也已排上路线图 。

定价变革：7 月 6 日开始的按量付费时代

如果说产品更新是愿景的展现，那商业模式的调整则意味着 Databricks 真正做好了让 Genie 大规模落地的准备。

从2026 年 7 月 6 日起，整个 Genie 产品线——Genie One、Genie Spaces、Genie Code——将全面转向按量付费（pay-as-you-go）模式 。

具体怎么算？每位用户每月享有 150 DBU（Databricks 单位）的免费大模型用量。这大概相当于 80 到 100 次 Genie 问答，或 20 到 30 次 Genie Code 会话。在美国东部区域，这 150 DBU 的账面价值约合 10.50 美元，但不同区域的等值金额会有差异 。

超出免费额度后，按实际消耗的 DBU 计费。需要留意的是，这里的免费和计费都仅针对大模型调用本身；底层的 SQL Serverless 计算资源需要另外计费 。

为了不让账单一到就让财务部门崩溃，Databricks 同步开放了 Unity AI Gateway Budget 里的成本管控功能。账户管理员现在就可以为账号、工作区、群组乃至单个用户设定预算和消费上限，确保 AI 能力的普及是在可控成本边界内有条不紊地推进的 。

不只 Genie：LTAP 与 Lakehouse//RT 的底层重构

Genie 的全面升级，是一张更大蓝图的前端体现。在同一场大会上，Databricks 还扔下了两颗底层架构的“重磅炸弹”。

LTAP（Lake Transactional/Analytical Processing） 是一种全新的数据处理架构，目标非常直接：在湖内用单一数据副本同时承载 OLAP（在线分析处理）和 OLTP（在线事务处理），从设计上消灭 ETL 和数据复制。其基础是 Lakebase，目前这个无服务器化 Postgres 引擎已经支撑着整个平台每日 1200 万次数据库启动 。

Lakehouse//RT 则是面向实时场景的答案。它由名为 Reyden 的新计算引擎驱动，在受治理的 Delta Lake 和 Apache Iceberg 表上直接提供毫秒级查询延迟，支撑数万并发用户和代理。官方报告称，对比现有实时服务栈，性能提升可达 16 倍，小数据集上的响应时间能低至 10 毫秒 。

写在最后

Databricks 的 2026 年峰会展露出一个非常清晰的意图：它想成为企业 AI 工作流的操作系统。前端用 Genie 让每个业务人员都有了一个懂数据的搭档，后端用 LTAP 和 Lakehouse//RT 抹平传统的数据割裂。

从内部 32% 到 90% 的准确率跃升，到定价体系和成本管控工具的配套落地，再到面向 Microsoft Teams 等高频协作入口的深度渗透，这不再是一次简单的产品迭代，而是 Databricks 试图让“AI 同事”真正扎根企业日常运转的关键一役。