LecturaInvestigaciónRadarMarco de inversión
Iniciar sesión / Registrarse
← Volver a la lectura
TemaEditorial de DisconfirmAIActualizado 2026-11-07 07:12

OpenSharing

4 pasos1 piezas4 Fuentes

Databricks 于2026年11月正式阐述其 OpenSharing 协议的设计逻辑,旨在通过“就地读取”取代传统的文件/API复制管道,解决客户数据摄取中的隐性成本与维护难题。该协议由 Databricks 与 Linux Foundation 共同推动,是 Delta Sharing 的演进版本,支持跨平台零拷贝共享结构化数据及 AI 资产(如模型、Agent Skills)。核心变革在于利用开放表格式(Delta Lake/Iceberg)直接访问源数据,消除重复存储与回填依赖,同时提供审计日志以增强数据提供方对访问行为的可见性。目前,OpenSharing 已作为开源项目发布,并集成于 Databricks Marketplace 和 Clean Rooms 中,标志着数据共享从单纯的结构化表格向更广泛的 AI 资产协作扩展。

Cómo llegó hasta aquí

  1. 2026-06-10

    Databricks 与 Linux Foundation 联合宣布 OpenSharing 作为 Delta Sharing 的下一代演进协议,确立其为开放、厂商中立的标准。

    databricks.com ↗
  2. 2026-11-03

    Databricks 更新文档,详细说明如何使用 Bearer Token 在 Iceberg 客户端、Spark、Power BI 等工具中读取共享数据,强调近实时可用性。

    docs.databricks.com ↗
  3. 2026-11-05

    Databricks 发布博客《From Delta Sharing to OpenSharing》,解释协议如何扩展至 Agent Skills 和 AI 模型共享,并确认现有 Delta Sharing 设置的兼容性。

    databricks.com ↗
  4. 2026-11-07

    Databricks 工程团队发布系列文章第一部分,深入剖析传统 SFTP/API 管道的隐性成本,论证 OpenSharing 如何通过变更数据流(CDF)简化客户数据摄取。

    databricks.com ↗

Lo que aún está pendiente

Iniciar sesión / Registrarse
LecturaInvestigaciónRadarMarco de inversión
  • 非 Databricks 平台(如纯 Snowflake 或本地环境)实施 OpenSharing 服务器时的具体性能开销与兼容性边界尚需更多第三方基准测试验证。
  • 随着 Agent Skills 成为共享资产类型,不同厂商对‘技能’定义与元数据标准的互操作性细节仍在社区提案阶段,尚未完全统一。
  • Fuentes

    • databricks.comDatabricks Blog: Read, don't copy (Part 1)↗
    • databricks.comDatabricks Blog: From Delta Sharing to OpenSharing↗
    • docs.databricks.comDatabricks Docs: What is OpenSharing?↗
    • github.comGitHub: OpenSharing Protocol Repository↗

    Cobertura en este tema

    • Databricks Proposes OpenSharing: Replacing Customer Data Replication Pipelines with In-Place Reads2026-11-07Noticias

      The Databricks engineering team outlines the design logic behind the OpenSharing protocol: traditional customer data ingestion methods (SFTP, APIs, managed connectors) incur hidden costs as scale increases, whereas in-place reads and change data streams based on open table formats (Delta Lake, Iceberg) eliminate pipeline maintenance, backfill dependencies, and redundant storage.