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！
请勿仅限于查询数据——让数据主动为你服务。本文提供一份实用指南，剖析一个简洁的 Snowflake 智能体架构设计，并通过逐步的代码实现，帮助你构建出第一个自治数据助手。
前言
多年来，构建智能数据系统往往意味着编写数以百计的模型、数据流水线、存储过程以及编排脚本。面对每一个新的业务问题，都需要开发新的转换逻辑、新的仪表盘或新的工作流。即使基于现代数据平台，开发模式本质上仍未改变：人工定义每一个步骤，系统机械地执行指令。
如今，这一模式正发生根本性转变。
AI 智能体引入了一种全新范式——系统能够将数据平台作为执行环境，自主进行推理、规划与行动。开发者不再需要手工编写每一条转换逻辑，而是转而定义目标、工具与防护边界，由智能体自主决定如何完成任务。
Snowflake 凭借其数据、计算与 AI 一体化的统一架构，在推动这一转型中占据独特优势。
重要说明：
本文旨在阐述 AI 智能体的基本概念、其重要性，以及它们将如何从根本上改变我们在 Snowflake 平台上构建数据系统的方式。
本文内容为后续深入探讨 Cortex Agents 系列功能的前置基础。
在后续系列文章中，我将演示如何利用全新的 Cortex Code / Cortex Code CLI，以显著更快的速度构建并部署 Cortex 智能体。我们将跳过繁琐的样板代码，直接实现从自然语言到生产就绪型智能体的高效转化。
传统模式：以脚本为中心的数据工程
在典型的 Snowflake 部署中，解决一个业务问题需要多层的手动实现：
示例：自主产品优化智能体
为了回答一个高价值的业务问题——“如何根据客户反馈和成功产品模式来提升产品销售？”——你可能需要执行以下步骤：
从评论、工单和调研中摄取客户反馈；
将反馈与产品目录、定价和销售业绩数据关联；
识别高绩效产品与低绩效产品之间的模式；
检测与定价、命名、描述和质量相关的信号；
生成产品改进建议；
确定哪些变更可以安全地自动应用；
将非数据库变更（例如质量改进）流转至相关利益方；
跟踪变更对销售业绩的影响。
每个步骤都涉及：
SQL 模型；
存储过程；
计划任务；
Python 脚本；
告警配置。
随着时间的推移，这会导致：
成百上千的模型堆积；
脆弱的数据管道；
高昂的维护开销；
缓慢的迭代周期。
这种方法虽然是确定性的——但却是僵化的。
每个新问题都需要编写新代码。
什么是 AI 智能体？
AI 智能体是一个能够执行以下操作的系统：
理解目标；
推理如何实现目标；
使用可用工具；
执行动作；
观察结果；
迭代直至完成。
与执行预定义脚本不同，智能体会动态决定采取何种行动。
智能体由三个核心组件构成：
1. 大脑（大语言模型 LLM）
推理引擎，负责：
解读用户意图；
将问题分解为步骤；
决定使用哪些工具；
评估执行结果。
2. 工具
智能体可以调用的能力，例如：
查询 Snowflake 表；
执行 SQL；
调用存储过程；
触发工作流；
创建仪表盘；
写入数据；
扩展新技能，如连接 GitHub、Jira、电子邮件、网页等。
3. 记忆与上下文
智能体可获取的信息：
数据库模式与元数据；
查询结果；
业务定义及其他任何可访问的信息。
这些组件共同作用，使智能体能够在你的数据平台中自主运行。
关键转变：从定义步骤到定义能力
传统方法：
人工定义步骤 → 系统执行步骤智能体方法：
人工定义目标与工具 → 智能体自主规划步骤 → 系统执行这是一次根本性变革。
无需编写数十个模型与代码，只需开放能力接口：
“查询反馈数据”；
“核验成功产品”；
“修改产品属性”；
“发送邮件”；
“提出销售优化建议”。
智能体将动态编排这些能力。
本演示实现目标
本演示展示原生运行于 Snowflake 中的 AI 智能体如何自主完成以下闭环：分析产品反馈与销售数据、识别产品性能优化机会、提议或触发操作——全程无需预设管道或人工干预分析。
步骤-1：环境配置
在开始前，请先构建 Snowflake 演示环境：
/********************************************************************************* * SNOWFLAKE AGENT RUNTIME DEMO: Product Optimization Logic * This script creates the Database, Security, Demo Data, and AI Views. *********************************************************************************/--- 1. INFRASTRUCTURE & SECURITY SETUP ----- Execute as ACCOUNTADMIN to handle role and warehouse creationUSE ROLE ACCOUNTADMIN;-- Create a dedicated Warehouse for AI workloadsCREATE WAREHOUSE IF NOT EXISTS product_agent_wh WITH WAREHOUSE_SIZE = 'SMALL' AUTO_SUSPEND = 60 AUTO_RESUME = TRUE; -- Create the Agent RoleCREATE ROLE IF NOT EXISTS product_agent_role;GRANT USAGE ON WAREHOUSE product_agent_wh TO ROLE product_agent_role;-- Grant access to Snowflake Cortex (AI Functions)GRANT ROLE SNOWFLAKE.CORTEX_USER TO ROLE product_agent_role;-- Assign the role to current user (replace 'CURRENT_USER' if needed)SET my_user_var = CURRENT_USER();GRANT ROLE product_agent_role TO USER IDENTIFIER($my_user_var);--- 2. DATABASE & SCHEMA SETUP ---CREATE OR REPLACE DATABASE product_intelligence;CREATE OR REPLACE SCHEMA analytics;-- Give the Agent role full access to the new schemaGRANT ALL PRIVILEGES ON DATABASE product_intelligence TO ROLE product_agent_role;GRANT ALL PRIVILEGES ON SCHEMA product_intelligence.analytics TO ROLE product_agent_role;-- Switch to the Agent Role for the remainder of the setupUSE ROLE product_agent_role;USE WAREHOUSE product_agent_wh;USE DATABASE product_intelligence;USE SCHEMA analytics;--- 3. TABLE CREATION ----- Product CatalogCREATE OR REPLACE TABLE products ( product_id INT, product_name STRING, category STRING, price FLOAT);-- Sales Transactions (Weekly Aggregates)CREATE OR REPLACE TABLE sales ( product_id INT, week DATE, sales_amount FLOAT);-- Customer Reviews (Unstructured Data)CREATE OR REPLACE TABLE reviews ( product_id INT, rating INT, review_text STRING);--- 4. UPDATED DATA INGESTION (Demo Set) ---INSERT INTO products VALUES (101, 'Eco-Friendly Yoga Mat', 'Fitness', 50.00), (102, 'Old-Gen Wireless Earbuds', 'Electronics', 85.00), (103, 'Basic Office Desk', 'Furniture', 120.00), -- New additions (104, 'Titanium Coffee Press', 'Kitchen', 195.00), -- High Price Failure (105, 'Premium Leather Keychain', 'Fashion', 45.00), -- High Price Failure (106, 'Device Stand X-99', 'Electronics', 15.00); -- Name/Boring Failure-- Updated Sales: Adding drops for the new itemsINSERT INTO sales VALUES (101, '2026-02-01', 5000.00), (101, '2026-02-08', 5200.00), (102, '2026-02-01', 8000.00), (102, '2026-02-08', 1500.00), (103, '2026-02-01', 3000.00), (103, '2026-02-08', 2950.00), (104, '2026-02-01', 4000.00), (104, '2026-02-08', 800.00), (105, '2026-02-01', 1200.00), (105, '2026-02-08', 200.00), (106, '2026-02-01', 900.00), (106, '2026-02-08', 850.00);-- Updated FeedbackINSERT INTO reviews VALUES (101, 5, 'Best mat I have ever owned! Grip is perfect.'), (102, 1, 'Battery dies after 10 minutes. Absolute trash.'), (104, 2, 'It looks beautiful, but $195 for a coffee press is insane. Way too high.'), (104, 1, 'Does not work.'), (105, 2, 'It is just a small piece of leather. $45 is a high price for a keychain.'), (105, 3, 'Bad quality.'), (106, 3, 'Functional, but the name X-99 is so boring. Hard to find in search.');USE ROLE ACCOUNTADMIN;-- Create the integration to allow the Agent to send emailsCREATE OR REPLACE NOTIFICATION INTEGRATION product_alert_email TYPE = EMAIL ENABLED = TRUE ALLOWED_RECIPIENTS = ('product-team@yourcompany.com'); -- TODO: Replace with your actual email -- Grant the agent role permission to use this email toolGRANT USAGE ON INTEGRATION product_alert_email TO ROLE product_agent_role;为什么 Snowflake 是智能体的理想运行环境
Snowflake 在架构层面具备多项优势，使智能体系统能够发挥更强大的能力。
1. 数据与计算的一体化融合
智能体可直接访问以下内容：
结构化数据；
半结构化数据；
元数据。
无需在系统之间迁移数据，从而消除延迟、降低复杂性并规避安全风险。
2. SQL 作为通用执行语言
SQL 提供了一种安全、声明式的交互接口，智能体能够生成并执行 SQL 语句。
这使得 Snowflake 成为承载智能体推理任务的理想执行层。
3. 原生 AI 能力集成
Snowflake 内置 AI 功能，可供智能体直接调用：
文本理解；
嵌入向量；
语义搜索；
代码生成。
这些能力使智能体能够在 Snowflake 内部直接完成推理计算。
4. 安全且受控的执行环境
智能体的所有操作均在 Snowflake 的安全框架内运行：
基于角色的访问控制；
数据脱敏；
审计日志。
这确保了自主运行过程的安全性与合规性。
示例：传统产品优化与智能体驱动产品优化对比
传统实现方式
您需要构建：
反馈数据采集与标准化流水线；
特征提取与情感分析工作流；
反馈数据与销售业绩的关联性分析；
人工推荐与审批工作流；
用于评估变更影响的监控仪表盘。
总执行时间： 数周至数月。
维护成本： 持续进行。
智能体驱动实现方式
您仅需定义工具：
query_product_feedback() （查询产品反馈）；
analyze_successful_products() （分析成功产品）；
propose_database_change() （提议数据库变更）；
send_email_recommendation() （发送邮件建议）。
然后赋予智能体一个目标：
“分析客户反馈及成功产品数据以提升销量。针对数据库层面的变更提出审批建议，针对非数据库层面的改进（如产品质量）发送建议邮件。”
智能体执行流程：
读取客户反馈与产品性能数据；
识别成功产品之间的共性模式；
确定改进机会点；
提出数据库层面的变更建议，例如定价、命名或描述调整；
针对需运营介入的产品质量改进，自动发送邮件。
总执行时间： 数小时至数日。
维护成本： 极低。
Snowflake 中智能体系统的架构
典型架构包含以下层次：
用户↓智能体（大语言模型）↓工具层↓Snowflake↓数据 + 计算资源详细执行流程：
用户请求↓智能体解析目标↓智能体检视可用工具↓智能体生成 SQL 代码↓Snowflake 执行查询↓智能体评估返回结果↓智能体决策下一步动作↓最终输出或执行操作Snowflake 在该架构中兼具双重角色：
记忆层（数据存储与管理）；
执行层（计算与逻辑执行）。
脚本膨胀时代的终结
传统开发范式导致代码量呈指数级增长。
每新增一个问题，就意味着要添加新的处理流水线。
而基于智能体的系统正扭转这一趋势。
不再需要：
数以百计的脚本；
数以百计的模型。
转而只需定义：
工具集；
策略规范；
护栏机制。
由智能体负责具体执行。
这将显著降低系统的整体复杂度。
开发者角色的演进
数据工程师的职能重心发生转移：
此前：
编写数据转换逻辑；
构建数据流水线；
维护任务编排调度。
此后：
定义工具能力；
设计数据结构模式；
设定治理策略；
引导智能体行为。
开发者的工作重心，正从编写具体执行步骤转向设计系统运行规则。
挑战与考量因素
智能体系统引入了一系列新的设计考量。
护栏机制
智能体必须在定义的边界内运行。
可观测性
必须跟踪智能体的行为轨迹。
工具设计
精心设计的工具能够提升智能体的可靠性。
成本控制
智能体的执行过程必须受到监控。
Snowflake 为应对这些考量提供了强大的底层原语支持。
为何至关重要
我们正在经历以下转变：
脚本驱动系统 → 目标驱动系统
Snowflake 正从一个数据仓库演进为面向自治数据系统的执行平台。
基于 Snowflake Cortex 智能体的具体实现
Snowflake Cortex 引入了原生原语，使得完全在 Snowflake 内部构建智能体成为可能。
这些原语赋予智能体以下能力：
理解自然语言；
生成 SQL 语句；
执行操作；
对结构化与非结构化数据进行推理。
下面我们来看一个具体实现案例。
回到演示示例…
步骤 1：将数据暴露为智能体可访问的上下文
示例：将产品反馈数据与销售数据暴露给智能体。
CREATE OR REPLACE VIEW product_improvement_insights AS -- might be better to have a tableSELECT p.product_id, p.product_name, p.price, s.week, SUM(s.sales_amount) AS total_sales, -- Calculate Sales Delta (the 'drop') SUM(s.sales_amount) - LAG(SUM(s.sales_amount)) OVER ( PARTITION BY p.product_id ORDER BY s.week ) AS sales_delta, -- AI-driven Sentiment and Summarization AVG(rating) AS avg_rating, SNOWFLAKE.CORTEX.SENTIMENT(LISTAGG(r.review_text, ' ')) AS sentiment_score, SNOWFLAKE.CORTEX.SUMMARIZE(LISTAGG(r.review_text, ' ')) AS feedback_summaryFROM products pJOIN sales s ON p.product_id = s.product_idJOIN reviews r ON p.product_id = r.product_idGROUP BY ALL;这将成为智能体可访问记忆的一部分。
步骤 2：使用 Cortex 实现自然语言推理
Snowflake Cortex 提供内置的 LLM 推理功能。
示例：要求 Cortex 分析销售驱动因素。
-- THE AGENT EXECUTION (Reasoning over the new data) ---SELECTproduct_name, price, sales_delta, sentiment_score, feedback_summary, SNOWFLAKE.CORTEX.COMPLETE('llama3-70b', CONCAT('Context: The product ', product_name, ' (Price: $', price, ') has a sales drop of $', sales_delta, '. Customer feedback: ', feedback_summary, '. Task: If the price is the main complaint, suggest a specific new price. If the name is the issue, suggest a catchy new name. If the probelm is with the product quality send an email to the product team with short explanation of the issue' ) ) AS agent_recommendationFROM product_improvement_insightsWHERE sales_delta < 0 ORDER BY sales_delta ASC;Cortex 能够：
解读意图；
生成推理过程；
推荐执行动作。
步骤 3：将智能体工具创建为存储过程
智能体通过工具与 Snowflake 进行交互。
工具示例：
USE ROLE product_agent_role;CREATE OR REPLACE TASK product_optimization_task WAREHOUSE = product_agent_wh SCHEDULE = '10 MINUTE'ASEXECUTE IMMEDIATE $$DECLARE -- Cursor for underperforming productsFOR record IN c1 DO -- 1. Assign cursor values to flat variables v_product_name := record.product_name; v_sales_delta := record.sales_delta; v_feedback := record.feedback_summary; -- 2. NEW: Check if we have already handled this product today -- This prevents duplicate emails and logs every 10 minutes LET already_logged INTEGER := ( SELECT COUNT(*) FROM agent_action_log WHERE product_name = :v_product_name -- Optional: Only skip if logged in the last 24 hours -- AND action_date > DATEADD('day', -1, CURRENT_TIMESTAMP()) ); IF (already_logged = 0) THEN -- 3. Build the prompt v_prompt_text := 'Context: ' || v_product_name || ' sales dropped by $' || v_sales_delta || '. Feedback: ' || v_feedback || '. Task: Determine if this is a Product Quality issue. ' || 'If YES, write an email to the product team about the issue ' || 'starting with "SUBJECT: PRODUCT ISSUE". ' || 'If NO, suggest a fix starting with "FIX:"' || 'You can suggest a new price or a new name for the product'; -- 4. Call Cortex LLM v_agent_output := (SELECT SNOWFLAKE.CORTEX.COMPLETE('llama3-70b', :v_prompt_text)); -- Here is a good place where we will add our guardrails -- 5. Take Action: Send Email IF (v_agent_output ILIKE '%SUBJECT: PRODUCT ISSUE%') THEN CALL SYSTEM$SEND_EMAIL( 'product_alert_email', 'product-team@yourcompany.com', -- TODO: Change to your email!! 'Urgent Action Required: ' || :v_product_name, :v_agent_output ); END IF; -- 6. Log the results INSERT INTO agent_action_log (product_name, action_date, details) VALUES (:v_product_name, CURRENT_TIMESTAMP(), :v_agent_output); END IF; -- End of the "already logged" check END FOR;END;$$;-- Activate the TaskALTER TASK product_optimization_task RESUME;-- 1. Switch to Account Admin to grant the global privilegeUSE ROLE ACCOUNTADMIN;-- 2. Grant the ability to execute tasks to your specific roleGRANT EXECUTE TASK ON ACCOUNT TO ROLE product_agent_role;-- 3. Switch back to your agent roleUSE ROLE product_agent_role;-- 4. Now you can manually trigger it for testingEXECUTE TASK product_optimization_task;USE ROLE product_agent_role;-- You canmonitor the task by-- Check the last 10 runs of your taskSELECT * FROM TABLE(INFORMATION_SCHEMA.TASK_HISTORY( TASK_NAME => 'PRODUCT_OPTIMIZATION_TASK', RESULT_LIMIT => 10 ))ORDER BY QUERY_START_TIME DESC;这将成为智能体的一项可调用能力。
步骤 4：检查任务结果
智能体发送的电子邮件示例
我们的操作记录表：
SELECT product_name, -- action_date, -- Label if it was an Email or a Price/Name fix CASE WHEN details ILIKE '%SUBJECT:%' THEN '📩 Email Sent' WHEN details ILIKE '%FIX:%' THEN '🏷️ Price/Name Update' ELSE '🤖 General Advice' END AS category, details AS agent_thought_processFROM agent_action_logGROUP BY product_name, details;
步骤 5：完成后不要忘记暂停任务
/********************************************************************************* * SUSPEND AGENT: Stop the 10-minute cycle *********************************************************************************/USE ROLE product_agent_role;-- Stop the task from executing furtherALTER TASK product_optimization_task SUSPEND;-- Verify the state is now 'suspended'DESCRIBE TASK product_optimization_task;步骤 6：环境清理与销毁
/********************************************************************************* * TEAR DOWN: Clean up the Snowflake Agent Runtime Demo *********************************************************************************/USE ROLE ACCOUNTADMIN;-- 1. Stop and Remove the Task (Prevents further compute charges)DROP TASK IF EXISTS product_intelligence.analytics.product_optimization_task;-- 2. Drop the Database (This removes all tables, views, and logs)DROP DATABASE IF EXISTS product_intelligence;-- 3. Remove the Email Integration -- (Note: Only do this if no other systems are using it)DROP INTEGRATION IF EXISTS product_alert_email;-- 4. Clean up Security and ComputeDROP WAREHOUSE IF EXISTS product_agent_wh;DROP ROLE IF EXISTS product_agent_role;-- 5. Confirm CleanupSHOW DATABASES LIKE 'PRODUCT_INTELLIGENCE';SHOW WAREHOUSES LIKE 'PRODUCT_AGENT_WH';“智能体规模”
在 AI 世界中，存在着一系列不同程度的自主性：
级别 1：增强型脚本（本文演示的内容）： 流程呈线性（循环 → 推理 → 行动），但决策的内容由 AI 驱动；
级别 2：工具调用智能体（Cortex Search/Analyst）： 智能体接收提示词和一组工具（函数），并自行决定以何种顺序调用哪个工具；
级别 3：完全自主： 智能体监控自身性能，并自行调整 SQL 查询以发现更深入的洞察。
参考架构：Snowflake 上的智能体系统
以下参考架构展示了智能体如何与 Snowflake 集成。
┌─────────────────────┐ │ 用户 / 应用 │ └──────────┬──────────┘ │ ▼ ┌─────────────────────┐ │ AI 智能体 │ │ （推理层） │ └──────────┬──────────┘ │ ┌────────────────┼──────────────────┐ ▼ ▼ ▼┌──────────────┐ ┌──────────────┐ ┌──────────────┐│ Cortex LLM │ │ Cortex │ │ 工具层 ││ COMPLETE() │ │ Analyst │ │（存储过程） │└──────┬───────┘ └──────┬───────┘ └──────┬───────┘ │ │ │ └────────────────┴─────────────────┘ │ ▼ ┌─────────────────────┐ │ Snowflake │ │ 执行层 │ └──────────┬──────────┘ │ ┌───────────── ─ ┼─────────────────┐ ▼ ▼ ▼ 结构化数据 使用元数据 非结构化数据核心架构原则：
Snowflake 是执行引擎
智能体生成 SQL，由 Snowflake 负责执行。
Cortex 是推理引擎
提供理解、规划和决策能力。
工具是控制层
提供安全、受管控的操作。
数据是记忆层
智能体直接在 Snowflake 数据之上进行推理。
高级模式：完全自主的 Snowflake 智能体
一个生产级智能体通常包含以下部分：
规划层
使用 Cortex COMPLETE() 函数来规划行动步骤。
执行层
通过以下方式执行：
SQL；
Snowpark；
存储过程。
评估层
能体对执行结果进行评估。
行动层
智能体触发以下动作：
告警；
表更新；
工作流执行；
其他技能调用。
愿景：数据系统的最终形态
我们正迈向一个未来：
在这个未来中，你无需构建数据流水线。
你只需定义：
数据；
工具；
策略。
其余的一切交由智能体处理。
这将彻底改变可扩展性的衡量标准。
一名工程师即可独立构建端到端的工作流。
Snowflake 已不再仅仅是一个数据仓库。
它是面向数据智能体的操作系统。
替代方案与后续步骤
既然你已经构建了一个基础智能体，现在可以借助 Snowflake 最新的 AI 功能，将其从手动原型升级为自动化、企业级的系统。
从手工编写 SQL 转向使用 Cortex Analyst
无需自行编写 SQL 生成逻辑，你可以将 Cortex Analyst 作为工具调用。通过向其提供一个语义模型（一份描述数据关系的 YAML 文件），Cortex Analyst 能够以超过 90% 的准确率处理自然语言到 SQL 的转换，确保你的智能体不会在关联逻辑上产生幻觉。
利用 Cortex Code 加速开发
为了加快构建过程，请使用 Cortex Code CLI。它在本地环境中充当“AI 编码智能体”的角色：
智能体优化技能： 你可以直接向 Cortex Code 下达指令：“使用智能体优化技能，创建一个使用我的语义视图的 Cortex 智能体。” 它将自动生成工具定义和编排指令；
验证与调试： Cortex Code 可以分析执行轨迹，识别工具失败的原因，并提出具体的 SQL 或语义模型修复建议。
通过 Snowpark 与 SPCS 实现扩展
随着智能体复杂度的增加（例如，需要调用外部 API 或运行自定义 Python 库），请将代码移出存储过程：
Snowpark (Python)： 适用于复杂的数据操作以及集成 LangGraph 等大语言模型框架；
Snowpark 容器服务 (SPCS)： 对于需要自定义 Docker 环境或 GPU 加速处理的长运行、有状态智能体，这是最佳选择。
从“顾问”演进为“执行者”（带护栏机制）
智能体的终极演进形态是主动执行而非被动建议。你可以设置智能体运行其生成的 SQL 来实时修复数据问题。然而，“行动型智能体”需要严格的 Cortex 护栏：
语义过滤 (AI_FILTER)： 确保生成的名称不包含冒犯性内容；
阈值限制： 设定逻辑防止智能体单次修改价格超过 2%，或在每周内多次修改价格。
深入使用 Snowflake Intelligence 与智能体
既然你已掌握智能体流程的基本概念，是时候深入探索 Snowflake 的 Create Agent（创建智能体）功能了。
结论
智能体从根本上改变了我们构建数据系统的方式。
我们不再需要编写成百上千个模型和脚本，而是直接定义目标与能力。
Snowflake 为智能体架构提供了理想的基础，这得益于其：
统一的数据与计算；
安全的执行环境；
原生的 AI 能力；
基于 SQL 的执行方式。
其结果是：系统更简洁、迭代更快速，杠杆效应显著提升。
这并非渐进式改进，
而是构建数据应用的全新范式。
数据工程的未来不在于编写流水线，
而在于构建智能体。
后续预告
在下一篇博客中，我将介绍如何使用 Cortex Agents 创建一个新的 Snowflake 智能体，并演示如何通过 Snowflake Intelligence 与其进行对话。
如需获取更多 Snowflake 相关文章的更新，欢迎在 Medium 上关注我的主页： Eylon’s Snowflake Articles
作者： Eylon Steiner
Infostrux Solutions 工程经理，Snowflake 数据超级英雄
LinkedIn：Eylon Steiner
订阅 Infostrux Medium 博客： https://blog.infostrux.com —— 获取最深入的数据工程与 Snowflake 资讯。
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。
