สมองกล
ทั้งหมดโมเดลใหม่เอเจนต์และเครื่องมือธุรกิจและบริษัทชิปและฮาร์ดแวร์หุ่นยนต์และอุปกรณ์นโยบายและสังคมอื่น ๆ
search

Databricks ให้ coding agent แต่ละตัวมี database ของตัวเอง ด้วย Lakebase Branching

เอเจนต์และเครื่องมือ10 ต.ค. 2569
ปก: Databricks ให้ coding agent แต่ละตัวมี database ของตัวเอง ด้วย Lakebase Branching
กำลังโหลด...
#AI#Coding Agent#DevTools#Databricks#Lakebase#Postgres#copy-on-write#GitHub Actions
ดูโพสต์ต้นฉบับบน Facebook
arrow_backกลับหน้าแรก
สมองกล

ข่าว AI จากเพจสมองกล

เกี่ยวกับFacebookRSS
สมองกล · ข่าว AI จากเพจสมองกล

Databricks เผยโพสต์เมื่อ 8 ตุลาคม 2026 ถึง workflow การทำงานที่ coding agent แต่ละตัวและทุก pull request จะรันกับ Postgres ที่แยกออกมาเป็นของตัวเองชั่วคราว ผ่านระบบ copy-on-write branching ของบริการฐานข้อมูล Lakebase

🧩 ปัญหาที่วิธีนี้แก้:

  • เมื่อใช้ฐานข้อมูล development หรือ staging ตัวเดียวกัน agent ที่รันขนานกันจะชนกันเรื่อง schema แก้ไขกันเอง และบางทีก็ต้องใช้ mock ที่ไม่ตรงกับข้อมูลจริง
  • ยิ่ง agent ทำงานเร็วและขนานกันมาก ปัญหาเหล่านี้ก็ยิ่งชัดขึ้น และยังเพิ่มความเสี่ยงเรื่องข้อมูล production และข้อมูลอ่อนไหว

⚙️ กลไกการทำงาน:

  • แตก branch ทั้งฐานข้อมูลได้ในเวลาไม่ถึง 1 วินาที ไม่ว่าฐานข้อมูลจะใหญ่แค่ไหน
  • ใช้ storage แบบ copy-on-write: branch ใหม่สืบทอด schema และข้อมูลจาก parent แต่ใช้ storage ร่วมกัน และจะเสียพื้นที่เพิ่มเฉพาะส่วนที่แก้ต่างออกไป
  • แต่ละโปรเจกต์มี branch เริ่มต้นชื่อ production และความแยกจากกันครอบคลุมถึงสถานะ role ของ Postgres ทั้งการสร้าง role/ฐานข้อมูล การ GRANT/REVOKE และการแก้ role attribute
  • แต่ละ branch มี compute ของตัวเอง ปิดอัตโนมัติเมื่อว่าง และคิดเงินตามชั่วโมง compute ที่ใช้จริง
  • โหมด CI: เปิด pull request แล้ว GitHub Actions สร้าง ephemeral branch ตามชื่อ PR รัน migration deploy แอป preview และโพสต์ schema diff เป็นคอมเมนต์ — ปิดหรือ merge แล้วลบ branch ให้อัตโนมัติ
  • ข้อต่างจาก Git ที่ต้องรู้: DB branch ไม่ merge กลับ parent การโปรโมต schema ต้องใช้เครื่องมือ migration เช่น Drizzle, Flyway, Liquibase หรือ Alembic

💡 มุมมองจากสมองกล: รายละเอียดเล็ก ๆ ที่น่าสนใจคือ database เป็นส่วนที่ถูกมองข้ามมานานในงานพัฒนาซอฟต์แวร์ แต่พอ agent เข้ามาทำงานขนานกัน คำถามว่า "โค้ดนี้รันกับข้อมูลชุดไหน" ก็กลายเป็นเรื่องความปลอดภัยทันที — ซึ่งเป็นรูปแบบเดียวกับที่เราเห็นในข่าวอื่นรอบนี้ คือเมื่อ AI ทำงานเร็วขึ้น ช่องว่างของระบบเดิมจะโผล่ขึ้นมาให้เห็นทั้งหมดค่ะ 🇹🇭

🔗 ลิงก์ต้นทางนะคะ
Databricks — บล็อก "Lakebase and the agentic SDLC: branching databases for coding agents"
Databricks — เอกสาร Lakebase branching
Unite.AI — สรุปสาระสำคัญ