数据 Agent
Snowflake Cortex Agents
工具路由、执行轨迹评测、语义模型、访问权限与运行预算。区分发布计划、预览能力和实际可用范围。
18 条已收录资料 · 0 个设计案例。下列日期对应各篇材料，不代表产品当前能力清单。
近 30 天重点 4 条资料中优先展示，按原文日期
- Snowflake Cortex Agents 长期记忆实践原文 2026-10-21 · 收录 2026-10-22
- Snowflake 自适应数仓：DML 最高提速 13.7 倍原文 2026-10-16 · 收录 2026-10-17
- Snowflake敏感数据导出治理：DMP与自定义护栏原文 2026-10-17 · 收录 2026-10-17
精选参考 3 条
Snowflake 内部实践：语义定义、物化加速与问题路由一起做
用语义视图统一指标，通过代码评审与测试维护；用热门看板问题构造评测集，以物化减少慢查询，并持续整理路由规则。
为什么值得关注
既讲指标口径，也讲响应速度和维护方式，适合长期保留。
Cortex Agents 平台：版本、租户隔离、预算与工具治理
将 MCP 连接、可复用 skills、Python 沙箱与 Agent 版本管理、租户隔离、预算和评测放在同一运行平台。
为什么值得关注
适合梳理 AI 数据平台的必要底座，尤其是多租户、执行环境和费用归属。
Cortex Agent 评测：既检查答案，也检查工具执行过程
文章指出，部署 Snowflake Cortex Agents 若没有评估框架，等于把 credits 花在未被衡量的输出上。Snowflake Cortex 提供原生评估、可观测性、追踪、监控与 AI 应用质量度量，可在数据、语义模型和 Agent 旁直接运行评估。作者建议从观察失败开始，先建 20–50 条评估样本，记录输入、标准答案、期望工具与业务上下文，并评估 Agent 的完整轨迹而非只看最终答案。
收录理由（正文待核验）
随着企业把 Agent 接入数据与语义模型，工具调用、SQL 执行和最终答案都可能独立失败，系统化评估与可观测性是上线可靠性的关键。文章给出了可落地的评估数据集与轨迹评估方法，适合正在构建 Data Agent 的团队参考。
产品动态 15 条
把Cortex Agent当代码管：从沙箱到生产的CI/CD实践
作者用一周搭好面向财务域的Snowflake Cortex Agent，却花了更长时间把它从沙箱安全推到生产。文章指出Agent的真实行为由工具描述、编排指令、语义视图与验证查询、Cortex Search服务及授权共同决定，手工在UI改动会带来无diff、无评审、无法回滚的风险。作者主张用CREATE AGENT ... FROM SPECIFICATION的YAML规格将Agent纳入Git与Azure DevOps，并与Terraform管理的仓库、角色、授权保持同一套纪律。
收录理由（正文待核验）
这是Data Agent落地生产中少见的工程化实践，讲清了Agent配置漂移、环境晋级与可回滚性等数据团队真实痛点。
Snowflake Cortex Agents 长期记忆实践
Snowflake 介绍一种受 RLHF 启发的 Cortex Agents 长期记忆实现：通过 Feedback API 捕获用户负反馈，用 AI_COMPLETE 结合 Agent trace 生成结构化案例，经业务负责人审核后由 Cortex Search 存储与检索。该方案不更新模型权重，而是在推理时把已审核的经验注入上下文，使 Agent 在后续对话中持续修正。演示中，这套长期记忆让零售销售 Agent 在 33 个新问题上的准确率从 48% 提升到 100%，且延迟未受影响。
收录理由（正文待核验）
数据从业者可借鉴其把人工反馈、审核治理和检索记忆结合到 Data Agent 的闭环，直接解决业务规则缺失导致的准确率问题，并给出可复用的评估指标与实现步骤。
Snowflake敏感数据导出治理：DMP与自定义护栏
文章介绍在 Snowflake 中治理健康相关数据对外共享的敏感数据导出。方案结合原生 Data Movement Policies（需 Enterprise Edition 或更高）与基于 Snowflake SQL 的自定义导出服务，用于阻止风险字段组合并动态抑制小计数（如 5、10、20 阈值）。两层统一写入审计轨迹，并由 Cortex Agent 用自然语言回答治理问题，同时防止 AI 代理读取受监管数据。原型数据均为合成数据。
收录理由（正文待核验）
对数据从业者，展示如何用 Snowflake 原生策略加自定义护栏控制敏感数据导出、审计和 AI Agent 访问，适合数据治理落地参考。
Snowflake 自适应数仓：DML 最高提速 13.7 倍
Snowflake 官方博客以“别再选T恤尺码”为题，讨论 Agent 时代如何运行 Snowflake：固定 XS 到 XL 的仓库规格正被一个按查询自动伸缩的共享计算池取代，两个旋钮替代四个配置项。由于 CoCo、Cortex Agent 等会生成动态且不可预测的 SQL，作者在 AWS 上用 BI 看板、dbt ELT、临时分析和数据加载四类负载，对 Gen1 标准仓库做自适应计算 PoC。Adaptive Compute 已于 2026 年 6 月 16 日 GA，文章核心问题是能否不再为仓库规模下注。
收录理由（正文待核验）
数据平台团队正面临 Agent 生成 SQL 带来的不可预测负载，仓库规格选择和成本控制会直接影响 Snowflake 运行方式；该文基于四类真实负载做 PoC，对平台选型与治理有参考价值。
为什么没达标？Snowflake CoWork 生成根因 PDF
制造工厂换班时，主管过去需分析师和1-2名审核者花3-6小时，从四个源系统取数并制作PPT。现在可在 Snowflake CoWork（原 Snowflake Intelligence）中提问，通过一个存储过程完成查询、根因分析、生成样式化HTML并转成PDF，5分钟内返回下载链接。整个过程在 Snowflake 内完成，无需 SPCS 和 Docker；文章还给出 GitHub 代码、样例数据与 DDL，并讨论构建中的死胡同和修复方法。可将原因分桶适配到自有视图和业务域。
收录理由（正文待核验）
这篇第一方实践展示了如何在 Snowflake 内把自然语言提问、根因计算与报告生成串成可复用的 Data Agent 工作流，并用 5 分钟对比 3-6 小时说明业务价值。
如何在 Snowflake 中构建自主 AI Agent？
文章探讨能否在 Snowflake 中构建自主 AI Agent，并以“自动解决支持工单”为例，说明从读取工单、解释问题到请求补充信息、修改记录或重启失败流程的可能行动。作者区分了对话式助手与自主运营 Agent：后者由工单、监控事件或调度触发，可自行选择下一步、调用工具并检查结果。文中介绍用 Snowflake Cortex Agents 等能力搭建 Agent harness，并讨论代理何时有足够证据采取行动以及如何监督执行。
收录理由（正文待核验）
为 Data Agent 在企业数据平台上的落地提供架构分层与监督边界参考，尤其适合评估 Snowflake 内构建自主运营 Agent 的可行性与治理要求。
Hex：兼容 Snowflake Semantic Views 的 BI 工具
Hex 官方博客讨论哪些 BI 工具最能利用 Snowflake Semantic Views。Snowflake Semantic Views 是在数仓内定义指标、维度、事实和实体关系的 schema 级对象，相关 DDL 于 2025 年 Summit 正式可用，标准 SQL 查询在 2026 年跟进，Cortex Analyst 也能基于同一对象生成 SQL。文章认为受治理的定义应靠近底层数据并供多个下游工具复用；随着智能体能力提升，可访问的业务上下文质量比能否生成 SQL 更关键。Hex 的 State of Data Teams 调研还显示，31% 受访者把数据质量和缺乏信任视为 AI 应用最大障碍。
为什么值得关注
数据从业者可借此理解 Snowflake Semantic Views 对 BI/分析平台的兼容要求，以及语义层如何成为 AI 智能体共享业务上下文的关键基础设施。
Snowflake交互式数仓上的一体化AI应用与可观测性
作者在单个 Snowflake Interactive Warehouse 上同时构建零售运营 AI 应用和其可观测性管线。Cortex Agents 基于 Semantic View 生成 Text-to-SQL，查询约 2500 万行销售数据；AI Observability 自动将 trace、span、工具调用和 token 数写入 SNOWFLAKE.LOCAL.AI_OBSERVABILITY_EVENTS，无需 SDK 或 collector。监控看板与 Agent 共用同一仓库，最终发现了一个被 Agent 100% 成功率掩盖的语义视图缺陷。完整 SQL、代码和 Streamlit 应用已发布在 GitHub。
收录理由（正文待核验）
对想落地 Data Agent 并解决其可观测性、语义一致性与评估问题的数据团队有直接参考价值；也展示了 Snowflake 交互式数仓、Cortex Agents 与 AI Observability 的一体化实践。
Snowflake AI 服务成本解析与治理指南
本文系统梳理 Snowflake 上 Cortex AI 服务的成本构成与治理方式，涵盖 Cortex AI Functions、Cortex Agents、Cortex Search、CoCo 等组件的定价、计量与监控。Snowflake 引入独立于 Platform Credits 的 AI Credits 计费单位，所有版本客户按同一费率付费，跨区域路由方式可影响约 9% 的成本。文章说明 AI_COMPLETE() 这类调用会同时产生 AI Credits（大模型 token 处理）与 Platform Credits（仓库计算）两项费用，并给出用量视图、监控查询与支出护栏的实践方法。
收录理由（正文待核验）
直接面向在 Snowflake 上落地 AI 能力的数据团队，讲清了 AI Credits 计费口径、token 成本驱动因素与成本可观测性方案，是把 AI 负载纳入数据平台成本治理的实用参考。
Snowflake App Runtime 上的 Node.js AI 文档智能
该实践在 Snowflake App Runtime 上原生托管 Node.js/Next.js 应用，无需外部基础设施，并用 Snowflake Marketplace 的零拷贝公共数据（BLS 就业与价格、Census 房地产、FHFA 房价等）构建 AI 文档智能。数据层通过 ontology 把原始时间序列整理为含 Geography 维度（166K 行）和五张事实表的 AI-ready 数据基础，关键表 FACT_ESCALATION_SIGNALS 用 LAG() 计算各州工资-CPI 同比缺口。Cortex AI Suite 提供 AI_PARSE_DOCUMENT、Cortex Complete、Cortex Search、Cortex Analyst 与 Cortex Agent，覆盖文档解析、LLM 推理、向量搜索、自然语言转 SQL 和基于事实的问答。开发按数据发现、数据基础验证、叠加 AI 服务、在 App Runtime 部署空白 Node.js 应用并逐项加功能的阶段推进。
收录理由（正文待核验）
展示了如何把 Snowflake App Runtime、Marketplace 零拷贝数据、ontology 语义层和 Cortex AI 串成可复用的文档智能/问答架构，对在数仓内构建 AI 应用和数据基础有直接参考。
Cortex Agents：从Text-to-SQL到真正干活的助手
Snowflake Cortex AI系列第5周进入Applied层，聚焦Cortex Agents。作者在Week 4构建的Semantic View之上，搭建了一个支持工单分诊的Agent，并为其配置cortex_search和cortex_analyst_text_to_sql两个工具。文章指出Cortex Agent的核心不是回答单个问题，而是决定调用哪些工具、按什么顺序执行，以端到端完成任务。作者还实际观察到Agent出现错误决策，强调编排与判断能力的重要性。
收录理由（正文待核验）
数据从业者可从中了解Cortex Agents如何将Text-to-SQL、检索和语义视图组合为可执行任务的Data Agent，对Agent编排实践有直接参考价值。
非结构化数据的结构化处理：基于 Snowflake Cortex AI Functions
文章提出将传统 raw→transformed→curated 三层数据架构扩展至非结构化数据，在 transformed 层使用 Snowflake Cortex AI Functions 直接在 SQL 内将文本、音频、图像转换为实体抽取、情感评分、摘要等结构化信息。增强后的输出进入 curated 层，可驱动 BI dashboard、ML pipeline 及 Cortex Analyst 自然语言探索，无需额外数据移动。文中还介绍了完整工作流及典型函数 AI_COMPLETE、AI_CLASSIFY 等，强调可复用数据资产。
为什么值得关注
数据从业者应关注，因为它展示了如何在数据平台内统一治理非结构化数据，以 SQL 原生 AI 函数完成转换，降低管道复杂性与数据移动成本。
优化Snowflake Cortex Analyst：提升准确率、降低延迟并构建反馈闭环
本文介绍如何优化Snowflake Cortex Analyst，使自然语言查询企业数据更准确高效。核心方法包括精简语义模型、优化底层数据库结构、利用已验证查询构建优化循环，以及通过监控和追踪数据消除瓶颈。Snowflake官方建议语义模型应面向业务用户而非数据库结构设计，并围绕销售、财务等业务域组织。
收录理由（正文待核验）
面向Text-to-SQL Agent的落地优化方法，涉及语义模型、准确性和性能调优，对数据Agent实践者有直接参考价值。
Snowflake CoWork Automations 架构与执行模型深度解析
Snowflake CoWork Automations（2026年8月公开预览）引入新的调度原语agent task，可在任务引擎上按计划运行完整的Cortex Agent流程，包括LLM编排、多工具推理、SQL生成与响应合成。文章从底层剖析了权限模型、执行管线以及Cortex Agent API的调用机制，并讨论了大规模治理下数据平台团队需要关注的权限与安全影响。该功能默认授予所有用户EXECUTE AGENT TASK权限，安全团队需评估并收紧这一默认配置。
收录理由（正文待核验）
这是对Snowflake将自然语言问题转化为可调度的Agent计算的技术详解，帮助数据平台团队理解Agent任务的权限模型与执行机制，是Data Agent落地的重要参考。
Cortex Analyst与Snowflake Agents：打造生产级分析服务指南
本文针对Cortex Analyst和Agent项目中常见的响应慢、结果不正确问题，指出根源往往在于语义模型、编排指令和工具描述等基础设置未受重视。内容包括如何精简现有语义视图、使用Cortex Search解析真实取值、用验证查询锚定SQL，以及通过工具描述和Agent指令路由问题，从而提升服务准确性与速度。
收录理由（正文待核验）
面向生产级Data Agent部署的深度实践指南，直击ChatBI项目落地中的性能和准确性问题，值得数据从业者参考。