Snowflake Expedition 2026:AI智能体与实时流式升级?
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(Busine
2026 年 Snowflake Expedition 大会上,Snowflake 亮出一批覆盖平台架构的重大升级。按大会释放的信号,这个云数据平台正往支持自主 AI 智能体、实时流式应用和对话式商业智能的统一引擎方向走。
发布围绕一个核心理念:AI 的价值取决于它所依托的企业业务上下文。Snowflake 此次引入原生业务本体(Business Ontology)、端到端延迟低于 15 秒的实时流式架构,以及意在替代传统按用户席位授权仪表板工具的对话式 BI,运营数据、分析工作流与 AI 推理之间的界限由此被打通。
1. 让 AI 建立在可信的企业业务事实之上
智能体要避免产生幻觉,也要避免彼此得出相互矛盾的结论。Snowflake 的做法是把语义管理能力直接搬进数据平台。
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。比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。AI 智能体若各自独立解释这些术语,哪怕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 应对这一挑战的方式,是提供集中管理机制,帮助企业定义业务概念、概念属性及其相互关系。
在 Snowflake 平台中,Business Ontology 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。
拿零售企业来说,财务部门和营销部门可以各自保留一套对“客户”的叫法,需要时再把两边对应起来。智能体处理财务方面的问题时,直接采用财务口径那套已经获批的定义就行,不必先假定全公司上下术语都统一。
这样一来,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;
-
分析工作负载的结构化语义定义,由 Semantic Views 来提供。
把这几项能力放在一起,为每个 AI 应用单独搭上下文的工作量就能降下来。试想一家企业运营多年,手里攒了大量 SQL 逻辑、BI 报表、业务文档和分析模型。团队不用再给每个智能体手动重建这套知识,可以一步步搭起更可复用的企业上下文底座。
这样,重复的知识工程活儿少了,分析结果更一致,理解业务的 AI 智能体也有了更扎实的底子。
Cortex AI Gateway 与治理能力
只会答问的 AI 助手面对的是一类难题;能调工具、查数据、启动工作流的 AI 智能体,带来的则是另一类难题。哪些工具允许智能体调用,发起调用的用户或系统有没有执行对应操作的权限,企业都得管住。
智能体交互的治理能力由 Cortex AI Gateway 引入,其中包含对 MCP 工具调用的策略验证。它给智能体提供一个统一控制平面,依据 Snowflake 现有的基于角色的访问控制(RBAC)策略,对每一次模型上下文协议(MCP)工具调用做实时校验。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也在其中,智能体执行轨迹会记录到受治理的 SQL 表里。
访问和执行过程保持可控的同时,企业可以持续扩展智能体能力,也不必为每个 AI 应用单独搭一套治理机制。
AI 成本治理与动态模型路由
按团队、部门、智能体、应用等维度归集支出,是 Cortex AI Gateway 成本治理能力支持的做法。企业能在智能体、用户或账户级别设下严格的成本上限,一旦触到限额,系统就停止执行。
动态模型路由针对的是另一个问题:不是所有任务都得用同一种模型。分类任务或许用便宜些的模型就够,复杂推理任务则可能需要能力更强的模型。
这些能力让 AI 支出更可预测,企业对资源消耗看得更清楚,智能体工作负载的成本与性能平衡也有望改善。
Cortex Training:模型定制化训练
Snowflake 的 Cortex Training 是一项 AI 能力,落点在通过模型训练或适配,让 AI 模型在特定任务上表现更好,更贴合业务需求。
主要价值有这么几条:
-
准确性提升:按特定业务领域和应用场景调整模型行为;
-
相关性增强:帮模型更好地理解企业特有的术语和业务模式;
-
定制化支持:让 AI 能力更贴合企业业务需求;
-
人工工作量减少:提升 AI 输出在企业工作流里的实用性。
智能体协作
Snowflake 在搭一个共享生态,团队可以把经过验证的 CoCo 工作流发布成可复用的技能,省下 token 消耗。同时推出的还有 AI Data Package,内含 60 多个行业数据集,并预配置了 CoWork 智能体。
2. 端到端延迟低于 15 秒的实时架构
传统流式数据技术栈正在被 Snowflake 简化:团队不用依赖外部查询服务数据库,就能把原始事件到应用交互式查询的端到端延迟压在 15 秒以内。
Datastream 与 Snowpipe Streaming
Datastream 带来完全托管、兼容 Kafka 的事件总线,直接与 Confluent 竞争。Snowpipe Streaming 单表吞吐最高可达 20 GB/s,靠 Elastic Channels(弹性通道)让数千个数据生产者同时写入,无须人工协调。Topic(主题)里的数据还能物化为 Snowflake 表和开放式 Iceberg 表。
流式转换
开发人员眼下能用标准 SQL 写数据流转中的转换逻辑,走的是声明式路子,数据还没正式落地就能先处理完。
交互式分析(Interactive Analytics)
高并发场景下的低延迟查询,是 Interactive Analytics 要解决的问题。Snowflake 拿 Interactive Tables(交互式表)和 Interactive Warehouses(交互式计算仓库)来顶替 ClickHouse 这类外部查询服务层,在超高并发下做到亚秒级查询延迟,也就是 100~300 毫秒,QPS 超过 10,000。跟第一代硬件比,计算 Credit 消耗最多能降 40%。
流式数据能更快进入分析环节,企业那些靠最新数据支撑的应用场景也就有了着落。
3. 传统仪表板与旧式应用托管模式的变革
把全栈能力收进自己的安全边界,Snowflake 借此向传统 BI 和外部应用托管市场伸手。
Snowflake Dashboards
Snowflake Dashboards 瞄准的就是 Tableau 和 Power BI。用户不用从空白画布起步搭仪表板,用自然语言提个问题就能生成图表,再把它钉到仪表板里。许可模式上,它不再按用户席位收费,而是直接跑在 Snowflake 计算仓库的资源消耗上;迁移工具也一并给了,传统 BI 系统里现有的分析资产可以自动转换。
Snowflake App Runtime(Serverless)
基于 Node.js 和 Next.js 的全栈应用,开发人员现在能直接托管在 Snowflake 内部。
新的 Serverless(无服务器)计算层收到第一个 HTTP 请求就自动启动,空闲下来随即暂停,代码库里也不用存任何凭证。
面向智能体的 Streamlit
Streamlit 应用现在能把自身的数据和功能开放成 MCP 工具,AI 智能体通过自然语言就能访问应用、触发操作,屏幕抓取这一步省掉了。
Postgres 数据镜像
Postgres Data Mirroring 能把 Snowflake Postgres 表持续复制到更大的 Snowflake 环境里,供分析和 AI 工作负载使用。配置起来只需一条命令,或者点几下,外部工具不用碰。
反过来,数据同步到 Postgres 也支持,眼下处在私人预览(Private Preview)阶段。这类模式把事务型应用和分析处理接在一起。举个例子,应用在 Postgres 里收集事务事件,把相关数据交给更广泛的分析工作负载,再用分析结果撑起更个性化的应用体验。
4. 开放湖仓与可互操作的计算引擎
上面这些 AI 和实时工作负载,底下靠的是围绕 Apache Iceberg 搭起来的存储与计算层,互操作性很高。
Adaptive Spark 与 Snowpark Connect
原生 PySpark、Java 和 Scala 代码现在可以直接跑在 Snowflake 计算资源上,外部 Spark 集群不用管了,总体拥有成本(TCO)随之明显下降。现有基于 Spark 3.5、用到 DataFrame 和 SQL API 的 PySpark、Java 和 Scala 工作负载,可以通过 Snowpark Connect for Spark 运行。不过 RDD、Structured Streaming(结构化流处理)以及部分 Java/Scala UDF 功能,代码还得改写。
Snowflake 与现有 Spark 代码、Iceberg 表之间的互操作性,Snowpark Connect 又往前推了一步。
零拷贝数据集成
Snowflake 把零复制数据集成网络铺得更开,面向 Salesforce 和 Workday 的集成功能已经正式发布(GA),不提取数据也能实时查询。Snowflake 可以查 Salesforce Data 360 里的数据;Data 360 这边则能通过 JDBC 查询联邦功能读取 Snowflake 中的实时数据,还能经由 Horizon 访问 Snowflake 管理的 Iceberg 数据。对那些能通过受支持零复制机制直接访问的数据来说,企业维护独立数据抽取管道的需求就少了。
开放数据共享
依托 Apache Polaris 打造的 Open Data Sharing,让符合 Iceberg REST Catalog 规范的客户端也能访问经过治理的数据。
另一边,Horizon Catalog 已能直接读取由外部系统托管的 Iceberg 表,读写两个方向都支持。有些企业想自己决定计算引擎和目录技术,又想把数据访问流程简化,这种场景下这项能力就显得关键。
跨平台使用的灵活度因此提高,不必搬来搬去的数据少了,受治理的数据也就有了更多被重复利用的机会。
Hybrid Tables 升级
既能做事务处理、又能做分析的 Hybrid Tables(混合表)在底层做了优化。一行代码都不用改,吞吐量最高提升 8 倍,延迟最多降低 4 倍。
写入—审计—发布(WAP)分支机制
数据工程师如今可以先把变更写进隔离的 Iceberg 分支,在任意计算引擎上验证数据,再借助零复制的元数据快速前移操作,把变更并进生产环境。
总结
Snowflake 正在从数据平台走向集成式平台,让企业 AI、数据工程、数据分析和业务应用放在一起协同运行。目标是帮客户把 AI 真正送进生产环境,让它更可信、能高效扩展,也让智能体去做有实际业务价值的事。围绕企业 AI,Snowflake 的更大战略由四大支柱构成:
-
企业数据上下文:给 AI 提供业务定义和上下文信息。
-
AI 模型选择:按不同任务挑合适的模型。
-
软件与应用:做出能释放 AI 和数据价值的应用体验。
-
集成式控制平面:对 AI 的运行做治理、编排、观测和管理。
客户最后能拿到的业务价值有这么几项:
-
节省时间:把重复性的工程任务和业务工作交给自动化。
-
降低成本:基础设施开销降下来,AI 支出也管住。
-
降低风险:安全性、治理能力、可审计性和可信度都往上走。
-
加速业务成果转化:洞察和决策来得更快,团队能及时抓住业务机会。