文章
Databricks正把企业数据平台改造成智能代理的低成本试验场
文章以Databricks及其产品演进为线索，梳理企业数据基础从Spark、Lakehouse到Lakebase的技术路径，并与智能代理自动化、组织决策权下放相联系。文章称，Databricks目前超过70亿美元年化收入、同比增长80%；Lakehouse超过15亿美元年化收入、同比增长超过100%；Lakebase于2025年推出后已超过1亿美元年化收入，代理是其最主要用户。技术层面，Lakehouse统一数据湖与数据仓库，Lakebase进一步统一事务处理与分析处理，并通过存算分离、共享存储和变更复制支持代理低成本创建、试验和丢弃隔离数据库分支。组织层面，文章提出代理数量可能远超员工，个人将从传统执行者转向接近管理者的角色，前线实践者将重新获得调查和决策权。
核心要点
- Databricks的产品被描述为四条连续的技术S曲线：Spark、Lakehouse、Lakebase和Agents，前一阶段为后一阶段创造创新窗口。
- Spark源于Hadoop在迭代式机器学习任务中的性能瓶颈：通过将重复使用的数据保留在内存中，文章称其可使相关工作负载最高加速约10倍。
- Lakehouse通过在数据湖文件之上加入表层，提供原子性更新、模式管理和版本历史，使同一存储上同时支持数据仓库式SQL、机器学习和多角色协作。
- Lakebase面向运营数据库，将存储与计算分离，并让事务数据与分析数据共享底层存储，减少ETL及跨系统维护的数据管道。
- Lakebase只复制变更，因此即使在拍字节级规模下也可快速复制数据库，使代理能够创建隔离分支、进行实验并在完成后丢弃。
关键判断
- Databricks近二十年的发展可概括为Spark、Lakehouse、Lakebase与Agents四条连续叠加的技术S曲线，前一阶段为后一阶段创造创新窗口。
- Spark通过在迭代计算之间保留常用数据并维持容错能力，显著改善Hadoop在机器学习等重复工作负载上的性能，相关工作负载最高加速约10倍。
- Lakehouse在数据湖文件之上加入表层，提供原子性更新、模式管理和版本历史，使同一存储能够同时支持仓库式SQL、机器学习与多角色协作。
- Lakebase将事务处理与分析处理统一到共享底层存储，并通过存算分离减少ETL及跨系统维护的数据管道。
- Lakebase依靠仅复制变更实现快速数据库复制，即使在拍字节级规模下，也能让代理低成本创建隔离分支、开展实验并丢弃分支。
未来推演
判断：未来 3-9 个月，Agent 产品会更快从能力展示转向审批明确、可回滚、可观测的执行流程。
时间跨度：未来 3-9 个月
为什么是现在：文章对价值判断已经不再停留在对话体验，而是落在流程接入、执行闭环和控制能力上。
重点信号：产品是否增加审批节点、案例是否从演示转向生产流程、用户是否更重视可观测性
置信度：高