Databricks 2026 数据+AI 峰会：用 LTAP 架构终结数据孤岛

Databricks 于 2026 年 6 月 16 日在旧金山举办的旗舰峰会 Data + AI Summit 上，正式推出了 LTAP（Lake Transactional/Analytical Processing，湖内事务/分析处理） 架构。这不仅仅是又一次产品迭代，而是试图推倒企业计算领域中最古老的一堵墙——事务数据库（OLTP）和分析系统（OLAP）之间的人为隔离 。

公司将此定位为面向即将到来的人工智能（AI）智能体（Agent）浪潮的基础设施突破。其核心理念是：让 AI 智能体在实时业务数据上进行推理和行动，而不需要忍受传统 ETL（抽取-转换-加载）管道的延迟和脆弱性。

LTAP 到底解决了什么痛点？

几十年来，企业的数据架构一直维持着两个独立的世界。线上事务处理（OLTP）系统负责日常运营——比如订单、库存更新、客户记录；而线上分析处理（OLAP）系统则负责报表、仪表板和模型训练。将数据从前者搬到后者，必须依赖 ETL 管道，这不可避免地带来了延迟、高昂的成本和复杂的治理难题。

LTAP 的目标就是消除这条鸿沟——它直接在数据湖中的单一数据副本上统一这两种负载 。事务数据无需经过转换或管道维护，即可即时用于分析。这意味着，业务人员不再需要等待 T+1 的报表，运营和分析之间的时间差理论上被压缩为零。

这一架构的基石是 Lakebase，Databricks 基于开放对象存储构建的无服务器化 Postgres 服务。据 Databricks 透露，Lakebase 目前每日处理的数据库启动次数已高达 1200 万次 。在 LTAP 模式下，Lakebase 会将数据以开放格式（Delta Lake 和 Apache Iceberg）直接存入 Unity Catalog，这就使得受治理的事务数据能够立即被分析引擎查询 。

Databricks 为 LTAP 架构定义了几个关键特性：统一的治理与单一事实来源、事务和分析负载的独立弹性伸缩、完整的 ACID 事务语义，以及无需维护任何隐藏管道或连接器 。

Lakebase 的增强功能

为了配合 LTAP，Lakebase 也迎来了一系列重磅更新：

• 跨云跨区域灾难恢复，为生产级 Postgres 数据库提供高可用保障。
• Git 风格的分支与快照，允许直接在真实生产数据上进行安全实验，对开发者来说尤为关键。
• 自治数据库运维，可以自动监控数据库运行变慢、检测异常并触发自动恢复 。

这些特性清晰地表明，Databricks 不满足于让 Lakebase 只作为一个分析便利层，而是要让它变成应用程序和 AI 智能体的一流生产级数据库。

Lakehouse//RT：实时分析，不再需要外挂服务

峰会的另一大基础设施发布是 Lakehouse//RT，一个由全新计算引擎 Reyden（“Reynold 的梦想引擎”的缩写，以联合创始人 Reynold Xin 命名）驱动的实时湖仓 。

Databricks 宣称，Reyden 可在数万个并发用户和智能体的负载下，直接在受治理的 Delta Lake 和 Apache Iceberg 表上实现毫秒级查询延迟 。这一能力影响深远：过去企业若想做实时查询，往往需要在数据湖之上再搭建一套独立的服务基础设施（如缓存层、物化视图或外部查询引擎）。Lakehouse//RT 的出现意味着这些辅助系统可能不再是必需品。商业智能厂商 Sigma Computing 已作为该产品的首发合作伙伴，直接连接 Lakehouse//RT 用于嵌入式分析 。联合创始人 Reynold Xin 更将此次发布形容为“自湖仓推出以来，我们规模最大的一次产品介绍” 。

为 AI 智能体铺路：Genie 全家桶与平台级工具

Databricks 在本次峰会上明确将自身平台定位为企业 AI 智能体的基石。相关的软件发布包括：

• Genie One：一款 AI 自主同事，旨在帮助业务团队基于真实业务数据自动完成工作，并在智能体上下文中增强协作 。
• Genie Agents 与 Agent Bricks：用于构建和部署能在企业数据之上观察、推理和行动的 AI 智能体的工具。Agent Bricks 是预构建的组件，可利用受治理数据自动优化智能体 。
• Unity AI Gateway：针对需要管理多个 AI 模型供应商的组织，提供多 AI 治理和成本控制能力 。

行业观察家与分析师对此的解读是：LTAP 和 Lakehouse//RT 本质上构成了智能体企业架构的数据服务层。Databricks 坚信，将业务数据以开放格式存放在受治理的存储上，AI 智能体就能在不搬运、不复制数据的情况下，直接访问、推理并作用于生产数据库 。AI 不再是个问答机器，而是一个可以自主完成任务的数字员工。

深度融入 Azure 与微软生态

Databricks 同时也深化了与 Azure 生态的融合，与微软联合发布了多项能力：

• Copilot Studio 与 GitHub Copilot 集成：用户可通过单一的 MCP（模型上下文协议）连接，构建能跨整个 Azure Databricks 工作区进行推理的 Copilot Studio 智能体 。
• Genie for Microsoft Teams 及 M365 Copilot（Beta）：用户可以在 Teams 聊天中直接 @Genie，获得基于 Azure Databricks 环境的上下文感知回答 。
• Azure Databricks Excel 插件（公开预览） 和 原生 Excel 摄取（GA），直接从电子表格中实现“无驱动”分析 。
• Databricks CustomerLake：首个湖仓原生客户数据平台，率先在 Azure Databricks 上亮相 。

这些集成揭示了一个清晰的战略：将 Databricks 的治理和 AI 能力直接嵌入到 Teams、Excel 这类业务人员每天都在使用的协同工具中，而不是强迫用户去打开另一个独立的分析界面。

对企业数据架构意味着什么

总体来看，本次峰会的密集发布共同描绘了一幅平台级蓝图：下一代企业应用将是智能体驱动、实时、受治理的。LTAP 移除了事务与分析的分野，Lakehouse//RT 消除了分析查询的性能妥协，Genie 家族则提供了智能体的编排层。

如果这一蓝图顺利落地，它有可能大幅精简典型企业数据栈中的繁杂组件——更少的冗余数据库、更少的数据管道、更少的服务层——同时为 AI 智能体提供其自主决策所必需的、受治理的实时上下文。

Databricks 并非唯一一家追求这一融合愿景的公司，但坐拥 Lakebase 每日超千万次数据库启动的体量和 3 万余名参会者支持的生态，LTAP 的推出无疑是湖仓架构从分析平台演进为全域业务数据底座过程中的一座里程碑 。