Casos de uso

info

Beta

A partir de 15 de junho, o Lakebase está disponível em Beta no GCP. Consulte Disponibilidade regional para regiões compatíveis.

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

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 o Feature Serving em tempo real. Agentes criados com LangGraph ou o SDK de Agentes OpenAI 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 impulsionadas pelo dimensionamento automático do Lakebase. Ambos se beneficiam do dimensionamento automático, escala até zero e da 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.	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

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.	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