Unity Catalog
PulseAugur coverage of Unity Catalog — every cluster mentioning Unity Catalog across labs, papers, and developer communities, ranked by signal.
- used by Genie Agents 90%
- developed Unity AI Gateway 90%
- used by Genie Code 90%
- used by Genie One 90%
- instance of Databricks Lakehouse 90%
- used by Agent Bricks 90%
- used by DuckDB 90%
- used by Databricks Data Intelligence Platform 90%
- used by Databricks Genie 90%
- affiliated with Unity AI Gateway 70%
- affiliated with Genie Agents 70%
- used by Delta Lake 70%
13 天有情绪数据
-
Databricks 和 Replit 集成，用于受管制的企业应用程序开发
Databricks 已与 Replit 集成，使企业能够直接在 Databricks 平台上构建和部署受管制的应用程序。此次合作允许从业务领导者到开发人员的用户通过 Replit Agent 使用自然语言提示创建生产就绪的应用程序。此次集成确保应用程序继承 Databricks 的治理，包括通过 Unity Catalog 进行用户身份验证和访问控制，并利用 Lakebase 进行操作数据存储，从而无需外部数据库。
-
Databricks 通过 Unity Catalog Beta 版集成 Workday HR/财务数据
Databricks 推出了适用于 Unity Catalog 的新 Beta 版连接器，支持直接、零拷贝地访问 Workday HR 和财务数据。此次集成允许用户在 Databricks 平台内查询 Workday 数据，而无需复制信息，并利用 Unity Catalog 进行治理和安全。该连接器旨在将 Workday 的 HR 和财务洞察与 Databricks 中的其他企业数据相结合，从而促进高级分析和人工智能驱动的决策。
-
Databricks 为应用推出代表用户授权
Databricks 已正式为其 Databricks 应用推出代表用户（OBO）授权功能。这项新功能允许开发者构建能够访问数据和 AI 体验的应用，同时尊重登录用户的特定权限。通过利用 OBO，应用可以确保数据访问（包括 Unity Catalog 强制执行的行过滤器和列掩码）符合用户的个人特权，从而在无需开发者重新实现数据治理规则的情况下，增强个性化和安全性。
-
在 Google Cloud 上使用 Unity Catalog 构建 AI Agent 基础
本文讨论了在 Google Cloud 上使用 Unity Catalog 创建语义层和 AI Agent 基础。它探讨了如何利用这些组件来构建更复杂的 AI 应用程序并在组织内有效管理数据。
-
Databricks 通过新指南简化 dbt ETL 管道迁移
Databricks 发布了一份指南，详细介绍了用户如何以最少的代码更改将 dbt ETL 管道迁移到 Databricks Lakehouse 平台。该过程包括更新 dbt 适配器和配置，解决细微的 SQL 方言差异，并利用 Lakeflow Jobs 等工具进行生产调度。这种方法允许增量迁移，从转换层开始，以逐个模型解锁成本节省并验证输出，然后再迁移数据堆栈的其他部分。
-
Databricks 发布 Genie Ontology，为企业 AI 提供上下文
Databricks 推出了 Genie Ontology 系统，旨在为 AI 代理提供分析业务数据的关键企业上下文。该本体集成了来自 Unity Catalog 等来源的精选信息，以及从文档、仪表板和应用程序中学习到的知识，并通过认证和使用情况等信号对上下文进行权威性排序。该系统旨在使 AI 代理能够准确回答业务特定问题，克服缺乏这种机构知识的通用 AI 模型的局限性。
-
数据智能与定制化正在重塑大语言模型，引领行业标准
数据智能和定制化正成为大语言模型（LLM）的行业标准，使公司能够克服传统AI工具的局限性。生成式AI（GenAI）和检索增强生成（RAG）是关键技术，其中RAG允许使用专有数据对LLM进行定制，以提高准确性并减少幻觉。像Meta的LLaMA这样的开源模型提供了灵活性，而Databricks Unity Catalog等统一平台对于管理整个数据和AI生命周期至关重要，确保安全性和治理。
-
Databricks 详解实时电子商务推荐系统架构
Databricks 详细介绍了构建实时电子商务推荐系统的参考架构，旨在提高个性化和转化率。该系统利用 Databricks 数据智能平台，包括 Lakebase 和 AI Search，来处理大量的用户交互数据。它通过支持可预测表面的预计算和即时上下文的会话内信号直接处理的双路径架构，强调低延迟服务。
-
Databricks 为 Apache Iceberg 治理引入读取限制
Databricks 为 Apache Iceberg 引入了新功能，专注于加强跨各种引擎的数据治理。更新包括读取限制和目录标签，旨在使治理策略更具可移植性和可执行性。读取限制标准化了目录如何将数据访问策略的执行委托给受信任的引擎，确保在读取数据时应用行和列限制。
-
Databricks Unity Catalog 强调用户对数据存储的控制权
Databricks 详细介绍了其在 Unity Catalog 中管理数据存储的策略，强调用户控制和开放格式。该平台允许用户将托管表数据存储在他们自己的云存储账户中，例如 Amazon S3、ADLs 或 Google Cloud Storage，从而确保数据所有权和可见性。Unity Catalog 支持 Iceberg 和 Delta 格式，可自动进行数据布局、调优和清理，同时允许 Apache Spark、Flink、Trin…
-
Databricks 概述其AI同事Genie One的企业推广策略
Databricks 发布了一份操作手册，详细介绍了企业分阶段推出其AI同事工具Genie One的方法。该策略强调从狭窄的范围和一小群早期用户开始，以建立信任和习惯，然后再逐步扩展到更多的用户和业务线。关键组成部分包括Genie One的用户体验、特定领域的Genie Agents、用于映射业务术语的Genie Ontology以及用于数据治理的Unity Catalog。
-
Databricks推出Omnigent以简化AI代理的网络集成
Databricks 推出了 Omnigent，这是一个旨在简化需要访问外部网络数据的 AI 代理的开发和管理的新层。该系统解决了需要集成真实世界信息的代理构建效率低下问题，此前工程师需要为不同的工具多次重建丰富逻辑。Omnigent 允许开发人员定义代理的核心逻辑、模型、工具和策略一次，然后可以跨各种执行环境进行部署。这种方法旨在缩短开发时间、提高一致性，并为代理操作提供集中的成本和治理控制。
-
Databricks 营销人员通过 AI 助手 Genie 将数据使用量提升 3 倍
Databricks 开发了一款名为 Genie 的 AI 分析助手，使其营销团队在决策中能够更频繁地使用数据，频率提升了三倍。该工具以 "Marge" 的形式实现，构建在受管的湖仓一体（lakehouse）之上，允许营销人员用自然语言提问，并获得快速、可信的答案。该系统与 Genie One（一款 AI 协作体验）集成，并利用 Unity Catalog 进行数据治理和访问控制，确保用户只能看到授权信息。
-
Databricks 发布 Lakeflow Connect 以统一营销数据
Databricks 推出了 Lakeflow Connect，一项旨在简化营销数据统一的新服务。该工具提供了一套针对各种 SaaS 应用程序、数据库和文件源的托管连接器，能够将数据直接摄取到 Databricks Platform 中。该服务旨在消除对自定义管道和基础设施管理的需求，使营销团队能够更快地洞察营销活动效果和客户行为。EcoVadis 和 iManage 等早期采用者报告称，节省了大量时间和减少了工程开销。
-
Databricks 通过 Apache Iceberg 规范增强 Open Lakehouse 治理
Databricks 推出了 Apache Iceberg 的新规范，重点关注读取限制和目录标签，以增强 Open Lakehouse 架构内的治理。这些进步旨在使数据治理像数据本身一样具有可移植性，允许在 Unity Catalog 中定义的策略跨 Apache Spark、DuckDB 和 Trino 等各种引擎得到一致执行。读取限制功能标准化了委托执行，使目录能够将行和列限制传递给受信任的引擎进行应用，从而简化了跨引擎数据访问和策略管理。
-
Replit 和 Databricks 集成正式上线，支持本地 Lakebase
Replit 和 Databricks 已宣布其集成正式可用，旨在简化企业级应用程序的开发。此次集成原生支持 Databricks Lakebase，使开发人员能够构建利用实时数据仓库和托管数据库层的全栈应用程序。此次合作强调了更快的开发周期、通过 Unity Catalog 增强的数据治理以及生产部署的自动化配置。
-
Databricks 通过逐位查看者访问控制增强 AI/BI 仪表板安全性
Databricks 推出了一种新的 AI/BI 仪表板安全模式，允许单个仪表板为具有不同数据访问权限的多个查看者提供服务。该方法利用 Unity Catalog 的行过滤器和列掩码，由集中的权限表驱动。该系统为每个查看者分配一个唯一的 `__aibi_external_value`，控制显示哪些数据行和列，从而允许外部合作伙伴和内部团队安全地共享相同的嵌入式仪表板，同时遵守特定的访问规则。
-
生成式AI助手导致Databricks账单高达4200美元并引发宕机
一位工程师讲述了一起代价高昂的事件，其中一个与Tableau和Databricks集成的生成式AI助手生成了一个破坏性查询，耗尽了大量的计算预算并导致了一小时的宕机。作者认为Text-to-SQL并非万无一失的解决方案，主张采用强大的数据治理和架构模式，如语义层或冻结模式，来减轻风险。这些方法旨在通过施加基础设施级别的约束来创建可靠的系统，而不是昂贵且不可预测的幻觉引擎。
-
Databricks 以知识为中心的方法重新定义 AI 治理
Databricks 正在为 AI 时代重新定义数据治理，超越传统的安全措施，专注于知识、上下文和本体论。该公司的 Data Empowerment Program (DEP) 将模型卡和数据合同等治理工件视为构建强大 AI 战略的基础要素，而非合规开销。通过将这些工件视为机器可读的元数据，Databricks 旨在使代理能够自动化数据产品生命周期并提供可信赖的见解，最终实现更高效、更可靠的 AI 系统。
-
南方公司通过Databricks驱动的SCOUT应用程序增强风暴响应能力
南方公司开发了SCOUT，这是一个构建在Databricks Lakehouse平台上的实时风暴运营应用程序。该应用程序将停电、客户和可靠性数据整合到一个统一视图中，增强了调度员、风暴中心领导和现场团队的决策能力。SCOUT因其在停电信息访问方面的变革性方法获得了2025年S.E.E.行业卓越奖，并被南方公司各运营业务的1100多名员工使用。