前端进阶之旅前端进阶之旅
基础篇
进阶篇
高频篇
精选篇
手写篇
原理篇
面经篇
AI 面试
自检篇
每日一题
  • 综合
    • 综合题型
    • 其他问题
    • 设计模式
    • 思维导图
    • 学习路线
  • 前端基础
    • HTTP
    • 浏览器
    • 计算机基础
  • 进阶学习
    • NPM工作流
    • Docker
    • Canvas
    • Node学习指南
    • 前端综合文章
  • 其他
    • Handbook
    • 职场话题
    • CSS可视化
小程序题库
公众号动态
博客动态
AI 热点
开发者导航
基础篇
进阶篇
高频篇
精选篇
手写篇
原理篇
面经篇
AI 面试
自检篇
每日一题
  • 综合
    • 综合题型
    • 其他问题
    • 设计模式
    • 思维导图
    • 学习路线
  • 前端基础
    • HTTP
    • 浏览器
    • 计算机基础
  • 进阶学习
    • NPM工作流
    • Docker
    • Canvas
    • Node学习指南
    • 前端综合文章
  • 其他
    • Handbook
    • 职场话题
    • CSS可视化
小程序题库
公众号动态
博客动态
AI 热点
开发者导航
返回 AI 情报前线
All News · 全部资讯4376
  • AI Agent 可观测性实战:Tracing 与指标设计
  • Agent 防护栏应写在代码里而非 Prompt 中
  • 100行代码实现原生ReAct循环:手写Agent更透明
  • Agent开发正确顺序:先建评测集再写循环
  • 写Tool合约如写规格文档:Agent开发的前置规范
  • AI Agent 存在 Prompt 注入风险,可被诱导泄露数据
  • VentStream:开源 CDC 引擎实时同步数据库
  • 我用自建工具分析了30天Claude Code日志,发现每月3600美元浪费
  • MAI-Code-1-Flash:微软低成本编程模型解析
  • MAI-Code-1.1-Flash 登陆 GitHub Copilot
  • OpenAI 桌面应用 ChatGPT/Codex 正式登陆 Linux
  • 无人值守 AI Agent 的静默失败检测工具
  • 本地 AI 模型实战:量化版本性能对比与编程 Agent 集成
  • 深度推理系统的高成本困境:优化策略与定价模式
  • OpenAI/Anthropic/Google API漏洞:可提取模型推理痕迹,内含泄露密码
  • 跨机器AI Agent分析管道设计:五个架构模式
  • 持久化 Agent 运行时正在成为标配
  • WebMCP:给 Agent 结构化工具而非爬取 DOM
  • MCP Server 六大安全漏洞与修复方案
  • Node.js 工单分类:Claude/Gemini/OpenAI 实战对比
  • Databricks收购Electric:为每个AI Agent配置独立Postgres数据库
  • Context Rot:AI Agent 为何在长对话中质量下降
  • AI 编程工具为何总用废弃 API:根源分析与解决思路
  • 模型路由本质是利润率路由:成本与质量平衡实战
  • Nvidia 开源路由框架 NeMo Switchyard:让 Agent 工作流成本降至三分之一
  • MCP 缓存键是授权漏洞:六类缓存分离方案修复跨租户数据泄露
  • Pixieset 用 Bedrock 实现 AI 功能 35% 采纳率
  • OpenAI Agents SDK 0.20.0 升级避坑指南
  • 亚马逊Nova Act助力QA自动化:自然语言描述测试,周期大幅缩短
  • AI 漏洞发现速度超越人类修复:安全格局重塑
  • AWS 企业级 Claude 应用网关部署完整参考
  • Claude Code 用户总结:CLAUDE.md 常见误区
  • AI 在安全测试中自主伪造身份企图植入后门
  • 构建可审计的深度推理 Agent 系统
  • AI 代码审查机器人工程实践:令牌定价、批处理与提示缓存
  • 构建安全 Agent 工作负载系统实战指南
  • 后端工程师 LLM 微调指南:行为适配而非知识填充
  • Meta Muse双模型实测:Glimmer 30B开源可本地跑,Spark 1.1称霸MCP榜单
  • 英伟达 Nemotron 3.5:小模型跑出高速度,36 亿参数追平 GPT-4 级能力
  • 用 TypeScript 构建 Prompt 缺失来源的三元分类队列
  • 用最便宜模型加路由实现 100% 有效输出的系统设计
  • 8款AI模型同一崩溃测试:没有赢家
  • AI Agent评测最高分居然是"拒绝回答"
  • 英伟达正在训练万亿参数开源模型Nemotron 4
  • Apple Silicon macOS 虚拟机:Llama.cpp 实现 11-16 倍 LLM 推理加速
  • 实测:16GB M1 Pro 笔记本跑本地 LLM 能跑多快
  • Zoom 会议工具被曝严重漏洞:20 个 AI 提示即可劫持设备
  • GitHub Copilot 使用报告支持按模型拆分 token 统计
  • 选择压力让基准测试变成模型的「指纹」
  • OpenAI GPT-5.6-Cyber:漏洞利用任务完成率达 95%
  • AI 代码审查的真实失败模式:不是幻觉而是忽略
  • 已加载 51 / 4376
8.0
热点
AI SCORE
工具产品2026-08-12 00:44

Databricks收购Electric:为每个AI Agent配置独立Postgres数据库

The New Stack#Databricks#数据库#AI Agent
Editor brief · 编辑速览

Databricks收购Electric获得PGlite(WASM版Postgres)和同步引擎技术,使每个AI Agent能拥有独立数据库实例并实现跨环境数据同步。

文章思维导图
Knowledge map
拖拽缩放
Full translation

完整中文译文

Databricks 于周二宣布收购 Electric,这家初创公司是 基于 WASM 的 Postgres 项目 PGlite 及 Electric 同步引擎的幕后团队。在 Agent 应用改变开发者使用数据库方式的背景下,这笔交易应运而生。

Electric 团队将加入 Neon,后者是 Databricks 去年以约 10 亿美元收购的无服务器 Postgres 公司,也是其 Lakebase 数据库服务的基础。

交易条款未予披露。

Databricks 的收购标的

PGlite 是一个完整的 WebAssembly(WASM)版 Postgres 数据库。它可以在浏览器、Node.js 进程或 Agent 用来执行代码的沙箱中运行。它支持动态扩展加载,包括 pgvector——那是 Postgres 首选的向量扩展。

据两家公司透露,PGlite 过去一年周下载量从 100 万增长到 1300 万。

Electric 的核心:同步引擎

不过,真正让 Databricks 对 Electric 产生兴趣的是 Electric 同步引擎。这个引擎维护着一个中央 Postgres 数据库,可以与浏览器标签页、移动应用或 Agent 近实时同步。正如 Databricks 所指出的,这是 Figma 或 Google Docs 的多人协作模式,只是应用到 Postgres 及其使用者——也就是 Agent——身上。

Neon 团队在自家公告中写道:"冲突解决、部分复制和重连逻辑等复杂问题使得实时同步难以从零开始构建。"这或许就是 Databricks 选择收购 Electric 而不是自己造轮子的原因。

至于 Electric 的未来,公司创始人 James Arthur 和 Valter Balegas 写道:"我们此前开源的所有内容将继续保持开源。"这涵盖了同步引擎、PGlite、Durable Streams 和 TanStack DB。

然而,这笔交易中无法延续的是 Electric 的托管服务。"Electric Cloud 即将关停,"两位创始人写道。"云端用户需要自行托管或迁移到其他提供商。"

这笔交易也延续了 Databricks 的一系列数据库收购,包括 Neon 本身,以及最近的事务处理初创公司 Mooncake。

一个只存活 10 秒的数据库

Databricks 团队认为,传统的非 Agent 应用在多个客户端之间共享一个数据库,而那个数据库是整个技术栈中最持久的部分。但 Agent 工作负载改变了这一点。

在最近一篇关于 Agent 开发如何改变数据库的文章中,Databricks 的 Ippokratis Pandis、Nikita Shamgunov 和 Reynold Xin 写道:Agent 现在在 Lakebase 上创建的数据库数量大约是人类用户的四倍。他们还强调,现在每个项目平均携带约 10 个数据库分支,有些项目的分支迭代深度超过 500 层。

对于 Lakebase 上某些类型的应用,数据库计算的平均存活时间现在已不足 10 秒。

事实证明,Agent 喜欢像分支代码一样分支数据库——这是 Neon 构建其架构时所围绕的模式。

在实践中,一个编码 Agent 会启动一个沙箱,在其中实例化 PGlite,然后针对数据库进行构建和测试,最后要么丢弃整个沙箱,要么将结果与——在 Databricks 语境下——Lakebase 分支同步。因为 Lakebase 将存储和计算分离,并将数据以 Postgres 页面格式保存在对象存储上,所以创建那个分支是一个相对廉价的写时复制元数据操作。

"随着编码 Agent 将创建成本推向零,"Neon 团队写道,"应用数量会爆发式增长,而且大多数都是小型应用。"一个数据库服务器——哪怕是能缩容到零的无服务器数据库——仍然为最小可行应用的运行成本设定了一个下限。"如果每个应用都需要固定的最少计算资源,就不可能迎来富足时代,"文章指出。

"同一个想法的两个 halves"

值得注意的是,PGlite 并非诞生于 Electric。它最初是 Neon 联合创始人 Stas Kelvich 的一个实验——他将 Postgres 编译为 WASM,看看能否在客户端运行。Electric 接手了这项工作并将其打造为生产级项目。"那个仓库成为了 PGlite 的基础,"Arthur 和 Balegas 写道。

正如 Databricks 的公告所指出的,这如今"让同一个想法的两个 halves 重新走到了一起"。

Original source

本文由 AI 翻译整理自 The New Stack,原文版权归原作者所有。

阅读英文原文
上一篇
Node.js 工单分类:Claude/Gemini/OpenAI 实战对比
下一篇
Context Rot:AI Agent 为何在长对话中质量下降