Databricks 发布 LTAP：统一 OLAP/OLTP 的数据架构革命

背景

在过去四十年的数据基础设施发展中，事务处理（OLTP）和分析处理（OLAP）长期处于割裂状态。传统的架构中，操作型数据库服务于应用程序，而分析型系统用于回答业务问题。为了连接这两个世界，企业不得不构建复杂且脆弱的 CDC（变更数据捕获）管道，这种架构在人类编写软件的时代尚能维持，但在 AI 时代已显得捉襟见肘。

随着 AI 代理（Agents）的兴起，开发者利用 AI 编写的应用程序数量激增（约为过去的 50 倍），这些代理需要在近实时（near real-time）的范围内读取、推理并对数据采取行动。然而，旧有的数据基础设施无法支持这种高频、低延迟的操作需求。尽管业界曾尝试通过 HTAP（混合事务/分析处理）引擎或 Zero ETL 方案来解决数据孤岛问题，但前者往往牺牲了工作负载隔离和性能，后者则只是掩盖了管道而非消除它，根本性的架构缺陷依然存在。

在此背景下，Databricks 于 2026 年 6 月 16 日的 DATA + AI SUMMIT 上推出了 LTAP（Lake Transactional/Analytical Processing，湖事务/分析处理），旨在通过单一的数据副本统一事务、分析、流处理和操作数据，彻底消除 ETL、副本和管道的负担。

核心内容

LTAP 是 Databricks 推出的一种全新数据处理架构，其核心在于将 OLAP 和 OLTP 统一在湖存储中的单一数据副本上。这一架构由两个主要部分组成：Lakebase 和 Lakehouse，并在统一的治理模型、单一事实来源和存储层下运行。

1. 架构原理：从“引擎统一”到“存储统一”

LTAP 采取了一种根本不同的方法：它不是强行将两种工作负载塞入同一个引擎，也不是隐藏数据管道，而是在存储层实现统一。

• Lakebase：作为 LTAP 的基础，Lakebase 是在开放对象存储上运行的无服务器 Postgres 数据库。它实现了计算与存储的分离，使得事务性数据可以直接在湖中查询和分析，无需任何管道。
• Lakehouse：提供强大的分析能力。
• 统一性：Lakebase 和 Lakehouse 共享相同的存储层（开放对象存储）和格式（Delta 和 Iceberg）。Lakebase 将数据直接存储在 Unity Catalog 中，消除了以往各自维护数据副本和格式的差异。

2. Lakebase 的新增企业级能力

为了支持大规模的企业 AI 应用，Databricks 对 Lakebase 进行了重大升级：

• 灾难恢复：新增跨云、跨区域的灾难恢复能力，构建更具弹性的数据架构，以应对代理执行关键任务操作的需求。
• Git 式分支与快照：允许在针对生产数据进行安全实验时进行分支和快照，支持非破坏性的测试环境。
• 自主数据库操作：代理可以监控数据库健康状况、检测性能瓶颈、建议索引创建，并协助进行故障恢复。

3. LTAP 的三大核心属性

LTAP 通过以下三个特性消除了传统企业数据基础设施的权衡妥协：

• 统一的治理，单一的事实来源：所有操作、分析和流数据都以开放格式（Delta 和 Iceberg）存储在开放对象存储中，无需转换或降级。所有引擎通过 Unity Catalog 使用单一的身份、权限和审计模型读取同一份数据，确保代理在一个受控的表面上行动。
• 无性能妥协：事务性工作负载在标准 Postgres 中运行，具备完整的 ACID 语义；分析性工作负载在 Lakehouse 上以任意规模和并发运行。两者独立扩展，由于没有数据移动，操作和分析结果始终同步，无需副本或影子基础设施。
• 无 ETL 管道：架构中不存在同步操作和分析存储的管道、无需维护副本或连接器。这彻底消除了 ETL 层，降低了保持系统同步的运营成本，并确保数据始终保持最新。

关键要点

• 消除 ETL 与副本：LTAP 通过设计消除了 ETL、数据副本和管道，解决了数十年来数据基础设施的核心痛点。
• Lakebase 的规模化验证：作为 LTAP 的基础，Lakebase 已在去年推出，目前服务于 Block、Ensemble、Superhuman 和 Zillow 等数千名客户，每天处理高达 1200 万次数据库启动。
• AI 代理时代的基石：LTAP 专为 AI 应用时代设计，支持代理在近实时范围内读取、推理和行动，解决了传统架构无法应对 AI 代理高频数据访问的问题。
• 开放标准兼容：LTAP 基于开放标准构建，兼容任何支持 Postgres 的应用程序以及理解 Iceberg 和 Delta 等开放表格式的读取器。
• 独立扩展与严格隔离：事务和分析工作负载可以独立扩展，同时保持严格的性能隔离，避免了 HTAP 方案中常见的性能互相干扰问题。
• 统一治理模型：通过 Unity Catalog 实现单一的身份、权限和审计模型，确保所有数据引擎读取的是同一份受控数据。
• 成本与效率优化：通过消除管道同步和副本维护，显著降低了运营成本和复杂性，同时提高了数据的一致性和实时性。

意义与影响

LTAP 的发布标志着数据架构从“连接系统”向“统一平台”的根本性转变。对于企业而言，其影响主要体现在以下几个方面：

1. 释放 AI 代理的潜力：随着 AI 代理成为软件开发和运营的主力，它们需要比人类团队快得多的数据访问速度。LTAP 提供的近实时数据访问和自主数据库操作能力，使代理能够直接在生产数据上进行安全实验和实时决策，从而真正发挥 AI 的效能。
2. 简化数据栈，降低复杂性：传统数据栈中复杂的 ETL 管道和异构系统维护成本高昂且容易出错。LTAP 通过消除这些中间层，大幅降低了数据基础设施的“税”，使团队能够专注于数据价值而非数据搬运。
3. 提升数据一致性与可靠性：通过单一事实来源和统一的治理模型，企业消除了数据不一致的风险。对于医疗、金融等对数据准确性要求极高的行业（如案例中的 Ensemble 公司），这意味着更快的收入周期处理和更准确的临床决策支持。
4. 推动开放标准生态：LTAP 基于 Delta 和 Iceberg 等开放格式，避免了供应商锁定，增强了数据架构的灵活性和互操作性，有利于构建更开放、更可持续的数据生态系统。

Databricks 首席执行官 Ali Ghodsi 指出，基础设施曾是团队被迫支付的“税”，而现在它已成为瓶颈。LTAP 的推出旨在移除这一瓶颈，为 AI 代理时代提供一个统一、高效且受治理的数据基础。