从云原生到AI就绪，再到AI原生、Agentic Database……围绕生成式 AI 和自主 Agent构建的数据底座，一直在花样翻新！进入2026年，数据库领域再次出现一个新变化 ，大厂们集中在推Lakebase。那么，问题来了，什么是Lakebase？

　　什么是Lakebase？

　　从字面意义理解，Lakebase（湖库一体）是面向AI时代的一种新型数据基础设施架构。它融合了“数据湖”架构的开放性与海量存储能力，以及“数据库”架构的事务一致性与在线服务能力，旨在将结构化、半结构化、非结构化及向量数据纳入统一的治理体系中进行管理、加工、检索和调用。

　　Lakebase的核心特征包括：

　　1.存算分离。将数据存放在低成本、高可靠的云对象存储（数据湖）中，计算层则作为独立、弹性的无服务器（Serverless）引擎运行，支持秒级扩缩容甚至缩容至零。

　　2.多模态统一管理。打破数据孤岛，让文本、图片、音视频、JSON、向量等多种数据形态在同一套元数据、权限和事务体系下被管理，直接支撑在线服务、实时分析和AI应用。

　　3.AI原生与Agent友好。支持库内推理、模型算子化以及面向AI Agent的实时上下文工程，帮助Agent获取完整业务上下文，并支持数据分支等隔离环境。

　　从数据库的演进路线来看，大多数都是单体架构，包括 MySQL、Postgres 和经典的 Oracle。Lakebase 基于 Postgres 构建，核心改动是将 Postgres 计算实例变为 无状态，通过将 WAL 日志和本地磁盘上的数据文件外部化到专用的、独立可扩展的服务中来实现这一点。计算层变成了一个无状态的 Postgres 引擎，可以自由启动、停止和复制，因为它不再拥有数据。

　　谁在主推Lakebase？

　　目前，国内外多家主流数据库与数据平台厂商都在积极向 Lakebase 架构演进，但各自的切入路径有所不同。首先，Databricks 是这一架构的先锋，演进路径是从Lakehouse向 Lakebase演进的方式。国内主要跟进的是阿里云 PolarDB和OceanBase，主要从数据库方向进行 Lakebase 架构演进。

　　具体区分如下：

　　1. Databricks：从湖仓向事务延伸

　　Databricks 是最早将 Lakebase 作为产品叙事推向台前的厂商。其路线是从湖仓（Lakehouse）出发，向上增强在线事务处理（OLTP）能力。Databricks 推出了基于开放对象存储的无服务器 Postgres 数据库，并将其与 Lakehouse 统一在同一治理模型下，使操作型数据立即可查询、立即可用于分析。

　　2. 阿里云 PolarDB：云原生的AI数据湖库

　　阿里云 PolarDB 在2026年初发布了 AI 数据湖库（Lakebase）。其核心思路是将大模型能力内化为数据库的“血液”，推动数据库从“外挂式AI”向“内生智能”演进。PolarDB 通过“湖库一体”架构统一管理全模态数据，并在SQL层深度融合向量与全文检索，提供面向 Agent 应用开发的后端服务。

　　3. OceanBase：从数据库向外延伸

　　OceanBase 于2026年中发布了湖库一体 AI 数据库（OceanBase Lakebase）。其路线是从金融级分布式数据库内核出发，向外延伸湖存储能力。OceanBase 强调在同一套引擎中统一管理多模态数据，打通在线与离线处理，并推出了配套的数据治理工作台（DataStudio）和业务智能 Agent（DataPilot），旨在大幅降低企业数据底座的组件拼装复杂度与整体拥有成本（TCO）。

　　4. 其他厂商的探索

　　除了上述三家，其他厂商也在基于自身优势探索类似架构。例如，Zilliz 将 Vector Database（向量数据库）与 Data Lake 融合，围绕向量检索和 AI Search 打造了 Vector 版本的 Lakebase 架构。

　　对比而言，各家厂商虽然对 Lakebase 的理解和切入点不同（有的从湖出发，有的从库出发，有的从向量库出发），但底层趋势高度一致：都在致力于打破技术壁垒，通过“一体化”的融合，让一套系统能够同时管理多模态数据，从而更好地支撑 AI Agent 时代的复杂需求。

　　Lakebase为什么会流行？

　　很明显，Lakebase 架构诞生的原动力在于，更好地支撑AI Agent走向生产场景。因为，智能体的负载催生出一种极其独特性的使用模式，那就是第三代数据库的典型特征是：数以百万计、短生命周期且深度分叉（deeply branched）。当数据库像代码分支一样被频繁创建、测试，然后迅速销毁。面对这种苛刻的要求，传统那种笨重的单体式 OLTP 引擎显然已经力不从心。

　　数据库的破局点在哪里？大厂们给出一个答案：Lakebase 架构。这不仅仅是一个新产品，更是第三代云数据库架构的正式确立。

　　Lakebase 的核心魔法，在于将 Serverless PostgreSQL 的计算与存储进行了彻底解耦。借助开放格式，它把数据和预写日志（write-ahead log）直接持久化到了云对象存储中。这种设计不仅完美契合了智能体工作流的诉求，还带来了两个极其硬核的底层创新：

　　首先是亚秒级的冷启动（cold start）。配合 Serverless 架构，Lakebase 能够瞬间拉起计算资源，让海量短生命周期的数据库随需而生。

　　其次是类 Git 的数据库工作流。通过写时复制（copy-on-write）的分支机制，Lakebase 可以在瞬间克隆出一个隔离的数据库环境。这种高效的分支能力，让开发者（甚至 AI 智能体本身）可以像操作代码一样，安全、低成本地在数据库上进行实验与迭代。

　　更令人兴奋的是，得益于计算与存储的分离，Lakebase 打破了传统的事务与分析壁垒。它允许我们在实时事务数据上，直接进行低延迟的分析，彻底告别了繁琐的 ETL 数据搬运。

　　面向未来，Lakebase 正在引领第三代云数据库向最新方向演进。在 AI 智能体重塑开发范式的今天，这或许才是数据底座该有的样子。