Snowflake 落地中国两年：迈向智能体企业时代，关键在上下文

9 月 8 日，Snowflake World Tour 全球巡演首次落地中国。此时距离 Snowflake 正式进入中国市场刚好两年。 两年之后，Snowflake 将这场中国首秀的重点放在了一个更明确的方向上：Agentic Enterprise，企业级智能体。 Snowflake 中国区总经理张莹（Shannon Zhang）在开场中首先把问题落到了企业上下文。她提到，当先进模型越来越容易获得，AI 给出的答案可能逻辑完整、表达流畅，但进入真实企业之后，定义、口径和业务规则往往各不相同。 “当 AI 无处不在，只有准确的上下文才能让 AI 真正值得信赖。” 张莹由此将 Context 提到了企业级 AI 落地的前提位置。她同时提到，随着 Agent 开始接触客户、访问企业数据并参与业务流程，身份边界、权限、数据血缘和成本也需要一并进入治理体系。 Snowflake 中国区总经理 Shannon Zhang 过去几年，企业 AI 的讨论很大程度上围绕模型能力展开。如今，领先的大模型越来越容易获得，AI 也正在从回答问题的工具，进一步进入企业的业务流程。Snowflake 全球产品总裁 Christian Kleinerman 在现场将这种变化概括为：AI 的作用已经从“回答问题”，转向改变企业开展业务的方式，让不同职能的工作变得更高效、更具生产力。 模型能力的普及，并不意味着企业 AI 的差异会随之消失。一家企业内部特有的指标口径、业务逻辑、权限关系、数据定义，以及长期积累的私有数据，并不存在于通用模型之中。 这也构成了整场 Keynote 的核心命题：当 AI 开始真正进入企业，数据本身还不够，企业还需要把数据背后的定义、关系、规则和权限转化为 AI 可以理解和调用的上下文。 围绕智能体企业，Snowflake 给出了四个基础要素：AI 模型，企业数据与上下文，连接企业系统的软件与应用，以及将这些能力统一管理起来的 Agentic Control Plane（智能体控制平面）。Christian 特别强调，这并不是一个面向未来数年的产品愿景，而是已经可以进入实际部署的企业 AI 架构。 最大的误区：部署了智能体，数据会自行理顺 在 Christian 看来，企业迈向智能体时代首先需要破除一个常见误区：只要部署足够强的 AI Agent，原本分散的数据和复杂的数据体系就会自行理顺。 “AI 非常强大，但它不是魔法。” 模型需要正确的数据和上下文才能可靠工作。现实中，大多数企业的数据仍然分布在不同数据库、流式系统和业务应用中，形成大量彼此隔离的数据孤岛。这样的数据基础不会因为智能体出现而自动改善，也会直接限制 AI 能够创造的价值。企业仍然需要主动建设和现代化自己的数据架构，才能进一步获得可靠的 AI 能力。 这一判断随后被放进了一条完整的业务链路中。 Snowflake 中国高级解决方案工程师丁煜恒在现场模拟了一家职业体育联赛公司的经营场景：一场深圳赛事取得成功后，管理层希望判断这一模式是否能够复制到其他城市。但收入、成本、客户、人员以及实时舆情分别存在于不同系统中，单独依靠已有报表，很难直接回答增长与盈利能否同时成立。 首先需要解决的是数据本身。Snowflake 将 Fan App、POS、SAP、Salesforce、Workday 等五个数据源接入统一的数据目录，让原本分散的收入、成本、客户和人员信息进入同一数据基础。随后，对其中的敏感数据进行识别、打标和权限治理，并将治理策略延伸至模型和 Agent 的访问过程。 完成数据连接与安全治理后，还有更关键的一步：统一业务语义。 同一个指标在不同部门可能对应不同定义，Agent 同样会面临“应该使用哪一个口径”的问题。现场演示通过 Semantic View 对粉丝互动、商品销售、票务等核心指标进行统一定义，同时记录指标之间的计算关系，让人和不同 Agent 都能够依据同一套企业语义进行分析和交流。Snowflake 将这三个环节分别概括为 Data Ready、Security Ready 和 Context Ready；只有三者同时具备，企业的数据基础才真正达到 AI Ready。 在这一基础上，AI 才开始真正进入业务流程。 业务人员可以通过 CoWork 自动生成每日经营简报，再通过 Deep Research 调用多个子智能体，对深圳 VIP 增长的原因、不同城市的经营状况和潜在增长空间进行交叉分析，最终形成执行建议，并通过 MCP 连接 Slack 等业务系统完成后续动作。整个过程中，技术人员使用 CoCo 建设数据基础，业务人员通过 CoWork 使用这些数据和能力，两者共享的是同一份数据、同一套安全治理和同一套企业语义。 这也解释了 Snowflake 所说的智能体企业为什么仍然要从数据开始。智能体能够规划任务、调用工具和执行动作，但这些能力并不会替代企业原有的数据基础。恰恰相反，当 AI 从回答问题进一步走向自主行动，数据是否准确、权限是否明确、业务定义是否一致，都会直接影响智能体最终做出的判断和行动。 数据不会因为智能体的出现而自动变得 AI Ready。企业需要先让数据可用、可信，再让 AI 理解这些数据在自身业务中究竟意味着什么。 Christian 在演讲结束前再次回到这一点：企业需要主动现代化数据体系，并将 Horizon Context、Semantic View、Agent Definition、Eval Set 等能力纳入数据准备过程，随后才是进一步构建企业级智能体。 Snowflake 全球产品总裁 Christian Kleinerman 智能体时代，Snowflake 把控制平面推到台前 智能体真正进入企业之后，问题很快从“能不能用”转向“怎么管”。 它能调用什么模型、访问哪些数据、连接哪些系统、执行哪些动作，出了问题能不能追溯，成本又如何控制，这些原本分散在数据治理、权限管理、API 和云资源管理里的问题，开始被重新收拢到同一个层面。Snowflake 把这一层称为“智能体控制平面”（Agentic Control Plane）。 首先变化的是模型选择。 过去几年，OpenAI、Llama、Anthropic 此消彼长，中国市场又出现了 Qwen、Kimi、GLM、DeepSeek。模型能力更新得越来越快，不同任务对性能、成本和合规的要求也并不相同。对企业而言，模型正在从一次性的技术选型，变成一种需要持续调度的资源。 Snowflake 的做法，是尽量把选择权留在平台之上：模型在已有的数据治理环境中运行，而不是每换一个模型，就把企业数据重新复制到另一个端点；Horizon Catalog 支持 Iceberg REST Catalog API，Spark、Trino 等外部引擎可以继续读写数据；MCP 则把智能体连接到外部工具和业务系统。 Christian Kleinerman 在现场专门强调：“Snowflake 没有人希望你因为技术原因被锁定。” 这句话背后的现实并不复杂。模型、数据格式和 Agent 工具协议都还在快速变化，企业很难接受下一代 AI 架构再次变成一套封闭系统。开放意