Databricks推出LTAP架构：重构智能体应用数据底座

随着企业加速构建能够基于业务数据进行推理和执行操作的AI智能体，Databricks认为，长期以来将操作型数据与分析型数据系统分离的做法，正逐渐成为一种制约。

这家云数据仓库服务商指出，AI智能体需要同时访问实时操作数据和历史背景数据才能完成实时决策与行动，而这与传统人工处理方式截然不同——人工通常可以接受延迟数分钟乃至数小时的数据。因此，数据系统的分离架构正承受越来越大的压力。

在年度Data + AI峰会上，Databricks推出了湖事务与分析处理架构（LTAP），这是一种旨在将事务型数据与分析型数据统一存储于单一存储层的新型架构。

Databricks表示，LTAP与传统的联机事务处理（OLTP）和联机分析处理（OLAP）架构存在本质差异。传统架构通常将操作型数据与分析型数据存储在独立系统中。其中，OLTP数据库针对订单处理、支付、库存更新等日常业务运营进行优化，而OLAP系统则专为大规模分析查询和报告设计。因此，企业往往需要依赖ETL管道、数据复制和独立基础设施，在两套环境之间传输数据。

LTAP旨在消除对ETL管道、数据库复制和数据副本的依赖。其核心思路是：将数据统一存储在共享湖仓层，同时允许专用计算引擎独立处理事务型和分析型工作负载。Databricks表示，这一方式使AI智能体及相关应用能够同时访问实时操作数据和历史分析背景，无需进行数据迁移或创建重复副本。

分析师对Databricks的判断表示认同，认为AI智能体确实对企业数据架构提出了新的要求。

Moor Insights and Strategy首席分析师迈克尔·莱昂（Michael Leone）指出："智能体的行为方式与人不同，也与我们为人设计的应用程序不同。它们大量读取上下文、循环执行、反复尝试，然后写回结果，执行次数难以预测。在这种规模下，在生产系统和分析系统之间反复切换就会成为瓶颈。弥合这一差距的压力是真实存在的，LTAP是一种可行的解决思路。"

IT咨询公司Kanerika联合创始人兼首席营收官布彭德拉·乔普拉（Bhupendra Chopra）指出，自主智能体的数据访问模式使传统架构变得脆弱："我们在客户部署多智能体系统时直接观察到这一现象——智能体每次任务会执行数百次，管道层几乎立即成为瓶颈上限。"

分析师还指出，缩小OLAP与OLTP之间的差距，有望帮助开发者设计出更稳健的AI智能体或应用，而这正是企业当前的核心目标。

HyperFRAME Research AI技术栈业务负责人斯蒂芬妮·沃尔特（Stephanie Walter）表示："最具价值的工作流或应用模式，是将事务、分析与AI整合在同一流程中的实时上下文感知应用。例如，在查看历史账户背景的同时更新客户工作流的AI智能体，以及基于实时交易和长期行为模式进行研判的风控系统。"

然而，莱昂指出，要在当前条件下构建此类应用，开发者需要通过自定义集成从事务系统、数据仓库、向量数据库等多个数据源整合数据，带来极高的工程复杂度和维护成本。

HFS Research执行研究负责人阿希什·查图尔维迪（Ashish Chaturvedi）认为，对于CIO而言，LTAP降低工程复杂度的能力将带来运营层面的简化与成本节约："最显著的优势在于减少数据管道，以及由此产生的连锁效益。大多数企业并未意识到，其数据工程预算中有多大比例消耗在纯粹的管道维护上。"

乔普拉补充指出，在中大型企业中，相当大一部分数据工程资源目前都用于维护事务系统与分析系统之间的同步。

查图尔维迪还强调，LTAP的价值不仅限于提升开发效率、简化架构或节省成本："战略层面的核心价值在于治理的简化。当你用统一的治理模型管理一份数据，而非让相同数据分散在操作数据库、副本、数据仓库和向量数据库之间，你就从根本上解决了治理碎片化的问题。"

乔普拉认为，这种简化对于部署多智能体的企业尤为重要，因为这些工作流可能以任何人工流程都无法比拟的速度和规模放大治理漏洞。

尽管LTAP优势显著，但这并非业界首次尝试在单一架构下统一操作型与分析型工作负载。此前，混合事务与分析处理架构（HTAP）也有过类似探索，试图在紧耦合基础设施上同时处理两类工作负载。

与之不同，LTAP将存储与计算分离，允许不同计算引擎访问同一数据层，同时保持各自独立扩展的能力。

这一计算引擎分离的设计，正是分析师认为LTAP可能优于HTAP的核心原因所在。

莱昂表示："HTAP之所以未能普及，是因为让一个紧耦合的系统同时在事务和分析两方面都表现出色，往往导致两方面都差强人意，企业最终为这种折中付出了额外代价。存储与计算分离的思路是正确的，也正是现代云数据体系得以成立的核心逻辑。它之所以重要，在于导致HTAP失败的根本原因是两类工作负载相互争抢资源，而为每类工作负载配备独立的专用引擎，正是避免这一问题的有效方式。"

ISG软件研究执行总监大卫·梅宁格（David Menninger）指出，HTAP失败的另一原因在于，它要求企业用全新架构替换现有数据平台。相比之下，LTAP建立在计算与存储分离这一已被广泛采用的实践基础之上，添加操作层的改造幅度相对较小，有望降低采用门槛。

不过，尽管业界对LTAP表现出较大热情，分析师也提醒CIO不要将其视为现有数据架构的必然替代方案。

沃尔特指出："CIO仍需根据延迟要求、可靠性、生态系统适配性、成本、合规性和开发者体验等因素，综合选择适合自身的数据架构。"

查图尔维迪也补充道，要使LTAP成为行业事实标准，Databricks需要的不仅仅是架构设计的优雅："架构在纸面上看起来合理，真正的验证在于实际负载下从提交到查询的延迟数据。"

Databricks表示，LTAP预计将作为Lakebase产品的一部分近期发布，但未提供具体时间表。

Q&A

Q1：LTAP架构和传统的OLTP、OLAP架构相比有什么不同？

A：传统OLTP架构专为订单处理、支付等日常业务运营优化，OLAP架构则专为大规模分析查询设计，两者数据存储相互独立，需要依赖ETL管道在不同系统间传输数据。LTAP将数据统一存储在共享湖仓层，让不同计算引擎独立处理各自的工作负载，从而消除数据复制和管道维护的需求，使AI智能体能够同时访问实时操作数据和历史分析数据。

Q2：LTAP和HTAP有什么区别，为什么分析师认为LTAP更有前景？

A：HTAP采用紧耦合架构，试图让同一系统同时处理事务和分析两类工作负载，结果往往两方面都表现平平，且要求企业替换现有数据平台。LTAP则采用存储与计算分离的设计，不同计算引擎共享同一存储层但各自独立扩展，避免了工作负载相互竞争资源的问题。此外，LTAP构建在已被广泛接受的分离式架构基础之上，企业改造成本更低。

Q3：LTAP对企业CIO来说主要带来哪些收益？

A：LTAP对CIO的价值主要体现在三个层面：一是运营简化，减少数据管道数量，降低工程维护成本；二是成本节约，消除数据工程预算中大量用于管道维护的"纯管道"支出；三是治理简化，用统一治理模型管理单份数据，解决数据散落在多个系统中导致的治理碎片化问题，这对于部署多AI智能体的企业尤为重要。