Agentic应用重塑数据栈：Databricks为何押注Postgres与LTAP

智能体应用给数据栈带来的新压力

随着Agentic应用（智能体应用）的兴起，传统数据栈正面临前所未有的挑战。这类应用不再是简单地读写数据库，而是需要在运行过程中持续维护智能体记忆（agent memory）、应用状态（application state）以及历史数据，并在这三者之间频繁交互。Databricks联合创始人兼首席架构师Reynold Xin（@rxin）在一场主题分享中指出，正是这种新型工作负载，让业界不得不重新思考数据处理架构的底层设计。

智能体的工作模式与传统应用有本质区别。一个AI Agent在执行任务时，需要实时读取自己的记忆、检索历史上下文、更新当前状态，同时还可能触发对企业既有业务数据的分析查询。这种事务处理（transaction）与分析处理（analytics）高度交织的场景，恰恰是经典数据架构最难兼顾的部分。

为什么是Postgres

Xin的核心观点之一是：Postgres将成为这套新数据处理架构的基石。这个选择背后有清晰的逻辑。Postgres不仅是一个成熟稳定、生态庞大的开源关系型数据库，更重要的是它积累了海量的驱动（drivers）、扩展（extensions）和ORM工具。对于企业而言，迁移成本和兼容性往往是采用新架构的最大障碍。

基于Postgres构建，意味着新架构能够保持与现有Postgres生态的完全兼容。开发者无需更换驱动，无需重写ORM层，现有的扩展依然可用。这种"向后兼容"的设计思路，降低了企业引入智能体数据能力的门槛，也让Databricks的方案更容易被现有技术栈接纳。

Postgres之所以能成为AI基础设施领域的"隐形标准"，与近年来向量数据库生态的演进密切相关。pgvector等扩展的出现，使Postgres能够原生存储和检索高维向量，这正是智能体记忆系统的核心操作——将对话历史、知识片段编码为向量后进行语义检索。与此同时，Postgres的逻辑复制（logical replication）协议已被众多云服务和数据工具广泛支持，使其天然具备作为数据流转枢纽的能力。在智能体应用中，Postgres协议兼容性意味着开发者可以用同一套连接字符串和驱动，无缝对接本地开发环境与云端生产系统，极大降低了从原型到生产的迁移摩擦。

LTAP：让事务与分析读取同一份数据

这场分享中最值得关注的技术概念是LTAP——让事务处理和分析处理从同一份数据副本中读取。长期以来，企业普遍采用OLTP（联机事务处理）和OLAP（联机分析处理）分离的架构，数据需要通过ETL或同步管道在两套系统之间流转。

这种分离架构在智能体场景下暴露出明显短板。Xin特别强调了"同步间隔（sync intervals）"的问题：在智能体记忆循环（agent memory loop）中，如果事务数据需要等待同步才能被分析查询读取，那么这个延迟就会成为整个循环的瓶颈。智能体需要基于最新状态做决策，而陈旧的数据会直接影响其表现。

LTAP的价值在于消除了这一瓶颈。当事务和分析读取同一份数据时，就不存在同步延迟，智能体可以始终基于实时、一致的数据运行。这对于需要高频读写记忆的Agent应用来说，是架构层面的根本性改善。

LTAP（Lakehouse Transaction and Analytics Processing）是对传统HTAP（Hybrid Transactional/Analytical Processing）概念的延伸与升级。HTAP的思路早在2014年前后由Gartner提出，目标同样是让一套系统同时承载事务与分析负载，代表性产品包括TiDB、SingleStore等。LTAP的差异在于它将这一能力置于湖仓（Lakehouse）架构的语境下——底层存储通常是基于开放格式（如Delta Lake）的对象存储，而非传统的行存或列存引擎。这意味着数据可以在保持低延迟写入的同时，直接被分析引擎扫描，无需维护两套物理存储。对于智能体场景而言，这一点尤为关键：Agent写入的记忆和状态条目能够毫秒级对分析查询可见，从根本上消除了传统ETL管道带来的数据新鲜度问题。

统一权限：记忆、状态与历史数据

除了性能，Xin还提到了一个常被忽视但极其重要的维度——权限治理。在智能体应用中，智能体记忆、应用状态和历史数据往往分散在不同系统里，各自维护独立的访问控制策略，这会带来安全隐患和管理复杂度。

新架构的目标是将这三类数据纳入同一套权限体系。统一权限管理不仅简化了治理，也更符合企业级应用对合规和安全的严格要求。对于处理敏感数据的企业而言，能够用一致的权限模型覆盖智能体的全部数据触点，是落地生产环境的关键前提。

智能体应用的权限治理之所以复杂，根源在于其数据触点的异构性。典型的Agent系统可能同时涉及：存储短期上下文的内存缓存（如Redis）、存储长期记忆的向量数据库、存储业务状态的关系型数据库，以及存储历史日志的数据湖。这些系统各自拥有独立的身份认证机制和访问控制模型，当一个Agent跨系统操作时，安全审计人员几乎无法从单一视图还原完整的数据访问轨迹。在受监管行业（如金融、医疗），这种碎片化的权限模型可能直接违反数据最小权限原则（Principle of Least Privilege）和审计留痕要求。将三类数据统一纳入同一权限体系，本质上是将Unity Catalog这类元数据治理能力延伸至智能体的运行时数据域。

对数据架构演进的观察

这次分享折射出一个更大的行业趋势：AI Agent正在成为驱动数据基础设施变革的新力量。过去数据栈的演进更多围绕BI分析、大数据处理展开，而今天，智能体对实时性、一致性和统一治理的苛刻要求，正在倒逼事务与分析的融合。

Databricks选择以Postgres为底座、通过LTAP打通事务与分析，体现了一种务实的路线——既要满足智能体的新需求，又要尊重企业既有技术投资。这场围绕Agentic应用的数据架构讨论，将通过现场演示和企业落地模式进一步展开，活动于11月10日至12日在线举行。

注：本文基于Databricks官方在社交平台发布的活动预告整理，具体技术细节有待官方正式资料补充。