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！
你有没有想过，在任意一秒钟里，一个巨大的数据平台内部究竟在发生什么？
对很多公司来说，数据基础设施就像一个黑盒子：数以百万计的数据点被送进去，复杂查询在里面运行，然后报表被吐出来。但一旦系统变慢、成本飙升，或者某个关键 dashboard 突然空白，想找到根因就像在黑暗里摸索。
为了让这个问题更清晰地被看见，实时购物平台 Whatnot 在 Snowflake Summit 2026 上与 Snowflake 同台分享了他们的实践。他们展示了一套现代企业新蓝图：一边是传奇般的 hyper-growth 故事，一边是自动化 AI analysts 和极度清晰的平台监控。这个合作案例说明，现代数据工具可以在巨大的实时压力下，依然让客户体验保持顺滑、可靠且完全可见。
超高速增长的现实：数十亿事件，零容错空间
Whatnot 已经成长为全球增长速度最快的 marketplace 之一。仅在成立最初几年，其增长轨迹就已经超过历史上的电商巨头 eBay 和 Amazon。如今，它已经成为北美、英国、澳大利亚和欧洲领先的 live-shopping 平台。
下面这些指标，足以说明它的运营规模以及数据基础设施所承载的巨大负载：
2025 年全球 live GMV 达到 80 亿美元；
2025 年在各个市场新增账户超过 2000 万；
2025 年首次购买用户同比增长 285%；
每周举办超过 55 万小时的 livestreams，活跃观众在 app 内的日均停留时长超过 95 分钟；
在 2026 年承载了美国历史上最大的一场 live shopping stream：58.3 万并发观众，同时有 55.5 万用户在同一时刻参加同一场 giveaway。
在幕后，拍卖出价、聊天消息和交易每天都会产生数十亿条数据点。这些数据最终都汇聚到 Snowflake 中，用来驱动即时用户体验。
Whatnot 工程经理 Alice Leach 解释说：“在 Whatnot，数据不仅仅是用于历史报表，它直接驱动着 live app 的实时体验。如果一个客户在直播中买下一件商品，我们的 machine learning 算法必须在几分钟之内，而不是几天之后，就推荐相关商品。如果数据出现延迟，它会直接影响买家和卖家。”
最开始，Whatnot 依靠一个集中式数据团队和 dbt 来管理所有这些信息。但随着公司爆炸式增长，这种模式逐渐变成了瓶颈。为了解决这一点，Whatnot 转向了 modular data stack。借助 infrastructure as code (IaC)，每个业务单元，例如 fraud prevention 或 vendor analytics，都可以按需自行拉起专属的 Snowflake warehouses，并管理自己的 pipelines。
去中心化清除了组织上的堵点，但它也带来了新的难题：在让各团队拥有完全自由去运行自身数据 pipelines 的同时，如何仍然保持整个公司的可见性、成本控制和性能质量？
AI 方案：从提交数据请求，走向对话式分析
去中心化基础设施改善了工程侧效率，但也暴露出另一个“人”的瓶颈：data scientists。随着业务负责人越来越频繁地需要快速做日常决策，数据科学家被困在 endless loop 里，不断在 Slack 上回应 ad hoc 数据问题。
为了做到 “uncomfortably fast”，Whatnot 逐渐意识到，必须把数据使用门槛降到“只要会打字就能访问”的程度。
虚拟分析师的演进
Whatnot 把 analytics 的规模化过程分成了三个阶段：
2024：僵硬的 Slackbot。Whatnot 构建了一个 AI Slack bot（
@databot），自动生成 SQL。它能处理一些简单请求，但需要大量维护，也离不开持续的人类校验；2025：去中心化工具阶段。公司把 Snowflake semantic views 接入 Sigma 和 Glean 等多用途应用。通过将 Snowflake 与先进 LLM 结合，在内部测试中 text-to-SQL 准确率已经超过 90%，但整个生态仍缺少一个一致的 “front door”；
2026：agentic analytics 时代。Whatnot 推出了 Hex Threads，这是一个由 Snowflake Cortex Agents 驱动的定制化数据助手。用户不再需要知道具体数据库表在哪里，也不需要自己排查 SQL 报错，AI 会安全地扫描整个数据网络，作为对话式助手提供帮助。
业务影响
从笨重、手工式的数据提取走向 agentic AI，几乎重塑了公司内部文化：
广泛采纳：在上线后的 90 天内，Whatnot 1000 多名员工中已有超过 80% 在积极使用这套 agentic 方案；
普惠访问：17 个不同部门实现了 100% 的活跃使用率。像 performance marketing、talent acquisition 和 business operations 这样的团队，已经能够完全自助获取数据；
更深入的战略分析：团队不再只是拉静态列表，而是在用对话式 AI 完成更复杂的工作，例如追踪国际市场周趋势、对齐脏数据字段，以及构建 seller churn prediction models；
更快的业务与产品分析迭代：那些过去需要提前几周提出 ad hoc 数据请求的工作，现在已经压缩到“打字的速度”。这大幅减少了技术摩擦，让产品团队无需等待工程队列，就能完成 SQL execution checks、测试 feed-generation logic，并快速迭代 predictive models（例如 seller churn）。
Whatnot 也正在把这项能力开放给外部。通过 Whatnot Seller Hub，livestreamers 作为独立经营者运作。借助带有严格 row-level security 的 Cortex Agents，卖家可以直接用自然语言向 app 发消息，获取即时更新，例如：“Show me my top buyers in the last 30 days.”
技术基础设施：快速、可负担、可民主化的监控
当你允许数百名内部员工、以及成千上万名外部卖家自由查询数据并自行拉起 warehouses 时，接下来必然会遇到一个独特的运营挑战：如何控制失控成本和意外平台错误的风险。
为了在去中心化 AI 的高速演进中维持平衡，Whatnot 持续追求的目标，是建立一套足够快、足够省、同时又足够易读的监控体系。
打破日志瓶颈
过去，实时追踪平台健康状态非常痛苦。标准利用率日志通常会延迟 3 到 4 小时，完全来不及发现一条 live pipeline error。另一种办法，是每 15 分钟跑一次巨型诊断扫描，但这会迅速烧掉 compute budget，而且光是查看日志就需要相当高的 admin 安全权限。
为了解决这个问题，Snowflake 借助 Snowflake Trail 的 next-generation event tables，对原生 telemetry engine 做了全面升级。这次更新让 event ingestion 速度提升了 10 倍，也让团队不再因为开启全面日志而承受巨大的成本压力。
从复杂代码走向自然语言告警
过去，配置高质量系统告警，往往需要数据工程师写上百行复杂 SQL。这个技术门槛，几乎把业务分析师和运营经理排除在外。
现在，借助 Snowflake 的 AI-assisted observability workflows，用户只需要在 Snowsight UI 中对 CoCo 输入一条自然语言请求，就能搭建自动化基础设施监控，比如：
“Create an alert that detects when our warehouses experience performance anomalies or sudden cost spikes, and email me the summary daily.”
在幕后，内置 AI 会理解用户的业务意图、扫描相关平台视图、生成底层代码逻辑，并自动配置通知渠道。
下一步：认知卫生与主动式数据运营
随着 Whatnot 把目光投向未来，他们的终极目标已经不再只是诊断问题，而是主动防止问题发生。
不过，规模化 AI analytics 也让公司学到了一条重要教训：当技术摩擦被大幅降低后，组织摩擦会被放大暴露出来。当数据获取速度接近打字速度时，数据建模、ownership 和 metric definitions 里的问题会变得非常明显。此外，如果缺乏引导，去中心化 AI 系统也会出现 “agent sprawl”。
为了保持数据可信，Whatnot 在其 AI 网络中执行了一套严格的 epistemic hygiene 和 agent guidance 规范：
概率化表达：agents 默认必须使用带概率色彩的措辞，例如 “this likely reflects” 或 “the data is consistent with”，并被明确禁止使用诸如 “this proves” 或 “this clearly shows” 这样的确定性表达；
观察与解释分离：AI 必须明确区分原始数据事实和带主观判断的业务解释；
禁止盲目因果推断：agents 被严格禁止根据单纯的观察数据直接宣布因果关系，而是默认使用 “associated with” 或 “correlates with” 之类表述。
把这些严格的结构化 guardrails 与 Snowflake 即将推出的能力，例如用于集中式成本追踪的 Unified Observability Hubs 和 AI-driven smart alert recommendations，结合起来后，软件工程师、数据科学家和业务管理者之间的边界正在被有意地打破。
通过拥抱 modular data stacks、低成本实时 event logs 和对话式 AI，Whatnot 这样的公司正在把过去像黑盒一样的数据基础设施，变成真正的竞争优势。这意味着数据团队花在编写定制日志脚本上的时间会更少，而 live shoppers 则能获得稳定、流畅的实时体验。
文中所有统计数据均来自 Whatnot 内部分析，截至 2026 年 7 月 27 日。
原文链接：https://www.snowflake.com/en/blog/observability-at-scale-whatnot-snowflake-summit/
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
