Snowflake 作为智能体运行时:从静态管道迈向自主数据系统 | 技术实践
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! 请勿仅限于查询数据——让数据主动为你服务。本文提供一份实用指南,剖析一个简洁的 Snowflake 智能体架构设计,并通过逐步的代码实现,帮助你构建出第一个自治数据助手。 多年来,构建智能数据系统往往意味着编写数以百计的模型、数据流水线、存储过程以及编排脚本。面对每一个新的业务问题,都需要开发新的转换逻辑、新的仪表盘或新的工作流。即使基于现代数据平台,开发模式本质上仍未改变:人工定义每一个步骤,系统机械地执行指令。 如今,这一模式正发生根本性转变。 AI 智能体引入了一种全新范式——系统能够将数据平台作为执行环境,自主进行推理、规划与行动。开发者不再需要手工编写每一条转换逻辑,而是转而定义目标、工具与防护边界,由智能体自主决定如何完成任务。 Snowflake 凭借其数据、计算与 AI 一体化的统一架构,在推动这一转型中占据独特优势。 重要说明: 本文旨在阐述 AI 智能体的基本概念、其重要性,以及它们将如何从根本上改变我们在 Snowflake 平台上构建数据系统的方式。 本文内容为后续深入探讨 Cortex Agents 系列功能的前置基础。 在后续系列文章中,我将演示如何利用全新的 Cortex Code / Cortex Code CLI,以显著更快的速度构建并部署 Cortex 智能体。我们将跳过繁琐的样板代码,直接实现从自然语言到生产就绪型智能体的高效转化。 在典型的 Snowflake 部署中,解决一个业务问题需要多层的手动实现: 示例:自主产品优化智能体 为了回答一个高价值的业务问题——“如何根据客户反馈和成功产品模式来提升产品销售?”——你可能需要执行以下步骤: 从评论、工单和调研中摄取客户反馈; 将反馈与产品目录、定价和销售业绩数据关联; 识别高绩效产品与低绩效产品之间的模式; 检测与定价、命名、描述和质量相关的信号; 生成产品改进建议; 确定哪些变更可以安全地自动应用; 将非数据库变更(例如质量改进)流转至相关利益方; 跟踪变更对销售业绩的影响。 每个步骤都涉及: SQL 模型; 存储过程; 计划任务; Python 脚本; 告警配置。 随着时间的推移,这会导致: 成百上千的模型堆积; 脆弱的数据管道; 高昂的维护开销; 缓慢的迭代周期。 这种方法虽然是确定性的——但却是僵化的。 每个新问题都需要编写新代码。 AI 智能体是一个能够执行以下操作的系统: 理解目标; 推理如何实现目标; 使用可用工具; 执行动作; 观察结果; 迭代直至完成。 与执行预定义脚本不同,智能体会动态决定采取何种行动。 智能体由三个核心组件构成: 推理引擎,负责: 解读用户意图; 将问题分解为步骤; 决定使用哪些工具; 评估执行结果。 智能体可以调用的能力,例如: 查询 Snowflake 表; 执行 SQL; 调用存储过程; 触发工作流; 创建仪表盘; 写入数据; 扩展新技能,如连接 GitHub、Jira、电子邮件、网页等。 智能体可获取的信息: 数据库模式与元数据; 查询结果; 业务定义及其他任何可访问的信息。 这些组件共同作用,使智能体能够在你的数据平台中自主运行。 传统方法: 智能体方法: 这是一次根本性变革。 无需编写数十个模型与代码,只需开放能力接口: “查询反馈数据”; “核验成功产品”; “修改产品属性”; “发送邮件”; “提出销售优化建议”。 智能体将动态编排这些能力。 本演示展示原生运行于 Snowflake 中的 AI 智能体如何自主完成以下闭环:分析产品反馈与销售数据、识别产品性能优化机会、提议或触发操作——全程无需预设管道或人工干预分析。 在开始前,请先构建 Snowflake 演示环境: Snowflake 在架构层面具备多项优势,使智能体系统能够发挥更强大的能力。 智能体可直接访问以下内容: 结构化数据; 半结构化数据; 元数据。 无需在系统之间迁移数据,从而消除延迟、降低复杂性并规避安全风险。 SQL 提供了一种安全、声明式的交互接口,智能体能够生成并执行 SQL 语句。 这使得 Snowflake 成为承载智能体推理任务的理想执行层。 Snowflake 内置 AI 功能,可供智能体直接调用: 文本理解; 嵌入向量; 语义搜索; 代码生成。 这些能力使智能体能够在 Snowflake 内部直接完成推理计算。 智能体的所有操作均在 Snowflake 的安全框架内运行: 基于角色的访问控制; 数据脱敏; 审计日志。 这确保了自主运行过程的安全性与合规性。 您需要构建: 反馈数据采集与标准化流水线; 特征提取与情感分析工作流; 反馈数据与销售业绩的关联性分析; 人工推荐与审批工作流; 用于评估变更影响的监控仪表盘。 总执行时间: 数周至数月。 维护成本: 持续进行。 您仅需定义工具: query_product_feedback() (查询产品反馈); analyze_successful_products() (分析成功产品); propose_database_change() (提议数据库变更); send_email_recommendation() (发送邮件建议)。 然后赋予智能体一个目标: “分析客户反馈及成功产品数据以提升销量。针对数据库层面的变更提出审批建议,针对非数据库层面的改进(如产品质量)发送建议邮件。” 智能体执行流程: 读取客户反馈与产品性能数据; 识别成功产品之间的共性模式; 确定改进机会点; 提出数据库层面的变更建议,例如定价、命名或描述调整; 针对需运营介入的产品质量改进,自动发送邮件。 总执行时间: 数小时至数日。 维护成本: 极低。 典型架构包含以下层次: 详细执行流程: Snowflake 在该架构中兼具双重角色: 记忆层(数据存储与管理); 执行层(计算与逻辑执行)。 传统开发范式导致代码量呈指数级增长。 每新增一个问题,就意味着要添加新的处理流水线。 而基于智能体的系统正扭转这一趋势。 不再需要: 数以百计的脚本; 数以百计的模型。 转而只需定义: 工具集; 策略规范; 护栏机制。 由智能体负责具体执行。 这将显著降低系统的整体复杂度。 数据工程师的职能重心发生转移: 此前: 编写数据转换逻辑; 构建数据流水线; 维护任务编排调度。 此后: 定义工具能力; 设计数据结构模式; 设定治理策略; 引导智能体行为。 开发者的工作重心,正从编写具体执行步骤转向设计系统运行规则。 智能体系统引入了一系列新的设计考量。 智能体必须在定义的边界内运行。 必须跟踪智能体的行为轨迹。 精心设计的工具能够提升智能体的可靠性。 智能体的执行过程必须受到监控。 Snowflake 为应对这些考量提供了强大的底层原语支持。 我们正在经历以下转变: 脚本驱动系统 → 目标驱动系统 Snowflake 正从一个数据仓库演进为面向自治数据系统的执行平台。 Snowflake Cortex 引入了原生原语,使得完全在 Snowflake 内部构建智能体成为可能。 这些原语赋予智能体以下能力: 理解自然语言; 生成 SQL 语句; 执行操作; 对结构化与非结构化数据进行推理。 下面我们来看一个具体实现案例。 示例:将产品反馈数据与销售数据暴露给智能体。 这将成为智能体可访问记忆的一部分。 Snowflake Cortex 提供内置的 LLM 推理功能。 示例:要求 Cortex 分析销售驱动因素。 Cortex 能够: 解读意图; 生成推理过程; 推荐执行动作。 智能体通过工具与 Snowflake 进行交互。 工具示例: 这将成为智能体的一项可调用能力。 智能体发送的电子邮件示例 我们的操作记录表: 在 AI 世界中,存在着一系列不同程度的自主性: 级别 1:增强型脚本(本文演示的内容): 流程呈线性(循环 → 推理 → 行动),但决策的内容由 AI 驱动; 级别 2:工具调用智能体(Cortex Search/Analyst): 智能体接收提示词和一组工具(函数),并自行决定以何种顺序调用哪个工具; 级别 3:完全自主: 智能体监控自身性能,并自行调整 SQL 查询以发现更深入的洞察。 以下参考架构展示了智能体如何与 Snowflake 集成。 核心架构原则: Snowflake 是执行引擎 智能体生成 SQL,由 Snowflake 负责执行。 Cortex 是推理引擎 提供理解、规划和决策能力。 工具是控制层 提供安全、受管控的操作。 数据是记忆层 智能体直接在 Snowflake 数据之上进行推理。 一个生产级智能体通常包含以下部分: 规划层 使用 Cortex COMPLETE() 函数来规划行动步骤。 执行层 通过以下方式执行: SQL; Snowpark; 存储过程。 评估层 能体对执行结果进行评估。 行动层 智能体触发以下动作: 告警; 表更新; 工作流执行; 其他技能调用。 我们正迈向一个未来: 在这个未来中,你无需构建数据流水线。 你只需定义: 数据; 工具; 策略。 其余的一切交由智能体处理。 这将彻底改变可扩展性的衡量标准。 一名工程师即可独立构建端到端的工作流。 Snowflake 已不再仅仅是一个数据仓库。 它是面向数据智能体的操作系统。 既然你已经构建了一个基础智能体,现在可以借助 Snowflake 最新的 AI 功能,将其从手动原型升级为自动化、企业级的系统。 从手工编写 SQL 转向使用 Cortex Analyst 无需自行编写 SQL 生成逻辑,你可以将 Cortex Analyst 作为工具调用。通过向其提供一个语义模型(一份描述数据关系的 YAML 文件),Cortex Analyst 能够以超过 90% 的准确率处理自然语言到 SQL 的转换,确保你的智能体不会在关联逻辑上产生幻觉。 利用 Cortex Code 加速开发 为了加快构建过程,请使用 Cortex Code CLI。它在本地环境中充当“AI 编码智能体”的角色: 智能体优化技能: 你可以直接向 Cortex Code 下达指令:“使用智能体优化技能,创建一个使用我的语义视图的 Cortex 智能体。” 它将自动生成工具定义和编排指令; 验证与调试: Cortex Code 可以分析执行轨迹,识别工具失败的原因,并提出具体的 SQL 或语义模型修复建议。 通过 Snowpark 与 SPCS 实现扩展 随着智能体复杂度的增加(例如,需要调用外部 API 或运行自定义 Python 库),请将代码移出存储过程: Snowpark (Python): 适用于复杂的数据操作以及集成 LangGraph 等大语言模型框架; Snowpark 容器服务 (SPCS): 对于需要自定义 Docker 环境或 GPU 加速处理的长运行、有状态智能体,这是最佳选择。 从“顾问”演进为“执行者”(带护栏机制) 智能体的终极演进形态是主动执行而非被动建议。你可以设置智能体运行其生成的 SQL 来实时修复数据问题。然而,“行动型智能体”需要严格的 Cortex 护栏: 语义过滤 (AI_FILTER): 确保生成的名称不包含冒犯性内容; 阈值限制: 设定逻辑防止智能体单次修改价格超过 2%,或在每周内多次修改价格。 深入使用 Snowflake Intelligence 与智能体 既然你已掌握智能体流程的基本概念,是时候深入探索 Snowflake 的 Create Agent(创建智能体)功能了。 智能体从根本上改变了我们构建数据系统的方式。 我们不再需要编写成百上千个模型和脚本,而是直接定义目标与能力。 Snowflake 为智能体架构提供了理想的基础,这得益于其: 统一的数据与计算; 安全的执行环境; 原生的 AI 能力; 基于 SQL 的执行方式。 其结果是:系统更简洁、迭代更快速,杠杆效应显著提升。 这并非渐进式改进, 而是构建数据应用的全新范式。 数据工程的未来不在于编写流水线, 而在于构建智能体。 在下一篇博客中,我将介绍如何使用 Cortex Agents 创建一个新的 Snowflake 智能体,并演示如何通过 Snowflake Intelligence 与其进行对话。 如需获取更多 Snowflake 相关文章的更新,欢迎在 Medium 上关注我的主页: Eylon’s Snowflake Articles 作者: Eylon Steiner Infostrux Solutions 工程经理,Snowflake 数据超级英雄 LinkedIn:Eylon Steiner 订阅 Infostrux Medium 博客: https://blog.infostrux.com —— 获取最深入的数据工程与 Snowflake 资讯。 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。前言
传统模式:以脚本为中心的数据工程
什么是 AI 智能体?
1. 大脑(大语言模型 LLM)
2. 工具
3. 记忆与上下文
关键转变:从定义步骤到定义能力
人工定义步骤 → 系统执行步骤人工定义目标与工具 → 智能体自主规划步骤 → 系统执行本演示实现目标
步骤-1:环境配置
/********************************************************************************* * SNOWFLAKE AGENT RUNTIME DEMO: Product Optimization Logic * This script creates the Database, Security, Demo Data, and AI Views. *********************************************************************************/--- 1. INFRASTRUCTURE & SECURITY SETUP ----- Execute as ACCOUNTADMIN to handle role and warehouse creationUSE ROLE ACCOUNTADMIN;-- Create a dedicated Warehouse for AI workloadsCREATE WAREHOUSE IF NOT EXISTS product_agent_wh WITH WAREHOUSE_SIZE = 'SMALL' AUTO_SUSPEND = 60 AUTO_RESUME = TRUE; -- Create the Agent RoleCREATE ROLE IF NOT EXISTS product_agent_role;GRANT USAGE ON WAREHOUSE product_agent_wh TO ROLE product_agent_role;-- Grant access to Snowflake Cortex (AI Functions)GRANT ROLE SNOWFLAKE.CORTEX_USER TO ROLE product_agent_role;-- Assign the role to current user (replace 'CURRENT_USER' if needed)SET my_user_var = CURRENT_USER();GRANT ROLE product_agent_role TO USER IDENTIFIER($my_user_var);--- 2. DATABASE & SCHEMA SETUP ---CREATE OR REPLACE DATABASE product_intelligence;CREATE OR REPLACE SCHEMA analytics;-- Give the Agent role full access to the new schemaGRANT ALL PRIVILEGES ON DATABASE product_intelligence TO ROLE product_agent_role;GRANT ALL PRIVILEGES ON SCHEMA product_intelligence.analytics TO ROLE product_agent_role;-- Switch to the Agent Role for the remainder of the setupUSE ROLE product_agent_role;USE WAREHOUSE product_agent_wh;USE DATABASE product_intelligence;USE SCHEMA analytics;--- 3. TABLE CREATION ----- Product CatalogCREATE OR REPLACE TABLE products ( product_id INT, product_name STRING, category STRING, price FLOAT);-- Sales Transactions (Weekly Aggregates)CREATE OR REPLACE TABLE sales ( product_id INT, week DATE, sales_amount FLOAT);-- Customer Reviews (Unstructured Data)CREATE OR REPLACE TABLE reviews ( product_id INT, rating INT, review_text STRING);--- 4. UPDATED DATA INGESTION (Demo Set) ---INSERT INTO products VALUES (101, 'Eco-Friendly Yoga Mat', 'Fitness', 50.00), (102, 'Old-Gen Wireless Earbuds', 'Electronics', 85.00), (103, 'Basic Office Desk', 'Furniture', 120.00), -- New additions (104, 'Titanium Coffee Press', 'Kitchen', 195.00), -- High Price Failure (105, 'Premium Leather Keychain', 'Fashion', 45.00), -- High Price Failure (106, 'Device Stand X-99', 'Electronics', 15.00); -- Name/Boring Failure-- Updated Sales: Adding drops for the new itemsINSERT INTO sales VALUES (101, '2026-02-01', 5000.00), (101, '2026-02-08', 5200.00), (102, '2026-02-01', 8000.00), (102, '2026-02-08', 1500.00), (103, '2026-02-01', 3000.00), (103, '2026-02-08', 2950.00), (104, '2026-02-01', 4000.00), (104, '2026-02-08', 800.00), (105, '2026-02-01', 1200.00), (105, '2026-02-08', 200.00), (106, '2026-02-01', 900.00), (106, '2026-02-08', 850.00);-- Updated FeedbackINSERT INTO reviews VALUES (101, 5, 'Best mat I have ever owned! Grip is perfect.'), (102, 1, 'Battery dies after 10 minutes. Absolute trash.'), (104, 2, 'It looks beautiful, but $195 for a coffee press is insane. Way too high.'), (104, 1, 'Does not work.'), (105, 2, 'It is just a small piece of leather. $45 is a high price for a keychain.'), (105, 3, 'Bad quality.'), (106, 3, 'Functional, but the name X-99 is so boring. Hard to find in search.');USE ROLE ACCOUNTADMIN;-- Create the integration to allow the Agent to send emailsCREATE OR REPLACE NOTIFICATION INTEGRATION product_alert_email TYPE = EMAIL ENABLED = TRUE ALLOWED_RECIPIENTS = ('product-team@yourcompany.com'); -- TODO: Replace with your actual email -- Grant the agent role permission to use this email toolGRANT USAGE ON INTEGRATION product_alert_email TO ROLE product_agent_role;为什么 Snowflake 是智能体的理想运行环境
1. 数据与计算的一体化融合
2. SQL 作为通用执行语言
3. 原生 AI 能力集成
4. 安全且受控的执行环境
示例:传统产品优化与智能体驱动产品优化对比
传统实现方式
智能体驱动实现方式
Snowflake 中智能体系统的架构
用户↓智能体(大语言模型)↓工具层↓Snowflake↓数据 + 计算资源用户请求↓智能体解析目标↓智能体检视可用工具↓智能体生成 SQL 代码↓Snowflake 执行查询↓智能体评估返回结果↓智能体决策下一步动作↓最终输出或执行操作脚本膨胀时代的终结

开发者角色的演进
挑战与考量因素
护栏机制
可观测性
工具设计
成本控制
为何至关重要
基于 Snowflake Cortex 智能体的具体实现
回到演示示例…
步骤 1:将数据暴露为智能体可访问的上下文
CREATE OR REPLACE VIEW product_improvement_insights AS -- might be better to have a tableSELECT p.product_id, p.product_name, p.price, s.week, SUM(s.sales_amount) AS total_sales, -- Calculate Sales Delta (the 'drop') SUM(s.sales_amount) - LAG(SUM(s.sales_amount)) OVER ( PARTITION BY p.product_id ORDER BY s.week ) AS sales_delta, -- AI-driven Sentiment and Summarization AVG(rating) AS avg_rating, SNOWFLAKE.CORTEX.SENTIMENT(LISTAGG(r.review_text, ' ')) AS sentiment_score, SNOWFLAKE.CORTEX.SUMMARIZE(LISTAGG(r.review_text, ' ')) AS feedback_summaryFROM products pJOIN sales s ON p.product_id = s.product_idJOIN reviews r ON p.product_id = r.product_idGROUP BY ALL;步骤 2:使用 Cortex 实现自然语言推理
-- THE AGENT EXECUTION (Reasoning over the new data) ---SELECTproduct_name, price, sales_delta, sentiment_score, feedback_summary, SNOWFLAKE.CORTEX.COMPLETE('llama3-70b', CONCAT('Context: The product ', product_name, ' (Price: $', price, ') has a sales drop of $', sales_delta, '. Customer feedback: ', feedback_summary, '. Task: If the price is the main complaint, suggest a specific new price. If the name is the issue, suggest a catchy new name. If the probelm is with the product quality send an email to the product team with short explanation of the issue' ) ) AS agent_recommendationFROM product_improvement_insightsWHERE sales_delta < 0 ORDER BY sales_delta ASC;步骤 3:将智能体工具创建为存储过程
USE ROLE product_agent_role;CREATE OR REPLACE TASK product_optimization_task WAREHOUSE = product_agent_wh SCHEDULE = '10 MINUTE'ASEXECUTE IMMEDIATE $$DECLARE -- Cursor for underperforming productsFOR record IN c1 DO -- 1. Assign cursor values to flat variables v_product_name := record.product_name; v_sales_delta := record.sales_delta; v_feedback := record.feedback_summary; -- 2. NEW: Check if we have already handled this product today -- This prevents duplicate emails and logs every 10 minutes LET already_logged INTEGER := ( SELECT COUNT(*) FROM agent_action_log WHERE product_name = :v_product_name -- Optional: Only skip if logged in the last 24 hours -- AND action_date > DATEADD('day', -1, CURRENT_TIMESTAMP()) ); IF (already_logged = 0) THEN -- 3. Build the prompt v_prompt_text := 'Context: ' || v_product_name || ' sales dropped by $' || v_sales_delta || '. Feedback: ' || v_feedback || '. Task: Determine if this is a Product Quality issue. ' || 'If YES, write an email to the product team about the issue ' || 'starting with "SUBJECT: PRODUCT ISSUE". ' || 'If NO, suggest a fix starting with "FIX:"' || 'You can suggest a new price or a new name for the product'; -- 4. Call Cortex LLM v_agent_output := (SELECT SNOWFLAKE.CORTEX.COMPLETE('llama3-70b', :v_prompt_text)); -- Here is a good place where we will add our guardrails -- 5. Take Action: Send Email IF (v_agent_output ILIKE '%SUBJECT: PRODUCT ISSUE%') THEN CALL SYSTEM$SEND_EMAIL( 'product_alert_email', 'product-team@yourcompany.com', -- TODO: Change to your email!! 'Urgent Action Required: ' || :v_product_name, :v_agent_output ); END IF; -- 6. Log the results INSERT INTO agent_action_log (product_name, action_date, details) VALUES (:v_product_name, CURRENT_TIMESTAMP(), :v_agent_output); END IF; -- End of the "already logged" check END FOR;END;$$;-- Activate the TaskALTER TASK product_optimization_task RESUME;-- 1. Switch to Account Admin to grant the global privilegeUSE ROLE ACCOUNTADMIN;-- 2. Grant the ability to execute tasks to your specific roleGRANT EXECUTE TASK ON ACCOUNT TO ROLE product_agent_role;-- 3. Switch back to your agent roleUSE ROLE product_agent_role;-- 4. Now you can manually trigger it for testingEXECUTE TASK product_optimization_task;USE ROLE product_agent_role;-- You canmonitor the task by-- Check the last 10 runs of your taskSELECT * FROM TABLE(INFORMATION_SCHEMA.TASK_HISTORY( TASK_NAME => 'PRODUCT_OPTIMIZATION_TASK', RESULT_LIMIT => 10 ))ORDER BY QUERY_START_TIME DESC;步骤 4:检查任务结果


SELECT product_name, -- action_date, -- Label if it was an Email or a Price/Name fix CASE WHEN details ILIKE '%SUBJECT:%' THEN '📩 Email Sent' WHEN details ILIKE '%FIX:%' THEN '🏷️ Price/Name Update' ELSE '🤖 General Advice' END AS category, details AS agent_thought_processFROM agent_action_logGROUP BY product_name, details;
步骤 5:完成后不要忘记暂停任务
/********************************************************************************* * SUSPEND AGENT: Stop the 10-minute cycle *********************************************************************************/USE ROLE product_agent_role;-- Stop the task from executing furtherALTER TASK product_optimization_task SUSPEND;-- Verify the state is now 'suspended'DESCRIBE TASK product_optimization_task;步骤 6:环境清理与销毁
/********************************************************************************* * TEAR DOWN: Clean up the Snowflake Agent Runtime Demo *********************************************************************************/USE ROLE ACCOUNTADMIN;-- 1. Stop and Remove the Task (Prevents further compute charges)DROP TASK IF EXISTS product_intelligence.analytics.product_optimization_task;-- 2. Drop the Database (This removes all tables, views, and logs)DROP DATABASE IF EXISTS product_intelligence;-- 3. Remove the Email Integration-- (Note: Only do this if no other systems are using it)DROP INTEGRATION IF EXISTS product_alert_email;-- 4. Clean up Security and ComputeDROP WAREHOUSE IF EXISTS product_agent_wh;DROP ROLE IF EXISTS product_agent_role;-- 5. Confirm CleanupSHOW DATABASES LIKE 'PRODUCT_INTELLIGENCE';SHOW WAREHOUSES LIKE 'PRODUCT_AGENT_WH';“智能体规模”
参考架构:Snowflake 上的智能体系统
┌─────────────────────┐ │ 用户 / 应用 │ └──────────┬──────────┘ │ ▼ ┌─────────────────────┐ │ AI 智能体 │ │ (推理层) │ └──────────┬──────────┘ │ ┌────────────────┼──────────────────┐ ▼ ▼ ▼┌──────────────┐ ┌──────────────┐ ┌──────────────┐│ Cortex LLM │ │ Cortex │ │ 工具层 ││ COMPLETE() │ │ Analyst │ │(存储过程) │└──────┬───────┘ └──────┬───────┘ └──────┬───────┘ │ │ │ └────────────────┴─────────────────┘ │ ▼ ┌─────────────────────┐ │ Snowflake │ │ 执行层 │ └──────────┬──────────┘ │ ┌───────────── ─ ┼─────────────────┐ ▼ ▼ ▼ 结构化数据 使用元数据 非结构化数据高级模式:完全自主的 Snowflake 智能体
愿景:数据系统的最终形态
替代方案与后续步骤
结论
后续预告


