2026年4月

原 86 的店铺已经关闭支付方式了，新客肯定是买不了，剩下还有余额的、大代理依旧可以拿货。到底便宜了谁？
至少对于那些二道贩子来说，几乎没啥影响，反倒是你我这种散客，想图个便宜的只能另寻他路，排队去 bot 吧。
以下是 86 通知原文：

由于外部压力原因，聊天群关闭，卡网暂时关闭支付方式，仍有余额的用户可继续使用。
未使用的卡密正常有效激活，订单售后质保问题请联系
卡密批发条件:原卡网消费记录>1000 且日需 100+(提供用户名和邮箱进行认证) 或 日需 300+的代理可联系机器人批发

1. 核心接口概览

  • 基础 URL: https://api.stocktv.top/futures
  • 认证方式: 在请求参数中添加 key=您的API_KEY
  • 支持格式: JSON

2. 获取黄金白银期货行情

您可以通过以下两个步骤获取具体数据：

第一步：通过市场列表获取产品 ID (PID)

请求市场列表，通过名称（如 "Gold" 或 "Silver"）筛选出对应的 id。

  • 接口地址: https://api.stocktv.top/futures/market

  • 常用参数:

    • pageSize: 每页显示数量
    • page: 页码

  • 核心字段说明:

    • id: 产品唯一标识 (PID)，对接 K 线和查询接口时必传
    • last: 最新价格
    • symbol: 期货代码（如 GC 代表黄金，SI 代表白银）

第二步：查询特定品种详情或 K 线

如果您已经知道黄金或白银的 PID（例如从列表获取），可以直接调用：

  • 查询详情: https://api.stocktv.top/futures/queryFutures?id=产品PID&key=您的KEY

  • 获取 K 线: https://api.stocktv.top/futures/kline?pid=产品PID&interval=时间周期&key=您的KEY

    • interval 可选值：PT1M (1分钟), PT1H (1小时), P1D (1天) 等

3. Java 代码对接示例

作为资深后端，推荐使用 OkHttp 配合 Fastjson/Jackson 进行解析：

import okhttp3.OkHttpClient;
import okhttp3.Request;
import okhttp3.Response;

public class FuturesApiService {
    private static final String API_KEY = "您的API_KEY"; // 联系 Telegram: @CryptoRzz 获取
    private static final String BASE_URL = "https://api.stocktv.top/futures";
    private final OkHttpClient client = new OkHttpClient();

    /**
     * 获取黄金白银等期货最新行情
     */
    public String getFuturesMarket() throws Exception {
        // 构建请求，可以增加筛选逻辑
        String url = BASE_URL + "/market?pageSize=20&page=1&key=" + API_KEY;
        
        Request request = new Request.Builder()
                .url(url)
                .get()
                .build();

        try (Response response = client.newCall(request).execute()) {
            if (response.isSuccessful() && response.body() != null) {
                return response.body().string();
            }
            throw new RuntimeException("API请求失败: " + response.code());
        }
    }
}

4. 关键字段解析

字段说明备注
last最新价格黄金/白银的实时成交价
high/low最高价/最低价当日交易区间
chgPct涨跌幅需自行拼接 "%" 符号
time时间戳10位或13位整数

5. 注意事项

  1. Key 获取: 必须联系官方 Telegram 获取有效 Key 才能返回真实数据。
  2. 异常处理: 建议在代码中判断响应体的 code 字段，只有 200 才表示操作成功。
  3. 技术支持: 如果需要更高频率的推送（如秒级波动），该文档支持 WebSocket 接入方式，可向服务商索取 WS 协议文档。

因为 SourceNext 卖的是 3 年版，下面按照 3 年算一下价格

官网目前价格

  • 个人版 3 年 4 x 36 = $144 约 982 RMB
  • 家庭版 3 年 6 x 36 = $216 约 1,473 RMB

打折中（目前只有第一年，假设每年都是这个力度有打折）

  • 个人版 3 年 2.4 x 36 = $86.4 约 589 RMB
  • 家庭版 3 年 3.6 x 36 = $129.6 约 884 RMB

SourceNext 代理店价格

  • 个人版 3 年 新客价 9980 JPY 约 428 RMB
  • 家庭版 3 年 新客价 16980 JPY 约 729 RMB

如果购买过一次（比如 3 年前买过一次）

  • 个人版 3 年 追加购买价 7800 JPY 约 335 RMB
  • 家庭版 3 年 追加购买价 11800 JPY 约 507 RMB

官网上写了 5/13 开始要跟随 1Password 官方进行提价，现在这个（老价格+活动打折+老用户打折）可能是最后一次低价了。

网址（无 AFF ）： https://www.sourcenext.com/product/1password/

我已经两次分别提取 3 万美元左右 zabank 手续费 15 美元 汇丰提示 40 美元

所以两次都用了 za 但 za 发现我资金转进后就转出把我每日转账限额设置为 5 万 hkd 了



你们都是用直接汇丰吗 手续费多少



za 有一点不好 就是 它一定要赚汇率差 你账户里有人民币美元都没用 你用它的电子 Visa 卡消费时必须扣港币 这点不如汇丰

百度云官方的 php sdk 最新版本 v0.9.25 2024-08-19
不兼容 php 8.2 (8.2 之前的 php 官方都不维护了）
然后 我提交工单给百度云， 那边回复：“您好，建议使用 php7.x 环境进行调用。”
。。。。。大无语

我一个好久没维护的开源打字网站 https://www.eletypes.com ，一直没有时间直到有了 claude code ，把平时想弄的小玩具 feature 都可以硬塞进去了。
最近加了新功能叫键盘实验室 —— 在浏览器里拖几个点画外壳轮廓，选键帽、调配色，直接看 3D 效果。

另外网站不用注册，无广告，也不赚钱（亏本发电）。就是纯粹觉得好玩做的。
试试看： https://eletypes.com/keyboardlab
首先我试着自己建模的是我手上这把怒 miao 的 cyberboard le smoking 。我觉得这个键盘太帅了，所以就拿他当个 default 。有兴趣的可以一起跟我鼓捣鼓捣别的 layout ，设计。
代码在 https://github.com/gamer-ai/eletype-frontend/ 上，欢迎提 issue 或者 PR 。还是 beta ，很糙，随便玩玩 🎹

[https://imgur.com/a/0vRiKRy]

Cortex Code——Snowflake 的 AI 编码智能体正在快速演进，并越来越多地融入各团队数据从业人员的日常工作中。无论是经验丰富的工程师，还是技术能力相对较弱的构建者，Cortex Code 都能帮助他们更快地将想法落地、投入生产，并自信地实现规模化扩展。

在本次更新中，我们很高兴地宣布，Cortex Code 将进一步扩大其可用性与覆盖范围，同时提升其所能处理的任务规模与多样性。此次发布包含四大更新：Snowsight 中的 Cortex Code 现已全面可用；CLI 现在支持本地 Windows 环境；Agent Teams 能够更轻松地将大型任务拆解为协同并行的子任务；全新的智能体技能则标准化了 Cortex Code 在数据构建方面的辅助方式。

TS Imagine 首席运营官 Thomas Podenski 表示：“Cortex Code 是我们实现‘零代码’目标的核心。由于我们可以直接在 Snowflake 中数据所在的场所工作，它极大地提升了我们的生产力。我们的数据工程师提交的拉取请求数量增加了 5 倍，原本需要三到四天完成的工作，现在只需两到三个小时。”

Snowsight 中的 Cortex Code：为每位 Snowflake 用户提供持久化智能体

对于许多 Snowflake 用户而言，Snowsight 是日常工作的主要场所。如今，每位 Snowflake 用户都可以在其安全且受治理的 Snowflake 环境中，直接使用 Cortex Code。

Cortex Code 作为 Snowflake Workspaces、Snowflake Notebooks 及其他 Snowsight 工作流中的持久化 AI 编码智能体，能够完全感知你在 UI 中的位置、当前处理的数据，并掌握你特定数据目录的最新信息：数据库、模式、表、语义模型等。

这将以有意义的方式改变日常使用体验。团队无需将 AI 辅助视为独立目标，而是可以在实际工作发生的场景中直接使用 Cortex Code：

  • 工作区中的智能体编码：通过对话生成、修改、优化和解释 SQL 及 Python 代码。在应用 AI 建议的更改前，可通过差异视图进行预览，一键修复失败的查询，并在键入时获得上下文感知的内联代码建议；

  • 加速 Snowsight 中的端到端构建：在笔记本中开发智能体 ML 工作流，搭建 dbt 管道，为 Snowflake Cortex Analyst 创建语义模型，或协调更广泛的数据工程任务——全部通过自然语言完成；

  • 数据与文档发现：使用自然语言搜索数据库对象、表和列，无需知道确切的名称。获取关于 Snowflake 特性、SQL 语法和最佳实践的回答，这些内容来自官方文档和 Horizon Catalog，包括标签、掩码策略和上下文溯源；

  • 智能体管理与成本管理：通过对话方式查询治理、安全和消费信息——例如识别带有 PII 标签的表、审计角色访问权限、监控信贷消耗，以及精准定位高成本的仓库或查询。

Windows 原生支持：为更多开发团队带来 CLI 能力

此前，Cortex Code CLI 已支持开发者在 VS Code、Cursor 或终端中直接基于企业数据进行开发，无需切换环境。随着本次发布，该体验现已扩展至 Windows 平台。

要在 Windows 上安装 Cortex Code CLI，请在 PowerShell 中执行以下命令：

irm https://ai.snowflake.com/static/cc-scripts/install.ps1 | iex

Cortex Code CLI 旨在简化并自动化基于 Snowflake 及其他数据系统进行端到端开发中的繁琐环节，同时实现以下目标：

智能体团队助力 Cortex Code 处理更大规模、多步骤的复杂任务

智能体团队引入了一个全新的协调层，将 Cortex Code 转变为一个强大的多智能体编排器。它不再局限于逐个处理任务，而是允许用户启动可独立运行的子智能体。这些子智能体能够并行工作，并分别承担特定的任务与角色定位。

主智能体可以启动具有明确角色定义（如研究、编码或测试）的团队成员，并通过共享任务列表对其进行协调。工作可以被分配、更新及并行完成，同时利用依赖关系确保任务按正确顺序执行，并使输出结果在智能体之间顺畅流转。

在整个过程中，用户始终掌握控制权。您可以随时介入任意正在运行的智能体会话，查看进度、响应审批请求或重定向工作，随后再返回主会话，全程不会中断上下文。

新的智能体技能让 Cortex Code 更灵活地适配团队工作流

技能是一组经过打包的指令、上下文与工作流，Cortex Code 可加载这些技能，在 Snowflake 及您的数据技术栈上执行专业数据任务。

可以将其理解为为智能体配备一本专用操作手册——当您询问成本优化、机器学习部署或 Streamlit 样式设计时，对应的技能便会激活，为智能体提供准确的文档、最佳实践与分步指引，使其无需从零开始探索。技能能够在不过多占用每次对话上下文的前提下，确保回复精准且贴合领域需求。以下是我们最新引入的技能：

  • cortex-code-guide：刚接触 Cortex Code？本技能将带您全面了解其各项功能，包括可用命令、会话管理（恢复、分支、回退）、智能体配置、键盘快捷键、MCP 集成，以及在提示词中直接引用 Snowflake 对象的 #table 语法。可将其视为助您快速上手、提升效率的交互式速查手册；

  • developing-with-streamlit：无需切换工作流即可构建、调试并美化 Streamlit 应用。无论是快速搭建仪表盘，还是微调 CSS 与主题样式，本技能均可处理框架搭建、组件模式与部署工作，让您专注于应用的核心功能实现；

  • openflow：按需流转数据。Snowflake Openflow 基于 Snowflake 内置的 NiFi 引擎，帮助您部署连接器、配置复制管道并构建转换流程——全程无需额外部署基础设施；

  • cost-intelligence：精准掌握 Snowflake 支出明细。本技能可呈现积分消耗、仓库成本、存储趋势及预算告警信息，并协助设置资源监视器、提前识别异常情况，避免账单出现意外超支；

  • machine-learning：覆盖 Snowflake 上完整的机器学习生命周期，涵盖训练、注册到推理各环节。支持大规模模型训练、将模型记录至 Snowflake 模型注册表、部署至仓库或容器服务，并进行漂移监测——无需拼凑十几种外部工具即可完成全流程；

  • cortex-ai-functions：直接在 SQL 中执行文本分类、实体抽取、情感分析、文档摘要、内容翻译等任务。本技能帮助您针对具体场景选择合适的 Snowflake Cortex AI 函数，并以最少代码量将其集成到数据管道中。

立即开始体验

打开 Snowsight 即可直接发起对话 —— 无需任何配置。或者获取 CLI 工具（现已支持 Windows），将 Cortex Code 接入您偏好的编辑器或终端。

借助 Cortex Code，加速构建进程。

在 Snowsight 中试用 Cortex Code，或开启 Snowflake 免费试用。

了解更多详情并查阅相关文档。

原文地址：https://www.snowflake.com/en/blog/cortex-code-snowsight/

点击链接立即报名注册：Ascent - Snowflake Platform Training - China，更多 Snowflake 精彩活动请关注专区。

福利
各位大佬好，先上个福利(明晚 18：00 开奖)：
🎁 抽 5 张 Giffgaff 空卡（市价 35 元，直接包邮到家！）

阿里云大客户账户
目前手头有阿里云国内站大客户合同账户渠道，无论你是个人还是企业，无需凑单，直接享受大客户专属底价！

提供阿里云国内站大客户合同账户 阿里云所有产品若您有需求均可申请折扣 量级大可定制合同折扣（腾讯云同样支持）
CDN 、网络类产品正在走流程 折扣力度同样不小
💡 我们的优势：
全产品支持： 阿里云所有常规产品均有折扣。
定制： 消耗量级大的大佬，可以单独申请 [专属定制合同折扣] 。所有用户均可追加新产品的折扣。
账户独立： 账户独属于你，无数据泄露风险。
低门槛： 仅需年消达 1000 元即可免费使用。
(预告) CDN 、网络流量产品折扣正在打通中，敬请期待。可直接联系我询问相关事宜
欢迎各位 wx 咨询 base64:WWFuZ0hhb05pbmcwMjE=

有疑问、需求和建议可以评论区或微信直接联系我！
image

北京时间 2026 年 4 月 16 日，阿里巴巴千问大模型团队正式开源了其新一代稀疏混合专家（MoE）模型 Qwen3.6-35B-A3B。这款模型以350亿总参数、仅激活30亿参数的独特架构，在智能体编程、多模态理解等领域展现出惊人的性能，迅速成为全球 AI 社区关注的焦点。

💎 模型亮点速览

  • "以小博大"，效率至上：总参数高达 350 亿，但每次推理仅激活 30 亿 参数。这意味着运行它的算力消耗，大概只相当于一个 3B 稠密模型，但能力却能超越许多 27B、31B 的稠密大模型。
  • 智能体编程能力跃升：Qwen3.6 在 SWE-bench Pro、Terminal-Bench 2.0 等核心编程基准测试中，大幅超越前代模型及同类开源模型，部分指标甚至超越了某些闭源旗舰模型。
  • 原生多模态，空间智能出众：模型内置视觉编码器，在视觉问答和空间智能方面的表现卓越，RefCOCO 评分高达 92.0，部分多模态指标已比肩 Claude Sonnet 4.5。
  • 超长上下文，处理长程任务：原生支持 262,144 tokens 的超长上下文，并可扩展至 1,010,000 tokens，足以处理整个代码仓库或长篇小说。
  • 开源协议：Apache 2.0，允许商业使用。

⚙️ 核心参数与架构

Qwen3.6-35B-A3B 采用了先进的 MoE（混合专家）架构，其内部包含 256 个专家网络，每次推理仅激活 8 个路由专家 + 1 个共享专家。这使得模型在拥有巨大知识容量的同时，保持了极高的推理效率。

参数项值
总参数量350 亿
激活参数量30 亿
架构类型稀疏 MoE (混合专家)
层数40
隐藏层维度2048
专家数量256
激活专家数8 (路由) + 1 (共享)
上下文长度262,144 tokens (原生，可扩展至1,010,000)
词表大小248,320
开源协议Apache 2.0
数据来源：Hugging Face 官方模型页面

📊 性能评测：全面超越同级选手

官方发布的基准测试数据显示，Qwen3.6-35B-A3B 在同级别模型中表现极为出色，尤其是在智能体编程和复杂任务处理上，展现出了越级的实力。

评测基准Qwen3.5-27BGemma4-31BQwen3.5-35BA3BQwen3.6-35BA3B
SWE-bench Verified75.052.070.073.4
SWE-bench Multilingual69.351.760.367.2
SWE-bench Pro51.235.744.649.5
Terminal-Bench 2.041.642.940.551.5
Claw-Eval Avg64.348.565.468.7
Claw-Eval Pass^346.225.051.050.0
SkillsBench Avg527.223.64.428.7
QwenClawBench52.241.747.752.6
NL2Repo27.315.520.529.4
QwenWebBench106811979781397
TAU3-Bench68.467.568.967.2
VITA-Bench41.8--41.8
数据来源：Hugging Face 官方模型页面

从数据中可以清晰地看到，Qwen3.6-35B-A3B 在绝大多数编程与智能体相关的基准测试中都处于领先地位。特别是在 Terminal-Bench 2.0（终端编程）和 QwenWebBench（前端代码生成）上，提升幅度尤为显著，意味着它在处理复杂的终端任务和生成高质量前端代码方面有了质的飞跃。

💡 性能表现深度分析

1. 智能体编程：30亿激活参数如何"以下犯上"？

在SWE-bench Pro这一硬核编程基准测试中，Qwen3.6-35B-A3B的得分从上代的53.4%跃升至64.3%，单代涨幅近11个百分点。横向对比，这一成绩超越了GPT-5.4（57.7%）和Gemini 3.1 Pro（54.2%），以仅30亿激活参数的身份，实现了对顶尖闭源模型的"以下犯上"。

在Terminal-Bench 2.0（考察模型在终端环境下的编程能力）中，Qwen3.6-35B-A3B取得了51.5的高分，显著领先于前代Qwen3.5-35B-A3B（40.5）、Gemma4-31B（42.9）等同类开源模型。

2. 多模态与空间智能：比肩闭源旗舰

Qwen3.6-35B-A3B内置了强大的视觉编码器，在MMBench、RealWorldQA、SimpleVQA等多项视觉语言基准测试中，表现已与Claude Sonnet 4.5持平，部分任务实现超越。

在空间智能方面，模型在RefCOCO（考核模型对复杂图像识别能力）上取得了92.0的优异评分，在ODInW13上取得了50.8的成绩，均处于业内前列。

3. 长程任务与Agent框架兼容

在考察长程编程任务的NL2Repo基准测试中，Qwen3.6-35B-A3B取得了29.4的高分，远超Gemma4-31B（15.5）和Gemma4-26BA4B（11.6）。此外，模型已实现对OpenClaw、Qwen Code、Claude Code等主流Agent框架的深度兼容，能够将模型的编程能力、原生多模态能力更好地赋予各类智能体，完成更长程、更复杂的任务。

4. 为什么30亿激活参数能超越270亿稠密模型？

这得益于MoE架构的核心设计哲学。传统的稠密模型，不管什么任务，都会调用全部参数参与计算——就像做一道加减法，却要全公司开会讨论，成本高、速度慢。MoE架构则把模型拆成多个"专家"，每次只激活与当前任务相关的少数专家来处理。

Qwen3.6-35B-A3B内部有256个专家网络，每次推理仅激活8个路由专家+1个共享专家。这使得它跑起来的时候，资源消耗跟一个30亿参数的模型差不多，但调用的知识储备却是350亿级别的。

🛠️ 上手即用：如何获取 Qwen3.6-35B-A3B

官方渠道

Qwen3.6-35B-A3B 已在以下平台全面开放：

  • Hugging Face：访问 Qwen/Qwen3.6-35B-A3B 获取完整模型权重和配置文件。
  • 魔搭社区（ModelScope）：国内开发者可直接在魔搭社区下载模型。
  • Qwen Studio：免费在线体验模型能力。
  • 阿里云百炼平台：通过 API 调用，服务名为 qwen3.6-flash。

本地部署方案

由于模型采用 MoE 架构，激活参数仅 30 亿，本地部署的门槛大幅降低。以下是几种常见的本地运行方案：

  • Transformers 原生加载：兼容 Hugging Face Transformers、vLLM、SGLang、KTransformers 等框架。
  • GGUF 量化版本：Unsloth 团队已提供动态量化 GGUF 版本，进一步降低显存需求，可在消费级硬件上流畅运行。
  • Ollama：可通过 Ollama 一键拉取并运行模型。

硬件建议

  • 完整精度（BF16）：建议显存 ≥ 80GB。
  • 4-bit 量化：显存需求约 20-25GB，可在 RTX 4090、MacBook Pro M5 等设备上运行。
  • CPU 推理：内存需求约 32GB，可在普通服务器上运行。

🌟 社区反响

模型一经发布，便在全球 AI 社区引发了热烈反响。著名开发者 Simon Willison 在他的个人博客中分享了一个有趣的案例：他使用 Unsloth 量化的 Qwen3.6-35B-A3B 模型，在自己的 MacBook Pro M5 上生成了一个 "骑自行车的鹈鹕" 的 SVG 图像，其质量甚至超过了 Claude Opus 4.7 的生成结果。这个案例生动地展示了 Qwen3.6 在多模态生成和本地化部署方面的巨大潜力。

开源社区对 Qwen3.6-35B-A3B 的评价普遍积极，认为它进一步抬高了"以小胜大"的开源模型效率上限，是本地部署的智能体编程首选模型。

🔭 展望

Qwen3.6-35B-A3B 的开源，不仅是阿里巴巴在 AI 领域的又一重要里程碑，也为全球开发者提供了一个强大、高效、易用的工具。随着端侧 AI 与自动化智能体需求的激增，这款"低功耗高智能"的模型无疑将成为推动 AI 应用民主化的关键力量。

据了解，阿里下周还将继续开源千问3.6系列新模型，而性能最强的旗舰版模型 Qwen3.6-Max 也将发布。我们期待看到千问系列持续进化，为开发者带来更多惊喜。

立即访问 Qwen/Qwen3.6-35B-A3B，体验这款前沿模型吧！我们期待看到你用 Qwen3.6 创造出更多令人惊叹的应用。

2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！

人工智能不再停留在试点阶段——它正在交付可衡量的底线影响。随着企业从试验走向生产，讨论的重心已从“能做什么？”转向“回报是什么？”

尽管人工智能在放大影响力和生产力方面仍有难以估量的潜力，但企业只有将 AI 真正嵌入到实际工作流程中，才能实现这一价值。最强的投资回报（ROI）并非来自孤立的试点项目，而是源于将 AI 集成到核心运营中，并以可信数据、强健治理和合适技能为支撑。只有这样，AI 才能驱动持续的影响。

我们最新的研究印证了这一观点：在生成式 AI 和智能体方面进行战略投资的企业，正在实现规模化加速并获取真实利润。

生成式 AI 和智能体的投资回报率为 49%——即每投入 1 美元，可获得 1.49 美元回报——这一数字比去年的研究结果提升了约 20%。

这一数据来自我们最新发布的报告《生成式 AI 与智能体的投资回报率》。该全球性研究由 Informa TechTarget 下属的 Omdia 的研究人员执行，调查了来自 10 个国家的 2050 位业务和 IT 领导者，结果显示企业正在将 AI 试验转化为可衡量的规模化回报。我们在 Snowflake 内部也亲身经历了这一转变：与客户的讨论已稳步从试验阶段转向生产阶段的成功。

过去一年的各种研究已经从不同角度探讨了生成式 AI 和智能体的问题，这些研究会不时关注试点项目的失败率（在这些试点项目中，一定比例的失败是收获成功所必需的）、其实施障碍以及衡量价值所面临的挑战。而本研究则围绕两个关键问题展开：您是否看到了 AI 投资的回报？如果进行量化，回报有多高？根据受访者的反馈，92% 的企业表示其 AI 投资获得了回报。

这些企业是如何取得成功的？本报告的数据揭示了一套可遵循的方法，其核心在于愿意一头扎进这一快速演进的技术并将其投入实际应用的意愿。而这种意愿就要求要重视数据，这在 AI 的实施过程中是成败的关键。

在 Snowflake，我们的理念很简单：将 AI 带到数据所在之处，而非反其道而行之。企业已将最宝贵的资产托付给 Snowflake，而实现投资回报的路径始于将 AI 直接置于这套受管控且统一的数据基础之上。当 AI 运行在您数据已经存在的地方——安全、并具备内置的基于角色的访问控制与可观测性——企业就能更有信心地从试验阶段走向生产阶段。

演进之路：从生成式人工智能到自主智能体

智能体人工智能进入生产环境的速度远超许多人预期。生成式人工智能负责生成内容，而智能体人工智能则能够采取行动。尽管企业可能从小处着手以验证其智能体解决方案的有效性，但智能体已积极参与到当今的工作流程之中。这一转变正从根本上改变生产力与决策方式。虽然许多重复性任务正因智能体而加速完成，但人类仍需承担审核、协调以及提供战略监督的职责——至少目前，智能体解决方案尚不具备这种战略层面的能力。

智能体人工智能标志着您已开始与您的业务展开真正对话。多年来，商业智能（BI）工具只能告诉您发生了什么。而基于坚实数据基础构建的智能体系统，如今能够帮助您解释事件发生的原因，并推荐下一步应采取的举措。这种从被动式仪表板向主动、智能决策的转变，正是释放持久企业价值的关键所在。

企业领导者必须理解的是，这一变革正在以极快的速度发生。智能体企业带来的颠覆性影响并非 2030 年才需面对的挑战，而是随着智能体应用的加速，当下就已感受到的挑战。我们的研究显示，32% 的早期采用者已将智能体解决方案部署到生产环境中，另有 25%的企业计划在未来一年内加入这一行列。

至关重要的是，这些智能体并非不受约束地运行。它们正作为人类工作者的智能合作伙伴被部署，重点聚焦于：

  • 数据驱动决策（57%）；

  • 改善客户体验（54%）；

  • 加速创新（51%）。

智能体也越来越多地用于软件开发。目前，近一半（48%）的代码由人工智能生成，82% 的组织报告称，智能体改善了代码测试和缺陷检测。此外，80% 的组织表示整体代码质量得到了提升。这些结果显示了智能体正以多么快的速度从实验阶段迈向真正的、企业级的广泛影响。

Snowflake 正在亲身推动这一变革。凭借对 Cortex Code 的全新创新——Snowflake 面向本地开发环境推出的 AI 编码智能体——开发者能够在其首选的数据工程系统内直接获得安全、具备上下文感知能力的 AI 辅助。这使得团队可以无缝处理位于任何位置的数据，并以更高的速度和效率构建、管理和优化生产级工作流。

报告中一个最值得关注的洞察是：企业高管预计，在未来三年内，他们所支持的智能体项目中约有 41%会失败。这些领导者认识到，被放弃的试点项目是迭代过程的一部分，而非真正的失败。通过将这种容错空间纳入战略规划，他们最终能够获得可投入生产环境的解决方案，并实现前文提到的平均 49%的投资回报率（ROI）。

对企业而言，这是一个转折点：从生成式人工智能向自主行动的转变，正在重新定义价值在企业内部的创造方式，而能够有效将其落地运营的领导者，将定义下一阶段的竞争优势。

数据就绪差距：现实检验

尽管前景乐观，但仍存在一个重大瓶颈：数据孤岛。调查发现：

● 仅有 20% 的非结构化数据被视为“AI 就绪”；

● 仅有 32% 的结构化数据可用于 AI 工作负载；

● 60% 的组织表示，数据存储和计算成本已导致其 AI 项目超出预算。

此外，我们正看到“影子 AI”的兴起。约 57% 的受访者承认使用未经批准的 AI 工具。这种差距在人力资源和销售部门最为明显，这些部门中声称使用 AI 的员工数量远超 IT 部门所了解到的。这凸显了对受管控的企业级 AI 平台的迫切需求，这类平台既能提供员工所渴求的工具，又不会影响安全性。

企业 AI 不能仅依赖模型本身来强制执行访问控制或保护敏感信息。管控必须落在数据层。当 AI 智能体自动继承现有角色和权限时，企业无需为每个新的 AI 工作流重新构建安全机制。这种架构方法能够防止数据泄露、降低风险，并实现负责任的 AI 规模化采用。

为解决这一问题，Snowflake 推出了 Semantic View Autopilot，该功能可自动创建和管控语义视图，并为 AI 智能体提供对业务指标的共享理解，从而交付一致、可信的结果。通过建立统一的基础，企业可以大幅减少幻觉，并将语义模型的创建时间从数天缩短至数分钟——在加速实现价值的同时增强信任。

对于企业而言，解决这些挑战不仅仅是部署新工具。它需要在数据就绪、成本控制和管控方面具备运营纪律。如果不正面解决这些问题，AI 项目要么停滞不前，要么无序扩张。那些将数据就绪作为董事会级优先事项的组织，才能将实验转化为持久、全企业范围的影响力。

你的策略始于你的数据

在 Snowflake，我们始终认为，没有数据策略，就不存在真正的人工智能策略。那些报告最高回报率的领导者，正是在统一其数据资产方面进行战略投入的人。这是因为，人工智能的成功并不取决于等待下一个最佳基础模型。模型和打包好的人工智能解决方案将面向所有人提供，而且它们往往毫无征兆地出现。任何一家企业能够掌控的，只有自身的数据基础。如果模型没有运行在互联、可治理且可信的数据之上，即使是最惊艳的模型也难有大用。模型将变得同质化，而企业所独有的数据，则成为差异化的关键。

在人工智能的采用方式上，尤其是在当前早期阶段，企业之间也存在差异化。从生成式人工智能向智能体式人工智能的过渡，代表着重新定义工作方式的重要机遇，但仅靠模型是不够的。要产生真正的业务影响，人工智能必须建立在可信、可治理的数据之上，并嵌入到日常的工作流中。

这正是 Snowflake Intelligence 和 Cortex Code 背后的思路——它们帮助客户在自身的数据和开发环境中直接应用人工智能。Snowflake Intelligence 充当企业数据的对话式入口，使业务用户能够超越静态仪表盘，用自然语言提出复杂问题，且所有分析都基于有治理的上下文。Cortex Code 延用了相同的理念，作为一个 Snowflake 原生的人工智能编码智能体，它能够理解企业数据，帮助团队在现有环境中直接构建人工智能驱动的应用程序。两者结合，使企业能够安全、快速、规模化地将人工智能落地运营。

随着人工智能成为企业的运营核心，持久回报将依赖于超越孤立工具或模型访问权限的能力。企业必须在单一、企业级的平台上，统一语义一致性、数据治理、成本控制和智能体执行。这正是从实验阶段转向可重复、生产级价值，并实现可度量利润的关键所在。Snowflake 的最新创新——从 Semantic View Autopilot 到 Cortex Code——旨在帮助企业自信地从试点走向盈利。

下载我们的完整报告《生成式人工智能与智能体的投资回报率》，了解更多关于人工智能如何、在何处以及为何正在快速变革企业的相关信息。

原文地址：https://www.snowflake.com/en/blog/roi-generative-agentic-ai/

点击链接立即报名注册：Ascent - Snowflake Platform Training - China，更多 Snowflake 精彩活动请关注专区。

2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！

在不远的将来，人工智能系统不仅能分析数据或执行工作流，更能自主决定后续步骤并付诸行动。这一图景已初现端倪。

企业正将 AI 智能体部署至客户支持、财务、销售及运营等各个环节。然而，随着应用的普及，一个深层问题逐渐浮现：这些智能体运行于彼此孤立的环境之中，既缺乏共享的上下文，也缺少统一的治理与协同机制，导致系统碎片化严重，难以建立起可靠的信任。

攻克这一难题，将决定下一阶段工作范式的走向——智能体企业。

缺失的一环：控制平面

要有效驾驭智能体技术，企业所需要的不仅是模型和应用，还需要一个协调层——即一个中央控制平面，用于统一调配企业内的智能、数据、策略与执行，从而实现智能体之间的协同。

我们推出 Project SnowWork（目前已面向特定客户开放研究预览），这是迈向该控制平面的第一步，旨在以可控的方式，帮助业务用户打通企业数据、智能与行动之间的连接。

Project SnowWork 是一个面向非技术用户的自主企业级 AI 平台，为财务、销售、营销等团队提供贴合其业务角色的 AI 配置文件，将智能能力适配到他们的日常工作场景中。

智能体企业的基石

随着模型能力日益强大且触手可及，真正的优势将来源于：把智能与可信的企业数据相连接，并将其转化为可在实际业务发生的系统与应用中执行的多步骤操作。

正如云计算重塑了现代软件架构，智能体 AI 也将引入一种全新架构，重新定义智能与企业数据及业务系统之间的交互方式。

我们认为，智能体企业将建立在四大核心组件之上：

  1. 企业数据与上下文 — 包含企业数据、运营上下文及策略护栏的受管控基础，确保 AI 决策立足于共享且可信的业务认知。

  2. AI 模型— 生成分析、预测与建议的推理引擎。随着模型的演进，其价值将越来越取决于与企业上下文的连接效率。

  3. SaaS 与应用 — 执行工作与业务操作的企业系统。从 ERP、CRM 到供应链与协作平台，这些系统负责执行行动，而非做出决策。

  4. 控制平面 — 负责协调与管控的层面，将智能转化为经过授权的企业行动。

上述组件协同运作，将使智能系统能够在现代企业内部安全、高效且规模化地运行。

从智能迈向行动：控制平面在架构中的核心作用

该架构最重要的转变在于，从生成洞察演进为驱动行动并产生实际成果。

控制平面通过对意图进行评估并作出以下决策，来实现这一转变：

  • 是否应执行某项操作；

  • 在何种策略与风险约束下执行；

  • 何时需要人工判断介入；

  • 如何跨系统协调执行过程。

例如，某金融机构在实时监测到异常行为时，系统不会仅弹出告警，而是通过任务路由与控制机制主动启动调查，仅在必要时升级为人工处理。

又如，市场推广团队启动营销活动时，无需手动协调消息发送、渠道选择及合规审查。系统可根据指令编排个性化客户触达流程，确保品牌规范、法律要求及客户上下文在每一步中得到贯彻。

在此类场景中，智能不再止步于生成建议，而是在企业定义的边界内直接驱动行动。

Snowflake 在智能体企业架构中的角色

在这一架构中，Snowflake 占据独特的优势地位。

对许多企业而言，Snowflake 已承担起业务中企业数据与上下文组件的职能。企业最核心的运营与分析数据驻留在 Snowflake 上，使其成为连接企业数据、AI 模型与实际业务系统的天然枢纽。

同时，Snowflake 与领先的 AI 模型提供商深度合作，确保在生态演进中持续获取最优的智能能力。通过与各类企业核心应用深度集成，Snowflake 使授权操作能够无缝流入实际业务发生的工作系统之中。

这些条件为构建一个协调智能体跨企业运作的控制平面创造了理想环境。

Project SnowWork 展示了这一未来的雏形。在该智能体环境中，业务用户可以调用与其角色相关的内置功能：投资者关系团队能够用自然语言分析研究报告，赋能团队可即时生成面向不同角色的培训素材，销售团队则能自动化定制客户联系流程。这一转变将智能体能力直接嵌入日常工作的流转之中。

企业计算的下一篇章

智能体企业标志着从存储数据与执行指令的系统，向能够推理、决策并与企业协同行动的系统的一次重大跃迁。

随着这一新模式的浮现，成功将取决于以下要素：

  • 可信赖的企业数据；

  • 世界一流的 AI 模型；

  • 与企业系统的深度集成；

  • 以及一个确保智能在企业所要求的边界内运行的控制平面。

这些要素共同定义了智能系统将如何安全、高效地在现代企业中运作。

我们相信，Snowflake 在助力驱动这一新时代方面拥有独特的优势。

我们亦满怀期待，与我们的客户携手同行，见证他们开始构建各自的智能体企业。

原文地址：https://www.snowflake.com/en/blog/agentic-enterprise-control-plane/

点击链接立即报名注册：Ascent - Snowflake Platform Training - China，更多 Snowflake 精彩活动请关注专区。

实际上是好几个问题：

  1. 必要性：AI 是否是否还有必要在做技术研究或者学习新东西来做笔记
  2. 如果问题 1 的答案是“是”，那么应该如何做呢？和以前没有 AI 的时候有没有区别
  3. 如果有必要做笔记，那么想问下各位用的什么工具，能在当前这个时代发挥它的最大效用

理性讨论

背景

在日志保留周期越来越长的场景下，把全部数据都放在高频检索链路中，通常会带来持续的存储成本压力。对于“需要长期留存、但低频访问”的日志，采用观测云数据转发能力，将数据归档到 AWS S3，是一条更稳妥的成本与治理平衡路径。

为什么值得做

将日志转发到 S3 后，团队通常可以获得以下收益：

  • 以更低成本实现长期归档，形成冷热分层。
  • 保留原始日志，便于审计追溯与合规留存。
  • 为后续离线分析、ETL、数据仓库加工提供统一数据底座。
  • 将在线检索与归档解耦，提升整体日志治理弹性。

方案概览

观测云日志转发至 S3 支持三种接入方式：

  1. 角色授权（推荐）
  2. 账号授权
  3. Access Key（AK/SK）授权

在生产环境中，建议优先使用角色授权，以获得更好的凭证安全性与权限治理能力。

前提条件

三种方式在开始前都需要先准备以下信息：

  1. 在 AWS 目标区域创建 S3 存储桶（建议结合生命周期策略，必要时启用版本控制/对象锁）。
  2. 明确存储桶名称（例如 guance-log-archive-2026）和区域（例如 ap-east-1、cn-north-1）。

  3. 在观测云 管理 -> 数据转发 -> 新建规则 页面获取：

    • 观测云账号 ID（Account ID）
    • 观测云外部 ID（External ID，角色授权时必需）

分区注意事项：

  • 中国区（北京/宁夏）使用 arn:aws-cn:s3:::。
  • 海外区使用 arn:aws:s3:::。

配置步骤

方式一：角色授权（推荐）

该方式通过 IAM Role + External ID 建立受控信任关系，适合长期稳定运行。

步骤 1：创建 S3 存储桶

示例桶名：guance-csm-s3。

图片

步骤 2：创建 S3 权限策略

在 IAM 中创建策略，重点授予 PutObject、GetObject、ListBucket、GetBucketLocation 四项权限，并将资源限定在目标桶。

图片

图片

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "Statement1",
      "Effect": "Allow",
      "Action": [
        "s3:PutObject",
        "s3:GetObject",
        "s3:ListBucket",
        "s3:GetBucketLocation"
      ],
      "Resource": [
        "arn:aws:s3:::guance-csm-s3",
        "arn:aws:s3:::guance-csm-s3/*"
      ]
    }
  ]
}

步骤 3：创建 IAM 角色并配置自定义信任策略

信任策略中最关键的是两项：

  • Principal.AWS：观测云账号 ID
  • sts:ExternalId：观测云外部 ID

图片

图片

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Principal": {
        "AWS": "arn:aws:iam::<观测云账号ID>:root"
      },
      "Action": "sts:AssumeRole",
      "Condition": {
        "StringEquals": {
          "sts:ExternalId": "<观测云外部ID>"
        }
      }
    }
  ]
}

观测云账号 ID 与 External ID 获取路径：观测云控制台 -> 管理 -> 数据转发 -> 新建规则

图片

随后将第二步创建的 S3 策略附加到该角色。

图片

步骤 4：在观测云测试并保存规则

在 管理 -> 数据转发 -> 新建规则 中选择 AWS S3，访问方式选择“角色授权”，填写地区、桶名称、角色名称与可选存储路径，测试连接成功后保存。

图片

方式二：账号授权

该方式通过桶策略直接授权观测云账号访问目标桶。

步骤 1：配置桶策略

在 S3 桶的“权限”页编辑桶策略，填入观测云账号 ID 和目标桶 ARN。

图片

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "GuanceyunAccess",
      "Effect": "Allow",
      "Principal": {
        "AWS": "arn:aws:iam::<观测云账号ID>:root"
      },
      "Action": [
        "s3:GetObject",
        "s3:PutObject",
        "s3:ListBucket"
      ],
      "Resource": [
        "arn:aws:s3:::guance-csm-s3",
        "arn:aws:s3:::guance-csm-s3/*"
      ]
    }
  ]
}

观测云账号 ID 获取路径：观测云控制台 -> 管理 -> 数据转发 -> 新建规则

图片

步骤 2：在观测云测试并保存规则

填写地区与桶名称，测试连接成功后保存。

图片

方式三：Access Key（AK/SK）授权

该方式通过 IAM 用户访问密钥完成认证，适合临时验证或过渡期使用。

步骤 1：创建 IAM 用户

图片

图片

步骤 2：创建并绑定 S3 策略

图片

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "Statement1",
      "Effect": "Allow",
      "Action": [
        "s3:PutObject",
        "s3:GetObject",
        "s3:CreateBucket",
        "s3:ListAllMyBuckets",
        "s3:ListBucket"
      ],
      "Resource": "arn:aws:s3:::*"
    }
  ]
}

图片

图片

图片

步骤 3：创建访问密钥并在观测云配置

在 IAM 用户的“安全凭证”中创建访问密钥，获取 AK/SK 后在观测云规则中填写并测试连接。

图片

图片

图片

效果验证

建议从以下四个维度确认配置已生效：

  1. 规则侧验证：观测云“测试连接”通过。
  2. 存储侧验证：S3 指定前缀下有持续对象写入。
  3. 内容侧验证：抽样下载对象，确认日志结构与字段完整。
  4. 运行侧验证：连续观察无频繁失败或权限异常。

常见问题与注意事项

  1. 中国区与海外区 ARN 前缀混用，导致授权失败。
  2. 角色授权失败时，优先核查 Account ID 与 External ID 是否正确。
  3. 若出现 AccessDenied，请核对策略是否包含 PutObject、ListBucket、GetBucketLocation。
  4. 桶区域与观测云规则填写区域不一致会导致连接测试失败。
  5. Access Key 模式建议定期轮换密钥并控制权限范围。

总结

通过角色授权、账号授权或 Access Key 三种方式，都可以将观测云日志稳定转发到 AWS S3，实现低成本长期归档。实际落地中，建议优先采用角色授权，并重点关注三个关键点：授权模型、ARN 分区前缀、区域一致性。完成这三点后，日志归档链路通常可以稳定运行，并为后续审计、分析与数据加工提供可靠基础。

  1. 1
  2. ...
  3. 83
  4. 84
  5. 85
  6. 86
  7. 87
  8. 88
  9. 89
  10. ...
  11. 125