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！
我们很多人的成长经历里，家里的书架上都摆着一套百科全书。它们被视为权威，几乎什么问题都能从中找到答案。但其中的内容往往很快就会过时。比如，冥王星早已不再是第九大行星，很多年后我们却仍会在百科全书里看到它被这样列出；而我们想查找的大量内容，也根本没有被收录其中。随着我们长大，Wikipedia 成了新的百科全书，而且它的运行方式正好相反。尽管一些老师一开始提醒我们不要相信它，但它最终几乎覆盖了一切，并且始终保持更新。
企业数据却从未完成这样的转变；我们仍然试图用过去编写百科全书的方式来记录企业数据：由少数专家写下每样东西的含义，但这项工作永远做不完，也会随着业务变化逐渐落后。
我们 Snowflake 自己的产品数据团队曾着手让我们的表对 Agent 变得可读，为此添加了 semantic views，让 Agent 从经过整理、受治理的定义中读取信息，而不是自行猜测。在产品侧，我们推出了 Semantic View Autopilot，以更快地生成这些 semantic views。这确实有所帮助，但即便如此，我们覆盖的也只是冰山一角。在 9,685 张表中，覆盖率不到 5%。只要问题落在这 5% 范围内，就能得到很好的答案；但人们实际提出的大多数问题都落在范围之外，要么对应的是没人记录过的表，要么涉及的是太新的数据，还来不及存在任何 semantic view。
假设你的公司两周前刚刚推出了一项按用量计费的新定价方案。支撑它的表可能只有几天历史。如果一位 PM 直接向 Agent 提问：“这个新方案上线以来表现如何？”那么，一个仅依赖 semantic views 的 Cortex Agent 会拒绝回答。而你的团队可能已经在依赖的其他 Agent，无论是 Snowflake CoCo、Cursor 还是 ChatGPT，都可能会直接查询这些新数据，不管它们是否已经存在 semantic view，这可能会导致 Agent 给出自信但错误的答案。
Cortex Sense（即将进入 private preview）旨在与 semantic views 协同工作，而不是取代它们。在你需要受治理、一致性答案的地方，semantic view 仍然是黄金标准，Cortex Sense 也会将其视为权威信号。而在数据资产的其余部分，它会自行构建这种理解。
它会构建出与 semantic view 类似的理解，并且更进一步：它会建立一个关于整个业务的工作模型，而不只是你的表目录。它会基于业务已经产生的信号自动完成这件事，比如分析师过去运行过的查询、转换工具中定义的模型，以及 BI 中已经存在的指标。大量这类上下文将通过 Snowflake Horizon Connectors 接入。
Cortex Sense 不是一个需要你维护的第二套记录系统，而是一个托管式解决方案，用来提高 Agentic 查询的准确率下限。
为了建立基准，我们在 Snowflake 内部数据上，用产品分析问题对 Agent 进行了评估。这些问题需要跨表 join、查找指标公式，并理解过滤条件的约定。我们的数据团队发现，在没有任何上下文层的情况下，AI 的准确率约为 25%。这与 Anthropic 独立测得的结果非常接近，后者仅为 21%。
没有 Cortex Sense 时，CoCo 会分别检查每一张表和每一个 schema，试图理解它们的用途。有了 Cortex Sense，它会准确知道应该去哪里查、应该查询什么。
由于这些知识是自动挖掘出来的，而不是人工编写的，一个合理的担忧是：它可能会在没人察觉的情况下自信地出错。Cortex Sense 会通过一个自我校正循环来缓解这一问题，不断识别自身知识中的缺口和冲突。你可以通过 CoCo 开启 Cortex Sense，它会基于你连接的来源构建初始基线。此后，它会通过有针对性的评估持续改进。你会向它输入带有已知正确答案的问题，它会利用每一次不匹配来修正自己的理解。这些评估输入将来自三个来源：你自己的黄金标准基准集、用户反馈，以及系统自身针对覆盖薄弱区域提出的建议。
Snowflake CoCo 展示了 Cortex Sense 的 eval 结果。（本插图中列出的信息均为虚构，并非基于真实客户或 Snowflake 数据。）
当 eval 暴露出缺口时，Cortex Sense 会选择自我 grounding，而不是猜测。回到前面关于新方案上线后表现的问题，如果它捕捉到了两个互相冲突的“upgrade”定义，它不会让这种歧义继续留在自己的知识中。它会把冲突呈现给 Cortex Sense builder，并请求人类做出裁定。我们发现，强制系统对上下文保持这种程度的诚实，是它与检索增强生成（RAG）这类系统的区别所在。RAG 往往只是检索到什么就拿什么。当某次评估因任何原因失败，或者系统检测到信息冲突时，Cortex Sense 会反思原因，并尝试更新自己的理解。如果它无法自行解决，就会请求帮助。例如，当我们开始在内部测试 Cortex Sense 时，它发现了几十种不同的日活跃用户定义。每个团队都有自己计算这个指标的体系，所以当它向我们询问时，我们只需要用自然语言告诉它，哪个指标对应哪个团队即可。
当信号之间发生冲突时，Cortex Sense 会像网页搜索对页面排序一样，对它们进行排序：依据相关性、权威性、流行度和新鲜度。由受治理的 semantic view 支撑的指标定义，比从少量查询中推断出的定义更具权威性；在 500 条生产 SQL 语句中出现的 join 模式，比只在 3 条语句中出现的模式权重更高；上个月更新过的定义，也会优先于两年前的定义。
我们通常会听到的一个关于 Cortex Sense 的问题是：我们将如何管理对上下文的访问权限。Cortex Sense 只会摄取元数据和使用模式，而不会摄取你的实际数据行。但和所有其他 Snowflake 对象一样，访问权限将通过 Snowflake 现有治理体系按角色限定。我们即将启动 private preview，初期会允许用户指定一个角色来访问全部 Cortex Sense；未来我们计划扩展到按角色区分上下文，这样你的市场团队和财务团队将能够访问不同的上下文。
当我们首次将这套系统发布给内部数据科学家使用时，它在一个早期内部 eval 集上，基于人们已经投入到 hand-curated semantic views 中的工作，达到了与这些手工整理的 semantic views 相当的表现。此后，它在两个方面实现了超越：一是定义已经过时的场景，二是现有 semantic views 尚未覆盖的领域。在这个评估集上，得益于近期查询历史等信号，它比人类表现高出 10 个百分点。
为了验证 Cortex Sense 是否会带来价值，我们在一组高难度问题上进行了基准测试，对比对象包括：一个可通过 model context protocol（MCP）直接访问 SQL 执行能力的前沿 coding agent、vanilla CoCo（它在需要时具备检索相关 semantic views 的能力），以及由 Cortex Sense grounding 的 CoCo。在我们的 benchmark 上，Cortex Sense 将准确率从 24.1% 提升到了 86.3%。此外，与前沿 Agent 相比，Cortex Sense 将每次查询成本从 1.76 美元降至 0.59 美元，因为它避免了 Agent 手动检查每一张表。前沿 Agent 往往会对几十个对象运行 DESCRIBE TABLE，浪费 token 并增加延迟。Cortex Sense 带来的成本收益会被初始的一次性索引成本部分抵消（该成本取决于需要索引的数据量），但总体而言，我们发现前期索引成本可以随着后续单次查询成本降低而逐渐收回。
基于 2026 年 6 月的内部测试结果和成本计算
搭建 Cortex Sense 只用了 1 天，而不是这类项目通常需要的数月时间，因为不需要等待咨询服务介入，也不需要手工构建。由于无需再编写新的 semantic views，你只需要连接来源即可开始使用，不必花费数天时间进行整理。持续维护模式也有所不同。随着你的数据资产不断演进，Cortex Sense 会按照持续刷新节奏自动捕捉信号。如果你确实想更新它的知识，修正流程也是对话式的。你只需要用自然语言解释正确的定义，它就会更新自己的模型。
当百科全书让位于 Wikipedia 时，突破并不在于人们知道了更多，而在于知识不再是由专家定期发布的东西，而是开始自行演进。企业上下文正处在同样的时刻：在需要受治理、一致性答案的地方，semantic views 仍然是黄金标准，但它们不应该是 AI 学习你业务的唯一方式。Cortex Sense 将从你已经产生的信号中学习，并随着业务变化持续改进。
我们非常兴奋能把这款产品分享给全世界。Cortex Sense 将于 7 月中旬进入 private preview。如果你希望获得早期访问权限，请联系你的 Snowflake 客户代表。
原文地址：https://www.snowflake.com/en/blog/enterprise-ai-agents-grounded-context/
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。
