Snowflake Expedition 2026:业务本体与对话式BI亮相
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。
2026 年 Snowflake Expedition 大会上,Snowflake 亮出一批覆盖平台架构的升级,方向是从云数据平台走向统一引擎,能支撑自主 AI 智能体、实时流式应用和对话式商业智能。
这些发布围绕一个核心理念:AI 能发挥多大价值,取决于它依托的企业业务上下文。Snowflake 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,以及要替代按用户席位授权的仪表板工具的对话式 BI,用意是打破运营数据、分析工作流与 AI 推理之间的界限。
1. 用可信的企业业务事实支撑 AI
智能体一旦产生幻觉,或彼此给出相互矛盾的结论,后果不小。Snowflake 的办法是把语义管理能力直接搬进数据平台。
业务本体
企业 AI 面临的一大难题,是准确理解业务术语到底指什么。比如下面这个问题:
“上个季度我们的客户收入是多少?”
财务、销售、营销三个部门眼里的“客户”和“收入”,定义可能都不一样。AI 智能体若各自解释这些术语,查询写得再对,业务答案也可能不是提问者想要的那个。
Business Ontology 就是冲着这个难题来的:提供集中管理机制,让企业定义业务概念、概念属性以及彼此之间的关系。
放到 Snowflake 平台里,Business Ontology 通过 Horizon Context 存储账户级业务定义,帮团队立起一套智能体可用的权威业务定义。
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、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。
举例来说,零售企业可以让财务部门和营销部门各维护一套“客户”定义,需要时再把两者关联起来。智能体回答财务问题时,用的是经批准的财务定义,不必假设所有部门都按同一套术语标准说话。
这样一来,Business Ontology 能减少语义歧义,提高不同 AI 应用之间的一致性,企业知识也能在团队之间重复利用。
Cortex Sense
Business Ontology 帮忙立起统一的权威定义,可企业还得发现那些已经散落在各个系统里的知识。
Cortex Sense 能从代码、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,并帮着让这些信息保持时效性。
这项能力与 Business Ontology、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:面向分析类负载给出结构化的语义定义。
几项能力凑到一起,为每个 AI 应用单独搭上下文的工作量就能降下来。
一家企业运营多年,手里攒下的 SQL 逻辑、BI 报表、业务文档和分析模型不会少。团队不必给每个智能体手工重建这套知识,可以一步步搭起可复用的企业上下文底座。
这样一来,重复的知识工程投入少了,分析结果也更一致,理解业务的 AI 智能体就有了更扎实的依托。
Cortex AI Gateway 与治理能力
只会答问的 AI 助手是一类难题;能调工具、查数据、拉起工作流的 AI 智能体,带来的难题又是另一类。哪些工具智能体可以调,发起调用的用户或系统有没有相应权限,企业都得管住。
Cortex AI Gateway 把治理引入了智能体交互,其中一项是对 MCP 工具调用做策略校验。它给智能体一个统一的控制平面,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)工具调用做实时验证。成本控制、动态模型路由(token 效率最高可提升至 3 倍)和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,智能体能力又能持续扩展,企业为每个 AI 应用单独搭治理机制的必要性也随之下降。
AI 成本治理与动态模型路由
Cortex AI Gateway 的成本治理可以按团队、部门、智能体、应用等维度归集支出。成本上限能设在智能体、用户或账户级别,一旦触及限额,执行就会停止。
动态模型路由针对的是另一个问题:任务不同,需要的模型未必相同。分类任务用成本较低的模型可能就够了,复杂推理任务则可能要上能力更强的模型。
这些能力让 AI 支出更可预测,企业对资源消耗看得更清楚,智能体负载的成本与性能平衡也有望改善。
Cortex Training:模型定制化训练
Cortex Training 是 Snowflake 的一项 AI 能力,重点落在模型训练或适配,让 AI 模型在特定任务上表现更好,更贴合业务需求。
主要价值包括:
提高准确性:依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 在搭一个共享生态,团队可以把验证过的 CoCo 工作流发布成可复用的技能,省下 token 消耗。AI Data Package 也一并推出,内含 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 在简化传统流式数据技术栈。团队不用再依赖外部查询服务数据库,就能把原始事件生成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 拿出了一条完全托管、兼容 Kafka 的事件总线,直接与 Confluent 竞争。Snowpipe Streaming 单表数据吞吐量最高可达 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
开发人员如今能用标准 SQL,以声明式写法把数据流转途中的转换逻辑写出来,数据在正式落地之前就完成了处理。
交互式分析(Interactive Analytics)
高并发下的低延迟查询,是 Interactive Analytics 要解决的问题。借助 Interactive Tables(交互式表)和 Interactive Warehouses(交互式计算仓库),Snowflake 可以顶替 ClickHouse 这类外部查询服务层,在超高并发条件下做到亚秒级查询延迟(100~300 毫秒),支撑超过 10,000 QPS,同时对比第一代硬件,计算 Credit 消耗最多下降 40%。

流式数据能更快进入分析环节,企业依赖最新数据的各类应用场景也因此有了支撑。
3. 传统仪表板与旧式应用托管模式的变革
Snowflake 把全栈能力收进自己的安全边界,借此切入传统 BI 和外部应用托管市场。
Snowflake Dashboards
Snowflake Dashboards 的对手直指 Tableau 和 Power BI。用户不必从空白画布起步搭仪表板,用自然语言提问就能生成图表,再固定到仪表板里。该产品不再按用户席位收取许可费,而是直接按 Snowflake 计算仓库的资源消耗运行;它还提供迁移工具,传统 BI 系统里的现有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)计算层在收到第一个 HTTP 请求时自动启动,空闲后暂停运行,代码库中也不需要存放任何凭证。

面向智能体的 Streamlit
Streamlit 应用现在可以把自身的数据和功能开放为 MCP 工具,AI 智能体通过自然语言就能访问应用并触发操作,屏幕抓取这一步被省掉了。
Postgres 数据镜像
Postgres Data Mirroring 能把 Snowflake Postgres 表持续复制到更广的 Snowflake 环境中,供分析和 AI 工作负载使用。配置只需一条命令或点击几次,外部工具可以不用。
反过来,Snowflake 也支持把数据同步到 Postgres,该功能目前处于私人预览(Private Preview)阶段。这类模式把事务型应用与分析处理连在一起。比如应用在 Postgres 中收集事务事件,把相关数据交给更广泛的分析工作负载,再用分析结果支撑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,底层依托的是围绕 Apache Iceberg 搭建的存储与计算层,互操作性很高。
Adaptive Spark 与 Snowpark Connect
原生 PySpark、Java 和 Scala 代码现在能直接在 Snowflake 计算资源上跑,外部 Spark 集群不用管,总体拥有成本(TCO)因此明显下降。现有基于 Spark 3.5、使用 DataFrame 和 SQL API 的 PySpark、Java 和 Scala 工作负载,可通过 Snowpark Connect for Spark 运行。不过 RDD、Structured Streaming(结构化流处理)以及部分 Java/Scala UDF 功能仍需改写代码。
Snowflake 与现有 Spark 代码、Iceberg 表之间的互操作性,由 Snowpark Connect 进一步增强。
零拷贝数据集成
Snowflake 扩大了零复制数据集成网络,面向 Salesforce 和 Workday 的集成功能现已正式发布(GA),不提取数据也能实时查询。Snowflake 可查询 Salesforce Data 360 中的数据;Data 360 也能通过 JDBC 查询联邦功能读取 Snowflake 中的实时数据,并通过 Horizon 访问由 Snowflake 管理的 Iceberg 数据。对于能通过受支持的零复制机制直接访问的数据,这些集成能力让企业少维护一套独立的数据抽取管道。
开放数据共享
借助 Apache Polaris 搭建的 Open Data Sharing,可以让兼容 Iceberg REST Catalog 的客户端读取到受治理的数据。
另外,Horizon Catalog 已能直接访问由外部系统托管的 Iceberg 表,读写两个方向都支持。有些企业想自己决定用哪种计算引擎和目录技术,同时把数据访问流程简化下来,这时候这项能力就派得上用场。
跨平台的灵活度因此提高,不必要的数据搬动变少,受治理数据也有了更多被重复使用的机会。
Hybrid Tables 迎来升级
混合表 Hybrid Tables 兼顾事务处理与分析,这次做了底层优化。代码一行不用改,吞吐量最高能提升 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,再通过零复制的元数据快速前移操作,把变更合入生产环境。
总结
Snowflake 正在从数据平台转变为一个集成式平台,企业 AI、数据工程、数据分析与业务应用可以在上面协同运转。它想帮客户把 AI 真正落到生产环境里,让 AI 更可信、能高效扩展,也让智能体执行的任务产生实际业务价值。Snowflake 更完整的企业 AI 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:针对不同任务挑出合适的模型。
软件与应用:打造能释放 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。
客户最后拿到的业务价值体现在这些方面:
省时间:重复性的工程任务和业务工作交给自动化处理。
降成本:基础设施开销减少,AI 支出也得到控制。
降风险:安全性、治理能力、可审计性和可信度都往上走。
加快业务成果落地:洞察和决策来得更快,团队能及时抓住业务机会。
