Snowflake Business Ontology:AI 时代如何统一业务口径?
11 月 3 日,Snowflake 宣布推出 Business Ontology ,即将开启公开预览。它提供了一种受治理的方式,支持团队定义、归属、审批共用业务术语、实体、关联关系与指标,并将其映射至承载这些定义的数据和模型。
2026 年,智能体在企业级应用里能有哪些实质性突破?《2026 年 AI 与数据发展预测》白皮书已可下载,里面是专家的一手前瞻,帮团队抢先接触新的工作方式。
11 月 3 日,Snowflake 宣布推出 Business Ontology,即将开启公开预览。团队可以用一种受治理的方式,定义、归属、审批共用的业务术语、实体、关联关系与指标,再把它们映射到承载这些定义的数据和模型上。Business Ontology 属于 Snowflake Horizon Context,也就是 Horizon Catalog 里的受治理上下文层。有了它,人员和 AI 智能体用的是同一套经过审批的标准定义,智能体可以按业务口径去解读企业数据。销售、财务、营销等不同业务域的差异也保留着,团队不必为每个工具重复定义,这套业务知识能在各类智能体和应用中复用。
举个例子,智能体处理收入相关查询时,得先搞清楚财务口径下收入是怎么定义的,以及收入和订单、客户之间是什么关联关系。这类业务知识平时散落在 BI 模型、dbt 项目和资深员工的脑子里。每新增一个智能体,团队往往要把相关逻辑重新搭一遍。智能体一旦理解偏了,大家就会照着错误的数据做决策,对 AI 输出结果的信任也就没了。Business Ontology 要做的,就是给团队一个统一存放官方业务知识的唯一底座。

整合全域数据资产知识,构建权威业务上下文
Horizon Context 把团队现有各类工具里的业务知识汇集起来。它自带开箱即用的元数据连接器,能从 Tableau、Power BI、dbt、SQL Server、Sigma、Omni、 PostgreSQL 等数据源采集 schema、查询日志、看板定义以及使用行为信号。跨平台数据血缘则让系统追踪数据从源数据库到看板、历经多层转换的完整链路,拼出一张连通的数据资产全景图,团队由此能掌握 Snowflake 内外数据的来源与使用情况。
为了让智能体可信地调用上下文,Snowflake 把上下文分成三层,各管一摊:Snowflake Cortex Sense(即将开启公开预览)负责自动推断上下文,Business Ontology 负责治理业务含义,Snowflake Semantic Views 负责执行指标计算。
为什么不合成一层,而要拆成三层?因为每层解决的问题不一样,没有任何单一能力能同时把这三件事都兼顾了。Cortex Sense 让智能体快速、广泛地覆盖数据资产,团队不用提前手动定义每张数据表和每一项指标。Business Ontology 在核心环节注入权威口径,保证人员和智能体都遵循经过审批的业务定义。Semantic Views 管的是计算精准度,让各项指标每次都按一致规则运算。
这三层并没有固定的先后顺序。客户可以先挑最贴合自身迫切需求的那一层用起来,再随着业务发展叠加其余能力。有的团队从术语表切入,有的团队优先落地可执行指标。从哪一层切入都行,三层能力最终都会为所有智能体、应用及人员提供统一、权威的业务上下文。
下面逐层展开。
借助 Cortex Sense 实现上下文自动化
对不少团队来说,Cortex Sense 是很自然的切入点,大量底层工作由它自动完成。它会持续观测用户查询数据、搭建看板、运行数据管道的行为并采集上下文,把这些日常操作沉淀成业务认知,团队手动定义每张数据表、各项指标含义及关联关系的成本也就降下来了。
Cortex Sense 靠团队已有的元数据和使用行为模式来构建上下文,涵盖查询历史、看板、dbt 模型等资产。业务变了,它的认知也跟着迭代,知识库按预设周期自动更新。团队要做的是锁定业务应用场景、接入现有相关上下文,再借助反馈和评估持续调优,不必为每张数据表手动建模。它还能自动识别相互矛盾的业务信息,提请团队确认可信来源。
等到团队准备对核心业务术语开展治理,Cortex Sense 可以在 Business Ontology 中生成初始草稿,自动给出推荐定义、关联关系以及数据链路,团队不用从零搭建。大家只需锁定业务应用场景、接入已有相关上下文,再通过反馈与评估加以打磨,手动为每张表建模的负担就省掉了。与此同时,Cortex Sense 能智能识别存在冲突的业务信息,提请团队确认可信来源。
借助 Business Ontology 定义业务上下文
Business Ontology 是团队统一登记核心业务术语的定义、责任人以及相互关联关系的载体。拿 “净收入” 来说,不必再让每个语义视图、看板和智能体各持一个版本,分析师定义一次就行(或从现有术语表导入),把作用域设为“财务”,指定责任人,完成审批,再把它关联到语义视图里计算它的那个指标(见图 2)。此后,所有智能体与跨团队成员都按这套经过审批的标准定义开展工作。团队可实现以下操作:
让智能体锚定业务概念:客户、订单、收入等业务概念及其关联关系由领域专家定义,工程师再把这些业务定义对接到底层数据。这一步完成后,智能体就能依托企业自有业务知识解读数据;
面对不同语义视图中的同类指标,团队能把它挂到同一份共享业务定义上:口径因此一致,但各团队怎么算仍可自行决定。Business Ontology 也允许保留经过认可的差异化口径——以餐饮企业为例,不同品牌可以各自定义“同店销售额”。每一套口径的处理顺序是:先独立审批,再打上所属品牌,最后与承载计算逻辑的语义视图绑定;
术语查询对所有人开放:谁都能查某个术语,看它的责任人是谁、审批到哪一步,并沿链路追溯到该指标的计算出处。品牌、区域层面的差异化口径,则各自保留作用域。

这些定义会直接影响业务决策,所以谁能建、谁能改、谁能批,企业可以借 Horizon Catalog 的治理能力来限定。AI 给出的建议、外部导入的定义,都只是待审的初始素材,最终哪些能成为正式口径,由对应的责任人拍板。获批定义如果和 Cortex Sense 的自动推断结果对不上,智能体优先采用获批的那一版,Cortex Sense 也会据此不断学习。
用 Semantic Views,定义和计算逻辑配一次,全局都能复用
指标怎么算,归 Semantic Views 管;指标的业务含义和审批人,归 Business Ontology 管。每个语义视图把某个业务域里的指标、维度、联接打包成一个 Snowflake 对象,智能体、BI 工具、SQL 都能直接查。这样一来,智能体写 SQL 时依据的是受治理的逻辑,不用自己猜计算规则。Business Ontology 只做一件事:把获批的业务定义挂到对应的语义视图上,计算逻辑不动。计算规则归谁管,还是那个视图的责任人说了算。
高质量的上下文,离不开原生开放的平台
业务知识得能跨工具流动,价值才释放得出来。Snowflake 参与发起 Apache Ossie(孵化中),出发点就在这里。这是一套厂商中立的语义模型开放标准,目前有数十家机构共同支持,Microsoft、Salesforce、dbt Labs、Qlik、ThoughtSpot 都在其中。有了这套标准,Semantic Views 通过导入、导出 Ossie 定义,就能让指标口径在 Snowflake 和别的兼容 Ossie 的工具之间互通,团队不用在多个系统里重复搭同一套指标。另外,部署在 Snowflake 之外的智能体,也能通过模型上下文协议(MCP)查询 Semantic Views,访问权限统一由 Horizon Catalog 管控。
dentsu 全球工程负责人 Morten Lileng 表示:“语义漂移是多方协作数据环境里最容易被低估的风险之一。电通旗下数据技术代理商 Merkle,长期在行业内复杂度极高的数据环境中开展业务。Snowflake Business Ontology 从基础设施层面解决这个问题,为每一项业务定义配置责任人,让每个下游系统都得到同一个受治理的答案。”
分析公司怎么评价 Snowflake Business Ontology
不少用户拿结论靠的是 BI 和分析工具,统一的业务上下文因此变得很关键。下面看看 Omni、Sigma、ThoughtSpot 各自怎么理解上下文这道难题,以及 Business Ontology 在其中起了什么作用:
Omni 联合创始人兼总裁 Jamie Davidson 表示:“我们可以把上下文类比成新分析师的入职培训。培训的核心,就是讲清各项数据资产的使用场景、使用目的与使用方式。Omni 原生基于受治理的语义模型搭建,也是唯一可与 Snowflake Semantic Views 双向集成的工具。而 Business Ontology 则补充了关键一环,用来沉淀经过审批的业务定义。双方协同发力,帮助共同客户打造可信上下文,为所有用户和智能体提供支撑。”
Sigma 产品管理总监 Zalak Trivedi 认为:“AI 智能体的可靠性,由支撑它的业务上下文与业务定义决定。依托 Business Ontology,我们和 Snowflake 的共同客户只需定义一次业务概念,就能在 Sigma AI 中直接复用。客户可以基于这套统一口径搭建受治理的应用、看板与智能体,在 Sigma 中生成可信的分析内容。”
ThoughtSpot 产品高级副总裁 Francois Lopitaux 表示:“可信的 AI 的根基,是可信的业务上下文。Snowflake Business Ontology 为企业搭建受治理的底座,统一存放业务术语的标准定义。ThoughtSpot 依托 Spotter 持续采集业务用户的实践知识,对这套基准上下文做补充拓展,为用户提供准确可解释的结论与可执行建议。双方协同,助力客户满怀信心地规模化推进智能体驱动型分析。”
靠 Business Ontology,把知识攒成企业的统一资产
人会调岗,工具会换掉,数据模型也在变。藏在背后的知识,往往就这么散掉了。用 Business Ontology,企业能把这些知识变成可反复取用的企业资产:每一项定义都指定明确的责任人,并挂上对应的计算来源。往后新加的智能体或应用,直接复用企业已经沉淀下来的业务认知就行。
常见问题
Snowflake Business Ontology 是什么?
Business Ontology(即将开启公开预览)是 Snowflake Horizon Context 里的业务建模与治理层。企业用它来定义业务概念、指标以及它们之间的关联,这些定义都不绑在某个单一数据模型上。每项定义都记下责任人和审批状态,同时关联到承载它的语义视图、数据表与视图。按这套管控规则,只有获批的定义才会交给 CoCo 和 CoWork 中的 AI 智能体,智能体拿到的就是企业认可的含义,不用在几套打架的实现里挑一个。
AI 智能体为什么需要业务上下文?
业务上下文经过治理,智能体就能按企业统一的业务口径去解读数据,结果也更准。智能体能取数,但它自己看不懂业务术语指什么,也理不清各个业务概念之间怎么连。它需要上下文,也就是一组获批的参照,告诉它采信哪个定义、遵守哪些策略、纳入哪些企业知识。缺了这些,智能体只能去猜含义和数据源,同一个问题可能给出不一样的答案。
那么,Business Ontology 与 Semantic Views 之间是什么关系?
Business Ontology 管的是业务语义层,业务术语指什么、由谁负责、跟其他概念怎么挂钩,都在这一层说清楚。Semantic Views 则落在数据计算层,指标怎么算由它规定,指标、维度和关联条件被打包成可查询对象,智能体、BI 工具和 SQL 都能直接拿来用。两层这样分工之后,不同语义视图里出现等价指标,Business Ontology 也能把它们归到同一份获批的共享定义上。
换到别的工具,已经定好的业务定义还能不能接着用?
能。Business Ontology 兼容 Apache Ossie(孵化中)和资源描述框架(RDF)等开放格式,业务概念、定义以及关联关系都可以导入导出。团队因此能把已审批的业务知识拿到其他工具里复用,不必重新定义一遍。Semantic Views 也支持 Ossie 定义的导入导出,指标口径同样不用重复搭建。另外,部署在 Snowflake 之外的智能体可以通过 Model Context Protocol 查询 Semantic Views,访问权限全部由 Horizon Catalog 统一管控。
