Casos de uso

O Lakebase suporta quatro padrões principais: servir dados do lakehouse no Postgres, armazenar alterações do Postgres no lakehouse, executar um backend de aplicativo e potencializar agentes e ML. Cada padrão utiliza o Postgres junto com o Unity Catalog para fornecer ao seu aplicativo um banco de dados de baixa latência que permanece sincronizado com o lakehouse.

Dados de serviço lakehouse

As tabelas sincronizadas trazem os dados do Unity Catalog para o seu banco de dados Lakebase, permitindo leituras transacionais de baixa latência. Selecione uma tabela de origem, escolha um modo de sincronização e o pipeline será totalmente gerenciado. Sem scripts de sincronização, sem orquestração externa, sem Job para monitorar. O modo contínuo mantém os dados a poucos segundos da fonte. O modo acionado equilibra a atualização e o custo com atualizações incrementais programadas. Seu aplicativo sempre fornece as análises mais recentes juntamente com seus próprios dados operacionais.

Primeiro os passos	Percurso de aprendizagem
Criar uma tabela sincronizada sincronizações contínuas programáveis	Modos de sincronização — Snapshot, Acionado ou Contínuo Mapeamento de tipos de dados — compatibilidade de tipos do UC com o Postgres Planejamento de capacidade — limites de conexão, taxas de transferência Registro no Unity Catalog — consultas entre fontes em dados operacionais e analíticos

Primeiro os passos	Percurso de aprendizagem
Criar uma tabela sincronizada sincronizações contínuas programáveis	Modos de sincronização — Snapshot, Acionado ou Contínuo Mapeamento de tipos de dados — compatibilidade de tipos do UC com o Postgres Planejamento de capacidade — limites de conexão, taxas de transferência Registro no Unity Catalog — consultas entre fontes em dados operacionais e analíticos

Armazene as alterações do Postgres na lakehouse

nota

O recurso de Feed de Dados de Alterações do Lakebase está em Pré-visualização Pública.

Lakebase Change Data Feed (CDF) armazena as alterações em nível de linha das suas tabelas Postgres como tabelas Delta gerenciadas Unity Catalog . Cada inserção, atualização e exclusão é capturada do log transações (write-ahead log) e gravada como uma nova linha em uma tabela de histórico Delta . Sem ferramentas externas CDC , sem tarefas Spark , sem pipeline para manter. A execução do caminho de captura ocorre em compute independente, portanto, as consultas de produção não são afetadas. A tabela de histórico tem o mesmo formato que Delta Change Data Feed, portanto, as consultas subsequentes de pipeline, visão materializada e auditoria se integram perfeitamente.

Primeiro os passos	Percurso de aprendizagem
Armazene as alterações do Postgres na lakehouse Construir um pipelinede jusante	O que é o CDF do Lakebase? — esquema de destino, colunas do sistema, padrões de alteração Mapeamento de tipos de dados — Suporte para tipos Postgres e Delta Gerenciando mudanças de esquema — o que acontece quando os esquemas evoluem Limitações — cenários de falha e resolução de problemas

Primeiro os passos	Percurso de aprendizagem
Armazene as alterações do Postgres na lakehouse Construir um pipelinede jusante	O que é o CDF do Lakebase? — esquema de destino, colunas do sistema, padrões de alteração Mapeamento de tipos de dados — Suporte para tipos Postgres e Delta Gerenciando mudanças de esquema — o que acontece quando os esquemas evoluem Limitações — cenários de falha e resolução de problemas

Backend da aplicação

Seu aplicativo se conecta ao Lakebase da mesma forma que se conecta a qualquer banco de dados Postgres. Utilize os drivers e frameworks que você já conhece. Quando seu aplicativo recebe um pico de tráfego, o dimensionamento automático adiciona compute sem interromper as conexões. Quando o tráfego para, o recurso "escala-to-zero" suspende o banco de dados e o reativa em centenas de milissegundos na próxima consulta. Você não faz provisionamento para o pico e não paga pelo paraíso. Para o desenvolvimento, o branching fornece a cada desenvolvedor uma cópia isolada do banco de dados de produção, sem necessidade de preenchimento automático de dados, duplicação de armazenamento ou espera.

Primeiro os passos	Percurso de aprendizagem
Construa um aplicativo Databricks — implantado por padrão com credenciais de gerenciamento Conecte seu próprio aplicativo — aplicativo Databricks personalizado, SDK ou API.	Como funciona o dimensionamento automático — comportamento compute sob carga escala para zero — suspensão, reativação, tempo limite do paradoxo Como funcionam os branches — isolamento copy-on-write para desenvolvimento/teste Autenticação — rotação de tokens para aplicativos de produção

Primeiro os passos	Percurso de aprendizagem
Construa um aplicativo Databricks — implantado por padrão com credenciais de gerenciamento Conecte seu próprio aplicativo — aplicativo Databricks personalizado, SDK ou API.	Como funciona o dimensionamento automático — comportamento compute sob carga escala para zero — suspensão, reativação, tempo limite do paradoxo Como funcionam os branches — isolamento copy-on-write para desenvolvimento/teste Autenticação — rotação de tokens para aplicativos de produção

Agentes e ML

O Lakebase serve como backend para a memória do agente e para a Feature Serving em tempo real. Agentes criados com LangGraph ou o OpenAI Agents SDK armazenam o estado da conversa e a memória de longo prazo no Postgres. Modelos disponibilizados com o Model Serving acessam dados de recursos por meio de Feature Stores Online que são alimentadas pelo Lakebase. Ambos se beneficiam do dimensionamento automático, dimensionamento para zero e governança do Unity Catalog.

Primeiro os passos

Percurso de aprendizagem

implantei um agente no Databricks Apps — clone a padrão e implantei Estado e memória do agente — adicione memória de curto e longo prazo com o Lakebase.

Memória do agente gerenciada automaticamente (Lakebase) — LangGraph checkpointers, padrões de memória Agentes stateful em modelo de operação — viagem do tempo, gerenciamento de checkpoint Feature Store e modelo de operação — dados de recurso de baixa latência alimentados por Lakebase Repositório de recursos online — criar, publicar e gerenciar repositório de recursos Pesquisa híbrida de vetores e palavras-chave — pesquisa semântica e de texto completo com extensões lakebase_vector e lakebase_text

Primeiro os passos

Percurso de aprendizagem

implantei um agente no Databricks Apps — clone a padrão e implantei Estado e memória do agente — adicione memória de curto e longo prazo com o Lakebase.

Memória do agente gerenciada automaticamente (Lakebase) — LangGraph checkpointers, padrões de memória Agentes stateful em modelo de operação — viagem do tempo, gerenciamento de checkpoint Feature Store e modelo de operação — dados de recurso de baixa latência alimentados por Lakebase Repositório de recursos online — criar, publicar e gerenciar repositório de recursos Pesquisa híbrida de vetores e palavras-chave — pesquisa semântica e de texto completo com extensões lakebase_vector e lakebase_text