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!

11 月 3 日,我们宣布推出 Business Ontology ,即将开启公开预览。它提供了一种受治理的方式,支持团队定义、归属、审批共用业务术语、实体、关联关系与指标,并将其映射至承载这些定义的数据和模型。Business Ontology 隶属于 Snowflake Horizon Context ,也就是 Horizon Catalog 内的受治理上下文层。它让人员与 AI 智能体共用同一套经过审批的标准定义,使智能体能够按照业务口径解读企业数据。团队可在各类智能体和应用中复用这套业务知识,无需为每个工具重复定义,同时保留销售、财务、营销等不同业务域的差异。

举例来说,当智能体处理收入相关查询时,它需要清楚财务口径下收入如何定义,以及收入和订单、客户之间的关联关系。这类业务知识通常分散在 BI 模型、dbt 项目以及资深员工的经验里。每当新增一个智能体,团队往往都要重新搭建一遍相关逻辑。一旦智能体理解出现偏差,大家就会依据错误的数据做出决策,进而丧失对 AI 输出结果的信任。而 Business Ontology,就是供团队统一存放官方业务知识的唯一底座。

Snowflake Business Ontology connects business concepts such as customers, orders and net revenue to the tables, semantic views and services that implement them, so agents across teams work from the same model of the business.

整合全域数据资产知识,构建权威业务上下文

Horizon Context 汇聚团队现有各类工具中的业务知识。其开箱即用的元数据连接器,可从 Tableau、Power BI、dbt、SQL Server、Sigma、Omni、 PostgreSQL 等数据源采集 schema、查询日志、看板定义以及使用行为信号。依托跨平台数据血缘,系统可追踪数据从源数据库到看板、历经多层转换的完整链路,形成连通的数据资产全景视图,让团队掌握 Snowflake 内外数据的来源与使用情况。

为使智能体可信调用上下文,Snowflake 提供了三层上下文,各司其职: Snowflake Cortex Sense(即将开启公开预览)自动推断上下文,Business Ontology 治理业务含义,Snowflake Semantic Views 执行指标计算。

为何拆分为三层而非一层?因为每一层解决的问题各不相同,没有任何单一能力可以同时兼顾这三件事。Cortex Sense 帮助智能体快速广泛覆盖数据资产,无需团队提前手动定义每张数据表和每一项指标。Business Ontology 在核心环节注入权威口径,确保人员与智能体统一遵循经过审批的业务定义。Semantic Views 保障计算精准度,保证各项指标每次都以一致规则运算。

这三层不存在固定先后顺序。客户可以优先选用最贴合自身迫切需求的一层,再随着业务发展叠加其余能力。有的团队从术语表切入,有的团队会优先落地可执行指标。无论从哪一层切入,这三层能力都可为所有智能体、应用及人员提供统一、权威的业务上下文。

下面我们逐层展开。

借助 Cortex Sense 实现上下文自动化

对不少团队来说,Cortex Sense 是很自然的切入点,大量底层工作都由它自动完成。它会持续观测用户查询数据、搭建看板、运行数据管道的行为并采集上下文,再把这些日常操作沉淀为业务认知,以此降低团队手动定义每张数据表、各项指标含义及关联关系的成本。

Cortex Sense 依托团队已有的元数据和使用行为模式构建上下文,涵盖查询历史、看板、dbt 模型等资产。它会跟随业务变化同步迭代自身认知,并按照预设周期自动更新知识库。团队只需锁定业务应用场景、接入现有相关上下文,再借助反馈和评估持续调优,无需为每张数据表手动建模。除此之外,Cortex Sense 还可自动识别相互矛盾的业务信息,并提请团队确认可信来源。

当团队准备对核心业务术语开展治理时,Cortex Sense 可在 Business Ontology 中生成初始草稿,自动给出推荐定义、关联关系以及数据链路,团队无需从零搭建。大家只需锁定业务应用场景、接入已有相关上下文,再通过反馈与评估加以打磨,从而免去了手动为每张表建模的负担。与此同时,Cortex Sense 能够智能识别存在冲突的业务信息,提请团队确认可信来源。

借助 Business Ontology 定义业务上下文

Business Ontology 是团队统一登记核心业务术语的定义、责任人以及相互关联关系的载体。以 “净收入” 为例,不必再让每个语义视图、看板和智能体各持一个版本,分析师只需定义一次(或从现有术语表导入),把作用域设为“财务”,指定责任人,完成审批,再把它关联到语义视图里计算它的那个指标(见图 2)。自此,所有智能体与跨团队成员都将沿用这套经过审批的标准定义开展工作。团队可实现以下操作:

  • 让智能体锚定业务概念:由领域专家定义客户、订单、收入等业务概念及其关联关系,再由工程师将这些业务定义对接到底层数据。完成这一步后,智能体就能够依托企业自有业务知识解读数据;

  • 跨语义视图对齐指标:团队可将各个语义视图中等价的指标,关联到同一个共享业务定义。借此统一业务口径,同时不强制所有团队使用相同的计算实现方式。 Business Ontology 同样支持保留经过认可的差异化口径:例如餐饮企业可按不同品牌分别定义 “同店销售额”。每一套口径先完成独立审批,再标注所属品牌,最后绑定承载计算逻辑的语义视图;

  • 帮助用户找到准确定义:任何人都可以查询术语,查看对应的责任人与审批状态,还能通过链路定位该指标的计算出处。品牌、区域的差异化口径将保留各自的作用域。

In Business Ontology, net revenue has one approved definition, with its synonyms, related concepts and variants, linked to the metrics that calculate it in two semantic views.

由于这类定义会直接影响业务决策,企业可依托 Horizon Catalog 的治理管控能力,限定定义的创建、编辑与审批权限。AI 生成的建议和导入的定义仅作为待审核的初始素材,由责任负责人判定哪些内容可以成为正式口径。如果获批定义与 Cortex Sense 的自动推断结果出现冲突,智能体将优先采用获批定义,Cortex Sense 也会基于该结果持续学习。

借助 Semantic Views,一次配置定义与计算逻辑,即可全局复用 

Semantic Views 负责定义各项指标的计算规则,Business Ontology 则治理指标的业务含义与审批人。每一个语义视图会把业务域内的指标、维度和联接封装为 Snowflake 对象,供智能体、BI 工具以及 SQL 直接查询。如此一来,智能体能够依据受治理的逻辑生成 SQL,而非自行推测计算规则。Business Ontology 仅负责把获批的业务定义关联至对应的语义视图,不改动计算逻辑。计算规则的管理权,仍归属对应视图的责任人。

高质量上下文,离不开原生开放的平台

业务知识只有能够跨工具流转,价值才能持续释放。正是基于这个考量,Snowflake 参与发起 Apache Ossie(孵化中)。这是一套厂商中立的语义模型开放标准,目前已有数十家机构共同支持,包括 Microsoft、Salesforce、dbt Labs、Qlik、ThoughtSpot。依托这套标准,Semantic Views 可通过导入、导出 Ossie 定义,实现指标口径在 Snowflake 与其他兼容 Ossie 的工具之间互通,因此团队不必在不同系统里重复搭建同一套指标。除此之外,即便部署在 Snowflake 之外的智能体,也可以通过 模型上下文协议(MCP)查询 Semantic Views,所有访问权限统一由 Horizon Catalog 管控。

 dentsu 全球工程负责人 Morten Lileng 表示:“语义漂移是多方协作数据环境里最容易被低估的风险之一。电通旗下数据技术代理商 Merkle,长期在行业内复杂度极高的数据环境中开展业务。Snowflake Business Ontology 从基础设施层面解决这个问题,为每一项业务定义配置责任人,让每个下游系统都得到同一个受治理的答案。”

分析公司眼中的 Snowflake Business Ontology 

许多用户依靠 BI 和分析工具获取数据结论,因此统一的业务上下文至关重要。下文将介绍 Omni、Sigma、ThoughtSpot 如何看待上下文相关难题,以及 Business Ontology 在解决该问题时发挥的作用:

Omni 联合创始人兼总裁 Jamie Davidson 表示:“我们可以把上下文类比成新分析师的入职培训。培训的核心,就是讲清各项数据资产的使用场景、使用目的与使用方式。Omni 原生基于受治理的语义模型搭建,也是唯一可与 Snowflake Semantic Views 双向集成的工具。而 Business Ontology 则补充了关键一环,用来沉淀经过审批的业务定义。双方协同发力,帮助共同客户打造可信上下文,为所有用户和智能体提供支撑。”

Sigma 产品管理总监 Zalak Trivedi 认为:“AI 智能体的可靠性,由支撑它的业务上下文与业务定义决定。依托 Business Ontology,我们和 Snowflake 的共同客户只需定义一次业务概念,就能在 Sigma AI 中直接复用。客户可以基于这套统一口径搭建受治理的应用、看板与智能体,在 Sigma 中生成可信的分析内容。”

ThoughtSpot 产品高级副总裁 Francois Lopitaux 表示:“可信的 AI 的根基,是可信的业务上下文。Snowflake Business Ontology 为企业搭建受治理的底座,统一存放业务术语的标准定义。ThoughtSpot 依托 Spotter 持续采集业务用户的实践知识,对这套基准上下文做补充拓展,为用户提供准确可解释的结论与可执行建议。双方协同,助力客户满怀信心地规模化推进智能体驱动型分析。”

借助 Business Ontology,将知识沉淀为统一的企业资产

人员会换岗,工具会被替换,数据模型也会演变。而隐藏其后的知识,常常在这个过程中流失。借助 Business Ontology,企业可以把这类知识转化为可持续复用的企业资产,为每一项定义配置明确责任人人,并关联对应的计算来源。这样一来,后续新增的智能体或应用,都可以直接复用企业已沉淀的业务认知。

常见问题

什么是 Snowflake Business Ontology?

Business Ontology (即将开启公开预览)是 Snowflake Horizon Context 内的业务建模与治理层。企业可借助它定义业务概念、指标以及彼此之间的关联,所有定义独立于任意单一数据模型。每一项定义都会记录责任人和审批状态,同时关联承载该定义的语义视图、数据表与视图。基于这套管控规则,只有已获批的定义才会提供给 CoCo 和 CoWork 中的 AI 智能体,因此智能体依据的是企业认可的含义,而不必在相互竞争的实现之间做选择。

为什么 AI 智能体需要业务上下文?

受治理的业务上下文,可以让智能体按照企业统一的业务口径解读数据,进而输出更准确的结果。智能体虽然可以调取数据,但本身无法自主理解业务术语的含义,也无法理解各类业务概念之间的关联。它们需要上下文,也就是一组经过审批的参照,告诉它们该采信哪个定义、遵循哪些策略、纳入哪些企业知识。如果缺少这些上下文,智能体只能猜测含义和相关数据源,对同一个问题可能给出不同的答案。

Business Ontology 与 Semantic Views 有何不同?

Business Ontology 聚焦业务语义层,用来定义业务术语的含义、责任归属,以及术语和其他概念之间的关联。Semantic Views 聚焦数据计算层,用来规定指标的计算方式,把指标、维度和关联条件封装成可查询对象,供智能体、BI 工具和 SQL 直接调用。依托这样的分层设计,即便不同语义视图中存在等价指标,Business Ontology 也能把它们统一关联到同一份经过审批的共享定义上。

业务定义能否在 Snowflake 与其他工具之间流转?

可以。Business Ontology 兼容 Apache Ossie(孵化中)、资源描述框架(RDF)等开放格式,支持业务概念、定义以及关联关系的导入与导出。依托这一能力,团队能够在其他工具中复用已审批的业务知识,无需重复定义。Semantic Views 同样支持 Ossie 定义的导入导出,指标口径也无需重复搭建。除此之外,部署在 Snowflake 之外的智能体,还可以通过 Model Context Protocol 查询 Semantic Views,全部访问权限由 Horizon Catalog 统一管控。

原文地址:https://www.snowflake.com/en/blog/business-ontology-context/?utm_campaign=Event:+Expedition&utm_content=1793717503&utm_medium=Snowflake&utm_source=linkedin#snowflake-blog-author-chip-title

点击链接立即报名注册:https://www.snowflake.com/events/snowflake-ascent-china/更多 Snowflake 精彩活动请关注专区