首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于

Snowflake Expedition 大会亮出哪些新能力?一文梳理重磅更新 | 技术趋势

摘要

2026 年 Snowflake Expedition 大会上,Snowflake 展示了一系列覆盖平台架构的重大升级,正逐步由云数据平台演进为支持自主 AI 智能体、实时流式应用和对话式商业智能的统一引擎。 此次发布围绕一个核心理念展开:AI 的价值取决于其所依托的企业业务上下文。 通过引入原生业务本体(Business Ontology)、端到端延迟低于 15 秒的实时流式架构,以及旨在替代传...

Business Ontology Snowflake Cortex Semantic Views Sense Gateway 智能体 Horizon
2026-11-20 1 阅读 约10分钟阅读 Umesh Patel
分享:
字号:
2026 年 Snowflake Expedition 大会上,Snowflake 展示了一系列覆盖平台架构的重大升级,正逐步由云数据平台演进为支持自主 AI 智能体、实时流式应用和对话式商业智能的统一引擎。 此次发布围绕一个核心理念展开:AI 的价值取决于其所依托的企业业务上下文。 通过引入原生业务本体(Business Ontology)、端到端延迟低于 15 秒的实时流式架构,以及旨在替代传统按用户席位授权的仪表板工具的对话式 BI,Snowflake 正在打通运营数据、分析工作流与 AI 推理之间的界限。 1. 以可信的企业业务事实为 AI 提供支撑 为了避免 AI 智能体产生幻觉或彼此得出相互矛盾的结论,Snowflake 正将语义管理能力直接引入数据平台。 业务本体 企业 AI 面临的一项重要挑战,是准确理解业务术语的实际含义。例如,有人提出这样一个问题: “上个季度我们的客户收入是多少?” 财务、销售和营销部门对“客户”和“收入”的定义可能各不相同。如果 AI 智能体独立解释这些术语,即使生成的查询在技术上完全正确,最终得到的业务答案也可能偏离提问者的真实意图。 Business Ontology 通过提供集中管理机制,帮助企业定义业务概念、概念属性及其相互关系,从而应对这一挑战。 在 Snowflake 平台中,Business Ontology 旨在通过 Horizon Context 存储账户级业务定义,帮助团队建立可供智能体使用的权威业务定义。 主要能力包括: 从现有数据源导入业务术语表和本体定义;通过数据管理工作流审核和批准业务定义;定义不同业务概念之间的关系;关联跨业务领域的概念;向 CoCo 和集成的智能体开放已获批准的定义;与现有 Semantic Views(语义视图)协同工作,而非取而代之。 例如,一家零售企业可以分别维护财务部门和营销部门对“客户”的定义,同时在适当情况下建立两者之间的关联。当智能体回答财务问题时,就可以使用经过批准的财务定义,而无须假设所有部门都采用相同的术语标准。 因此,Business Ontology 有助于减少语义歧义,提高不同 AI 应用之间的一致性,并让企业知识能够在团队之间重复利用。 Cortex Sense Business Ontology 有助于建立统一的权威定义,但企业还需要发现已经分散在各个系统中的知识。 Cortex Sense 能够从代码、Horizon Context 元数据、Semantic Views、文档、BI 工具以及使用行为信号等来源中发现企业业务上下文,并帮助保持这些信息的时效性。 这项能力与 Business Ontology 和 Semantic Views 形成互补: Cortex Sense: 发现现有知识;Business Ontology: 管理经过批准的业务概念;Semantic Views: 为分析工作负载提供结构化语义定义。 这些能力相结合,可以减少为每个 AI 应用单独构建上下文所需的工作量。 试想一家企业经过多年运营,已经积累了大量 SQL 逻辑、BI 报表、业务文档和分析模型。团队无须为每个智能体手动重建这些知识,而是可以逐步建立更加可复用的企业上下文基础。 由此,企业能够减少重复的知识工程工作,获得更加一致的分析结果,并为理解业务的 AI 智能体提供更坚实的基础。 Cortex AI Gateway 与治理能力 只能回答问题的 AI 助手面临的是一类挑战,而能够调用工具、查询数据和启动工作流的 AI 智能体,则带来了另一类挑战。企业需要控制智能体可以调用哪些工具,并确认发起调用的用户或系统是否具有执行相应操作的权限。 Cortex AI Gateway 为智能体交互引入了治理能力,包括对 MCP 工具调用进行策略验证。它为智能体提供统一的控制平面,能够根据 Snowflake 现有的基于角色的访问控制(RBAC)策略,实时验证每一次模型上下文协议(MCP)工具调用。此外,它还提供成本控制、动态模型路由(token 效率最高可提升至 3 倍),以及完整的可观测性能力,将智能体执行轨迹记录到受治理的 SQL 表中。 这使企业能够在保持访问和执行过程可控的同时,持续扩展智能体能力,减少为每个 AI 应用单独构建治理机制的需求。 AI 成本治理与动态模型路由 Cortex AI Gateway 的成本治理能力支持按团队、部门、智能体和应用等维度归集支出。企业可以在智能体、用户或账户级别设置严格的成本上限,一旦达到设定限额,系统就会停止执行。 动态模型路由则解决了另一个相关问题:并非所有任务都需要使用同一种模型。分类任务可能只需要成本较低的模型,而复杂推理任务则可能需要能力更强的模型。 这些能力有助于提升 AI 支出的可预测性,让企业更清楚地了解资源消耗情况,并有望改善智能体工作负载的成本与性能平衡。 Cortex Training:模型定制化训练 Cortex Training 是 Snowflake 提供的一项 AI 能力,重点在于通过模型训练或适配,提升 AI 模型在特定任务中的表现,使其更好地满足业务需求。 主要价值包括: 提高准确性: 根据特定业务领域和应用场景调整模型行为;提升相关性: 帮助模型更好地理解企业特有的术语和业务模式;支持定制化: 让 AI 能力更加贴合企业业务需求;减少人工工作量: 提升 AI 输出在企业工作流中的实用性。 智能体协作 Snowflake 正在构建一个共享生态系统,允许团队将经过验证的 CoCo 工作流发布为可复用的技能,以节省 token 消耗。与此同时,Snowflake 还推出了 AI Data Package,其中包含 60 多个行业数据集,并预先配置了 CoWork 智能体。 2. 端到端延迟低于 15 秒的实时架构 Snowflake 正在简化传统流式数据技术栈,使团队能够在无须依赖外部查询服务数据库的情况下,将原始事件生成到应用交互式查询的端到端延迟控制在 15 秒以内。 Datastream 与 Snowpipe Streaming Datastream 引入了完全托管、兼容 Kafka 的事件总线,直接与 Confluent 展开竞争。Snowpipe Streaming 支持每张表最高 20 GB/s 的数据吞吐量,并借助 Elastic Channels(弹性通道),让数千个数据生产者能够同时写入数据,无须进行人工协调。它还可以将 Topic(主题)中的数据物化为 Snowflake 表和开放式 Iceberg 表。 流式转换 开发人员现在可以使用标准 SQL,以声明式方式编写数据流转过程中的转换逻辑,在数据正式落地之前完成处理。 交互式分析(Interactive Analytics) Interactive Analytics 旨在高并发场景下提供低延迟查询能力。通过 Interactive Tables(交互式表)和 Interactive Warehouses(交互式计算仓库),Snowflake 能够替代 ClickHouse 等外部查询服务层,在超高并发条件下实现亚秒级查询延迟(100~300 毫秒),
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱