指标平台、语义模型与口径治理——从 BI 配件到 Agent 的数据入口
＋ 关注此主题，在 For Me 查看最近 7 天内最新的 3 条
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。
区域销售总监想了解东北 pipeline 本季走弱的原因，却要等懂可信数据的分析师到周四，最终只能在缺少答案的情况下决策。Genie One 旨在让业务人员用自然语言提问，获得基于受治理数据并引用来源的回答，并快速启动后续多步工作。原文认为，AI 推广停滞常因一次性铺开过多数据域、不同团队对“活跃客户”定义不一、语义层无人负责且缺乏答案校验机制。其落地 playbook 建议从窄问题集开始，先赢得早期采用者信任，再依据反馈逐步扩展到更多业务线，并包含 Genie One、领域特定 Genie Agents、Genie Ontology 等组件。
Fivetran 作者用同 4 张零售演示表向两个 AI Agent 提同一个问题（总营收是多少），Haiku 直接对明细行求和，Opus 先看订单表剔除了已取消订单并注明，两者给出自信却不同的答案。作者因此对比了 5 种接入同一 dbt 项目的方式，发现要求 Haiku 先读 dbt 文档后，其 join 问题的错误答案从 4 个降到 0 个；Semantic Layer 是唯一让两个模型都做到 0 错、且每个可信答案成本最低的接口。结论是对话式分析中，受治理的数据访问方式可能与模型本身同样重要。
精选长期内容，最多 3 篇
按发布时间倒序