이미지: METAL LAB 생성
摘要
- Databricks公开了会计咨询事务所CLA(CLAconnect)的AI智能体编排案例
- CLA以Lakebase Postgres为骨干，实现了持久化任务队列、失败重试以及感知速率限制的调度
- 据悉，这种方式用单一数据库取代了长时间运行AI智能体所需的队列、调度器、缓存、监控整套堆栈
- 발표 주체
- Databricks (X 게시, 2026-08-10)
- 사례 기업
- CLA (@CLAconnect)
- 핵심 기술
- Lakebase Postgres — Databricks의 Postgres 기반 오케스트레이션 백본
- 구현 기능
- 내구성 있는 작업 큐, 재시도, 레이트리밋 인식 스케줄링, 실시간 모니터링
- 배경 문제
- 장시간 실행 에이전트는 통상 큐·스케줄러·캐시·모니터링 도구 스택이 계속 늘어난다
- 관련 동향
- AWS도 Bedrock AgentCore로 유사한 에이전트 인프라 문제를 다루고 있음
会计师事务所为何谈起数据库
8月10日，Databricks通过其X官方账号介绍了会计咨询事务所CLA(CLAconnect)运营AI智能体的案例。引人注目的是CLA所采用的方式。这次谈的不是新的AI模型或基准测试，而是"如何让智能体长时间稳定运行"这一基础设施问题。
据Databricks介绍，长时间运行的AI智能体通常需要不断扩张的队列、调度器、缓存、监控工具堆栈。这是因为它不像聊天机器人那样一问一答即可，而是要持续数分钟到数小时执行多阶段任务，失败时需要重试，还要控制对外部API的调用频率。据悉，CLA用一种"Databricks原生"的方式解决了这个问题，即以Lakebase Postgres作为编排骨干。
Lakebase做了什么
Lakebase是Databricks提供的基于Postgres的数据库服务。据发布内容显示，CLA借助它实现了持久化任务队列（即便任务中途中断状态也能保留的队列）、失败重试逻辑、感知API调用限额的调度，以及实时监控。也就是说，CLA没有分别接入独立的消息队列系统、工作流管理工具和缓存服务器，而是在单一数据库层中处理了这些功能。
| 组成部分 | 典型堆栈 | CLA基于Lakebase的方案 |
|---|---|---|
| 任务队列 | 独立消息队列系统 | Lakebase Postgres表 |
| 重试处理 | 工作流管理工具 | 数据库内重试逻辑 |
| 调度 | 独立调度器 | 感知速率限制的调度 |
| 监控 | 独立仪表盘 | 实时监控集成 |
为何"长时间运行的智能体"是个难题
随着AI智能体朝着代替人类调研文档、跨多个系统完成任务的方向发展，单个任务耗时从几秒延长到数小时的情况越来越多。这类智能体即便中途失败，也需要能从中断处继续、而不是从头开始；需要控制调用频率以免过度调用外部API而被封锁；还需要让人能实时确认当前进度。这三项需求叠加在一起，最终导致开发团队不得不拼凑出队列、调度器、缓存、监控各自独立的堆栈。
AWS也在处理类似问题。8月初，AWS ML Blog公开了一个案例：让运行在Bedrock AgentCore上的智能体通过桥接方式访问用户本地电脑上的MCP服务器。据介绍，该案例中的内部财务助手上线一年来已处理超过41,000次对话。虽然各云服务商的表述各异，但"如何为长时间运行的智能体构建稳定管理基础设施"似乎正成为共同议题。
与Databricks近期动向对照来看
Databricks近期宣布重启覆盖20座城市的"Data + AI World Tour"巡回活动，目标聚集4万人规模的参会者。此次CLA案例与这一动向相呼应，可以解读为Databricks正试图通过真实客户案例证明：自己不只是数据平台，还能在自身生态系统内解决智能体运营基础设施的问题。
由此带来了什么变化
此前，要运营长时间运行的AI智能体，开发团队必须分别挑选并组合队列系统、调度器、缓存、监控工具。CLA的案例表明，这套组合可以压缩进一个基于Postgres的单一服务中。这意味着已经在使用Databricks的组织，无需另建基础设施团队，也能搭建起智能体运营体系。不过，这只是Databricks给出的单一案例，是否能同样适用于其他规模或行业的智能体工作负载，仍有待观察。
