Databricks推Lakebase Postgres方案简化AI智能体编排

Databricks在一篇新博文中详细介绍了如何利用Lakebase Postgres简化AI智能体编排，推出了一套完全基于Databricks原生产品的参考架构。该方案将Lakebase、Databricks Apps、Lakeflow Jobs、MLflow和Unity Catalog Volumes整合为端到端管道，用于智能文档处理场景。

这一架构的核心创新在于使用Lakebase Postgres作为任务队列和编排状态数据库，替代了传统方案中需要额外集成的Kafka、Redis、Airflow或Temporal等外部系统。Lakebase的存算分离架构让计算资源可按需扩展，同时存储保持持久和独立。

专业服务公司CLA已与Databricks Forward Deployed Engineering团队合作，基于该架构构建并投产了一套智能审计解决方案。编排层负责协调长时间运行的任务、管理重试机制、归因成本并提供实时可见性。

在技术实现上，该系统使用了两张Postgres表来管理任务队列：tasks表记录每个工作单元的状态、租约和结果，task_attempts表追踪每次执行尝试的运行ID和MLflow追踪信息。编排守护进程从Lakebase拉取任务、分发给AI智能体层并将结果写回。

该方案还利用Postgres的LISTEN/NOTIFY触发器和Server-Sent Events构建了低延迟的操作控制面板，可自动跟踪成本和任务状态而无需额外开销。Databricks强调，该方法消除了对独立队列、调度和可观测性基础设施的需求。

这对AI工程团队意味着，构建生产级AI智能体系统不再需要拼凑多个开源组件。对于正在部署AI文档处理、代码审查或客户支持智能体的企业来说，Databricks的这一方案可能显著降低基础设施复杂度和运维成本。

值得关注的是，这一架构是否会成为Databricks平台的标准功能，以及竞争对手如Snowflake是否会推出类似的原生智能体编排方案。