Admin de workspace agora configura repositório privado de pacote Python, npm e Maven uma vez só, via um Secret Scope com nome fixo, e notebook, job, pipeline e Databricks App herdam isso automaticamente, sem precisar declarar index-url em cada app.yaml.
Autorização on-behalf-of-user em Databricks Apps (GA) encaminha o token de acesso de quem está logado pra dentro da aplicação, fazendo linha e coluna respeitarem a permissão individual do usuário no Unity Catalog, em vez de depender do service principal único e compartilhado do app.
O Databricks MVP Maksim Pachkouski construiu uma visualização de linhagem aprimorada sobre Databricks Apps, cobrindo todo o catálogo como um único grafo navegável, com hierarquia completa, jobs, dependências e exportação para draw.io.
O Databricks MVP Domonkos Pal apresentou uma arquitetura de referência com três camadas independentemente escaláveis para construir, rodar e monitorar centenas de Databricks Apps em toda a organização, sem precisar de infraestrutura extra fora da plataforma.
Databricks Apps ganhou em Beta App Spaces (ambiente governado sem sandbox separada), Serverless Micro Apps (escala a zero quando ociosa) e Genie App Builder (criar app em linguagem natural), fechando justamente a lacuna de custo ocioso que ainda restava na plataforma.
Uma série de atualizações nos Databricks Asset Bundles neste verão tornou o deploy de um Databricks App completo, incluindo banco Lakebase, índice de busca e segredos, uma operação de um único arquivo databricks.yml e um só comando de bundle.
A integração entre Replit e Databricks virou geral e passou a incluir suporte nativo ao Lakebase, com o Replit Agent provisionando banco automaticamente no deploy e mudança de schema proposta por IA exigindo aprovação humana antes de ir pra produção.
O Databricks MVP Domonkos Pal publicou um guia prático sobre quando um skill de agente basta pra gerar relatório e quando vale migrar pra um Databricks App, com skill e app compartilhando a mesma camada de governança.
Databricks Apps virou o host recomendado pra agente novo, mas Model Serving ainda vence em cenário de baixo custo e alta escala, e a diferença de timeout entre os dois muda qual opção funciona pra que tipo de agente.