Databricks再提LTAP，AI时代数据底座为何重回大一统？
来源：互联网 2026-07-08 08:38:01Databricks在DAIS2026上重提LTAP，旨在让同一份数据同时服务交易、分析与AI，减少数据搬运与延迟。工程上需解决混合负载下的资源隔离与稳定性。AI时代数据库正从存储引擎转向业务上下文基础设施，语义层帮助模型理解指标口径，确保用对数据。
在 DAIS 2026 大会上，Databricks 再次将 LTAP 置于聚光灯下，并与 Lakebase、Lakehouse/RT 等能力一同发布。
从表面看，这像是数据架构话题的又一次回潮。但放到企业 AI 落地的现实场景中，LTAP 实际上回应了一个更尖锐的问题：当企业既要处理交易，又要支撑分析和 AI 应用时，底层架构是否还能继续依赖多套系统的拼凑？
长期稳定更新的攒劲资源： >>>点此立即查看<<<
1. Databricks 为何再次将 LTAP 推向台前？
传统数据架构中，交易系统负责写入，分析系统负责查询，AI 系统则从分析层、特征层或向量层拉取数据。这种分工曾清晰明确，支撑了多年的报表、BI 和离线分析。
然而，当企业真正将 RAG、Copilot、Agent 甚至自动化业务流程投入生产环境时，原有的数据路径变得愈发沉重。数据每多经历一层 CDC、同步和加工，延迟就增加一层，治理成本也随之上升，指标口径出错的概率也更高。
在报表时代，数据稍晚一点可能只影响分析体验；但在 Agent 时代，数据延迟可能直接左右业务判断。
举一个真实案例：一个客户成功 Agent 需要判断哪些客户有流失风险。它不仅要查看过去几个月的产品使用情况，还需知道客户昨天是否提交了严重工单、合同是否即将到期、销售是否刚刚更新了续约状态。如果这些数据分散在 CRM、工单系统、产品埋点和数仓中，且经过多层同步，Agent 很可能拿到“昨天之前的客户画像”来评估今天的风险。
由此可见，LTAP 的回潮本质上是 AI 应用倒逼底层架构调整的结果。
Databricks 此次高调重提 LTAP，旨在让同一份数据尽可能多地服务不同工作负载，减少 CDC 管道、重复副本和中间链路带来的混乱。换句话说，AI 时代的数据平台不能仅满足于“把数据存下来”，还需让业务系统、分析系统和 AI 应用更快地使用同一份可信数据。
2.“一份数据服务一切”能否真正落地？
概念层面，“一份数据服务一切”天然具有吸引力——更少的数据搬运、更低的延迟、更统一的治理，也更契合 AI 应用的需求。
但落到工程层面，便会遇到一系列具体问题。
交易型负载要求一致性、短事务和稳定的点查；分析型负载追求高吞吐、复杂聚合和大范围扫描；AI Agent 的调用则更为挑剔——既希望数据足够实时，又要求接口稳定、语义清晰、权限可控，还能解释每次结果来源于何处。
这些需求长期以来由不同系统各自优化实现。如果一套平台要同时承担更多责任，就必须解决资源隔离、弹性调度、负载相互干扰以及治理边界等问题。否则，“一份数据服务一切”容易从理想架构演变为生产事故的导火索。
以金融风控场景为例，Copilot 需要辅助判断一笔贷款申请是否存在风险，就必须同时理解用户最近的交易、历史还款记录、当前授信状态以及最新风控规则。如果底层平台无法同时保证实时性、一致性和查询稳定性，AI 提供的建议就很难真正融入审批流程。
因此，LTAP 能走多远，关键取决于底层平台能否在混合负载下持续保持稳定、实时和可治理。这也是 AI 时代数据平台面临的新课题——如何让不同负载在同一条业务链路上可靠地协同工作。
3. 消除数据延迟，企业未必需要走大一统路线
当然，企业架构升级往往需要循序渐进。当 AI 从“辅助回答问题”转向“参与业务判断”时，数据平台要解决的不只是数据如何更快到达模型，还包括模型如何在复杂业务中理解这些数据、记住这些数据，并在正确的语义和权限范围内使用它们。
如果查询层不稳定，Agent 就无法可靠地获取数据；如果语义层不清晰，模型就搞不清“收入”“活跃客户”“流失风险”的具体含义；如果调用链路不可追踪，企业就很难评估一次 AI 建议基于哪些数据、经过哪些步骤、是否值得信任。
一个值得关注的方向是：数据库不仅是回答 SQL 的地方，也是 Agent 理解业务现场的上下文层。
在这个上下文层中，底层数据需要足够实时，业务语义需要足够清晰，Agent 的调用过程要能被追踪和评估，历史经验也要能沉淀下来，避免每次决策都从零开始。
仍以零售补货为例，一个真正可用的补货 Agent，不仅需要能查出“某个 SKU 当前库存是多少”，还需要理解什么是安全库存、哪些门店属于高优先级、哪些促销活动会改变正常销量趋势，以及过去类似情况下运营团队的处置方式。
这些能力并非完全来自模型本身，而是来自模型背后是否有一个稳定、实时、语义清晰的业务上下文层。
因此，消除数据延迟未必只有“大一统”这一条路。对大多数企业来说，更重要的是先让 AI 决策最依赖的数据链路变短，让模型能在正确的上下文里使用正确的数据。
4. AI 时代的数据平台竞争，正进入下一阶段
AI 时代的数据平台竞争点，正在从单纯的存储和计算，转向一条更长的能力链。
如今许多企业在实现 AI 问数、智能分析和业务 Agent 时，问题并非模型不会生成 SQL，而是模型并不真正理解企业内部的指标口径、语义关系和业务上下文。
例如，同样是“客户收入”，财务系统、销售系统和数据分析系统的口径可能不同；同样是“活跃用户”，产品团队和运营团队的定义可能不同；同样是“高价值客户”，销售、客服和经营分析团队也可能有各自的判断标准。
人类分析师遇到这些问题时，可以凭借经验、追问和确认来修正。但 Agent 如果缺少语义层约束，就可能将错误口径包装成看似合理的答案。
接下来，语义层不再是外围工具链的一部分，而是重新回到数据平台的核心位置。它需要帮助模型理解企业指标、业务对象、关系约束和权限边界，让 AI 不只是“查到数据”，更要“用对数据”。
AI 时代，数据库不再只是数据存储引擎，而是企业业务上下文（Business Context）的基础设施。
未来的竞争，不是谁拥有更多数据，而是谁能让 Agent 持续理解、记忆并正确使用企业运营知识。
侠游戏发布此文仅为了传递信息，不代表侠游戏网站认同其观点或证实其描述
同类更新
更多
热游推荐
更多-
- DreamStudio
- Android/ | AI绘图
- 2026-06-30
-
-
- Playground AI
- Android/ | AI绘图
- 2026-06-30
-
- Adobe Firefly
- Android/ | AI绘图
- 2026-06-30
-
-
-
- Leonardo AI
- Android/ | AI绘图
- 2026-06-30
-
- Stable Diffusion
- Android/ | AI绘图
- 2026-06-30
