Casos de uso

O Autoscaling do Lakebase suporta três padrões principais: servir dados do lakehouse no Postgres, executar um backend de aplicação e alimentar agentes de IA e ML. Cada padrão utiliza o Postgres juntamente com o Unity Catalog para dar à sua aplicação uma base de dados de baixa latência que se mantém sincronizada com a casa do lago.

Disponibilizar dados do lakehouse

Linhas do Lakehouse sincronizadas para o Lakebase Postgres para leitura por aplicações de baixa latência

Tabelas sincronizadas trazem dados do Unity Catalog para a tua base de dados Lakebase para leituras transacionais de baixa latência. Escolhe uma tabela de origem, escolhe um modo de sincronização, e o pipeline fica totalmente gerido. Sem scripts de sincronização, sem orquestração externa, sem trabalhos para monitorizar. O modo contínuo mantém os dados a poucos segundos da fonte. O modo triggered equilibra a frescura e o custo com atualizações incrementais programadas. A sua aplicação serve sempre as análises mais recentes juntamente com os seus próprios dados operacionais.

Primeiros passos	Percurso de aprendizagem
Criar uma tabela sincronizada Agendar sincronizações contínuas	Modos de sincronização — Instantâneo, Acionado, ou Contínuo Mapeamento de tipos de dados — compatibilidade de tipos UC para Postgres Planeamento de capacidade — limites de ligação, taxas de throughput Registar-se no Catálogo Unity — consultas entre fontes entre dados operacionais e analíticos

Backend de aplicações

Os clientes Postgres padrão ligam-se ao Lakebase Postgres

A tua aplicação liga-se ao Lakebase da mesma forma que se liga a qualquer base de dados Postgres. Usa os drivers e frameworks que já conheces. Quando a tua aplicação tem um pico de tráfego, o escalonamento automático adiciona recursos de computação sem interromper as ligações. Quando o tráfego para, o scale-to-zero suspende a base de dados e reativa-se em centenas de milissegundos na próxima consulta. Não é necessário aprovisionar capacidade para os picos nem pagar pela capacidade não utilizada. Para desenvolvimento, a criação de ramificações dá a cada programador uma cópia isolada da base de dados de produção, sem necessidade de carregamento inicial de dados, sem duplicação de armazenamento e sem tempos de espera.

Primeiros passos	Percurso de aprendizagem
Constrói uma aplicação Databricks — implementa um modelo com credenciais geridas Ligue a sua própria aplicação — aplicação Databricks, SDK ou API personalizada	Como funciona o autoescalonamento — comportamento de cálculo sob carga Escala para zero — suspensão, reativação, tempo de espera Como funcionam os ramos — isolamento copy-on-write para dev/test Autenticação — rotação de tokens para aplicações de produção

Agentes de IA e ML

Os agentes armazenam memória e os modelos leem as funcionalidades através do Lakebase Postgres, sincronizado com a casa do lago

O Lakebase serve como o backend para a memória de agentes de IA e o serviço de funcionalidades em tempo real. Agentes construídos com LangGraph ou o SDK OpenAI Agents armazenam o estado da conversa e a memória de longo prazo no Postgres. Os modelos disponibilizados com acesso ao Mosaic AI acedem a dados de funcionalidades através de Feature Stores Online suportadas por Lakebase Autoscaling. Ambos tiram partido de escalonamento automático, escalabilidade até zero e governação do Unity Catalog.

Primeiros passos	Percurso de aprendizagem
Implemente um agente nas Databricks Apps — clone um modelo e implemente Estado do agente e memória — adicionar memória de curto e longo prazo com o Lakebase	Agentes com estado em Apps — checkpointers do LangGraph, modelos de memória Agentes com estado no Model Serving — viagem no tempo, gestão de pontos de controlo Loja de Funcionalidades e Disponibilização de Modelos — dados de funcionalidades de baixa latência suportados pelo Lakebase Lojas de Funcionalidades Online — criar, publicar e gerir lojas de funcionalidades

Comentários

Esta página foi útil?

Last updated on 2026-06-01