Anwendungsfälle

Lakebase Autoscaling unterstützt drei primäre Einsatzmuster: Lakehouse-Daten in Postgres bereitstellen, ein Anwendungs-Back-End ausführen und KI-Agenten und ML betreiben. Jedes Muster verwendet Postgres zusammen mit Unity Catalog, um Ihrer Anwendung eine Datenbank mit geringer Latenz zu geben, die mit dem Lakehouse synchronisiert bleibt.

Lakehouse-Daten bereitstellen

In Lakebase Postgres synchronisierte Lakehouse-Zeilen für App-Lesezugriffe mit geringer Latenz

Synchronisierte Tabellen übertragen Unity-Katalogdaten in Ihre Lakebase-Datenbank für Transaktionslesevorgänge mit geringer Latenz. Wählen Sie eine Quelltabelle aus, wählen Sie einen Synchronisierungsmodus aus, und die Pipeline wird vollständig verwaltet. Keine Synchronisierungsskripts, keine externe Orchestrierung, keine Aufträge, die überwacht werden sollen. Der fortlaufende Modus hält Daten innerhalb von Sekunden nach der Quelle. Durch den ausgelösten Modus werden Aktualität und Kosten mit geplanten inkrementellen Updates ausgeglichen. Ihre Anwendung liefert immer die neuesten Analysedaten zusammen mit den eigenen Betriebsdaten.

Erste Schritte	Lernpfad
Erstellen einer synchronisierten Tabelle Planen der laufenden Synchronisierungen	Synchronisierungsmodi – Momentaufnahme, ausgelöst oder fortlaufend Datentypzuordnung – UC zu Postgres-Typkompatibilität Kapazitätsplanung – Verbindungsgrenzen, Durchsatzraten Registrieren im Unity-Katalog – quellübergreifende Abfragen für operative und analytische Daten

Anwendungs-Back-End

Standard Postgres-Clients verbinden sich mit Lakebase Postgres

Ihre Anwendung stellt eine Verbindung mit Lakebase auf die gleiche Weise wie eine Verbindung zu einer beliebigen Postgres-Datenbank bereit. Verwenden Sie die Treiber und Frameworks, die Sie bereits kennen. Wenn Ihre App einen Lastspitzen erfährt, fügt die automatische Skalierung zusätzliche Rechenkapazität hinzu, ohne Verbindungen zu unterbrechen. Wenn kein Datenverkehr mehr vorhanden ist, setzt die Skalierung auf null die Datenbank in den Ruhezustand und aktiviert sie bei der nächsten Abfrage innerhalb weniger hundert Millisekunden wieder. Sie müssen keine Kapazitäten für Spitzenlasten vorhalten und zahlen nicht für ungenutzte Kapazitäten. Für die Entwicklung stellt Branching jedem Entwickler eine isolierte Kopie der Produktionsdatenbank bereit – ohne Seed-Daten, ohne Speicherduplizierung und ohne Wartezeit.

Erste Schritte	Lernpfad
Erstellen einer Databricks-App – Bereitstellen einer Vorlage mit verwalteten Anmeldeinformationen Verbinden Ihrer eigenen Anwendung – benutzerdefinierte Databricks-App, SDK oder API	Funktionsweise der automatischen Skalierung – Berechnungsverhalten beim Laden Auf null skalieren — Aussetzen, Reaktivierung, Leerlauf-Timeout So funktionieren Branches – Copy-on-Write-Isolation für Dev/Test Authentifizierung – Tokenrotation für Produktions-Apps

KI-Agenten und maschinelles Lernen

Agenten speichern Speicher, und Modelle lesen Features über Lakebase Postgres, synchronisiert mit dem Lakehouse

Lakebase dient als Backend für den Speicher von KI-Agenten und die Bereitstellung von Echtzeit-Features. Agents, die mit LangGraph oder dem OpenAI Agents SDK erstellt wurden, speichern Konversationsstatus und Langzeitspeicher in Postgres. Modelle, die mit Mosaic AI bereitgestellt werden, greifen über Online Feature Stores, die auf Lakebase Autoscaling basieren, auf Feature-Daten zu. Beide profitieren von der automatischen Skalierung, dem Herunterskalieren auf null und der Governance mit Unity Catalog.

Erste Schritte	Lernpfad
Bereitstellen eines Agents auf Databricks-Apps – Klonen einer Vorlage und Bereitstellen Agentstatus und Speicher – Fügen Sie kurzfristigen und langfristigen Speicher mit Lakebase hinzu.	Zustandsbehaftete Agenten in Apps — LangGraph-Checkpointer, Speichervorlagen Zustandsbehaftete Agenten im Model Serving – Zeitreise, Checkpoint-Verwaltung Featurespeicher und Modellbereitstellung – Featuredaten mit geringer Latenz, die von Lakebase unterstützt werden Online-Featurespeicher – Erstellen, Veröffentlichen und Verwalten von Featurespeichern

Feedback

War diese Seite hilfreich?

Last updated on 2026-06-01