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！
语义层并非新兴概念。早在二十一世纪初我便开始使用该技术，并在多项分析解决方案（尤其是企业数据仓库）中主导其设计、配置与实施。
我曾使用多种语义层工具，包括 IBM Cognos Framework Manager 及微软数据平台的各类语义层功能。
事实上，几乎所有“商业智能(BI)+自助服务”场景都涉及语义层的应用。
近年来，由于智能体 AI 发展的需求，语义层正迎来复兴浪潮。因此，本文将围绕 Snowflake 平台语境，提出 7 项利用语义层实现 AI 就绪的战略建议。
注：本文全篇手动撰写，内容基于我的行业经验与专业知识、相关研究，以及对客户需求与行业趋势的观察。
利用语义层提升 Snowflake 平台上 Cortex AI Analyst 的 AI 提示准确性。如图所示，本例中的语义层集成位于顶部：VWS_CUSTOMER_DETAILS。图片来源：Dan Galavan
要点一：理解语义层的传统作用
首先需要明确基本概念。
根据《牛津英语词典》的定义：“语义学是语言学和逻辑学中研究意义的分支。”
此外，维基百科将语义层定义为：
“……将复杂数据映射为熟悉的业务术语，例如产品、客户或收入。”
语义层能够为数据提供易于业务理解的、一致的解释视角，即一种抽象的“逻辑”视图。
数据抽象逻辑视图示例。图片来源：Dan Galavan
图中展示了一个抽象逻辑视图的示例，该视图在清晰描述数据的同时保持了更贴近业务用户需求的设计。
语义层可用于定义和配置以下内容：
标准化定义与含义
数据对象间的关系
指标
语义层过去乃至现在仍广泛应用于商业智能场景。这对数据治理具有重要价值，有助于提升业务逻辑的一致性、可复用性及可维护性。
要点二：了解人工智能为何推动语义层“复兴”
通过语义层提升 Snowflake 平台上 Cortex AI Analyst 的 AI 提示词准确性。图中顶部的 VWS_CUSTOMER_DETAILS 即为此类语义层集成示例。
核心观点：语义层有助于提升 Agentic AI 文本转 SQL 的准确性。
换言之，当我们用 AI 增强商业智能分析时，若采用自然语言+智能体与数据进行交互，则必须将自然语言转换为底层数据仓库的查询语言（通常为 SQL）。
语义层可将大型语言模型处理（常称为“推理”）与基于规则的定义相结合。规则定义承载了业务理解与业务逻辑。
语义层有助于管控不准确性风险（亦称“幻觉”），从而提升可信人工智能的可靠性。
要点三：数据建模是这一领域的关键技能
如前所述，语义层是数据的“逻辑”或抽象视图。因此，在使用语义层时，我们无需深入了解数据存储库的内部工作机制。
但在设计语义层时，必须有人完成以下任务：
确定使用哪些源数据库表及其他对象；
梳理这些对象之间的关联关系；
对语义层对象进行命名，确保其符合业务通俗性；
制定相应指标逻辑；
确认业务定义；
简而言之，有效建立从物理数据库到语义层的映射关系。
物理数据模型示意图。图片来源：Dan Galavan
实现上述目标的前提是理解数据。从实施层面来看，数据建模角色最适合承担此项工作，同时需要结合业务用户等领域专家的意见进行完善。
要点四：AI 增强型语义层设计与人机协同机制
Human in the Loop：评估来自 Snowflake AI Cortex Analyst 的 AI 生成语义层建议。 图片来源：Dan Galavan
尽管人工智能能够提出建议并增强语义层设计，但从质量保证的角度来看，用户验证至关重要。若我们采用基于 AI 的语义层配置建议，则必须建立相应的“人机协同”审批流程，例如涉及：
确定概念同义词；
业务友好的描述定义；
正确的提示词与查询组合。
以 Snowflake 云语义视图为例，其 Cortex AI 服务能够为语义层设计提供有益建议。这些建议可能包括描述、指标及查询语句。然而，必须由具备相应领域知识的系统用户对这些建议进行评估。
Snowflake Cortex Analyst 语义视图已验证查询。 图片来源：Dan Galavan
一个典型产出是已验证查询。在此场景中，系统会监测自然语言提示词及其对应查询，以识别潜在可复用的模式。一旦发现候选查询，系统将自动向用户推送建议。用户可选择接受、编辑或拒绝该条目。
要点五：技术栈兼容性
如同技术生态系统的任何组成部分，语义层的兼容性始终是需要考量的关键因素。因此，务必确保您的技术栈能够满足实际需求。
以 Snowflake 平台为例，其功能支持包括：
配置语义视图时提供多种接口与选项，例如 SQL、用户界面、REST API 及 YAML 格式，并集成了智能体 AI 功能；
支持第三方商业智能工具，如 Sigma、Omni、Honeydew 和 Hex；
兼容第三方设计与交付工具，例如采用 dbt 进行集成测试，且其路线图中已纳入 SqlDBM 的设计功能。
要点六：语义层开放标准即将到来
该标准源于开放语义交换规范（OSI）。图片来源：Snowflake
开放标准不仅能降低供应商锁定风险，还有助于推动技术普及。当前，语义层开放标准——开放语义交换规范（OSI）正在制定中。
该标准主要关注以下三个核心领域：
标准化：提供统一的定义语言；
互操作性：促进数据交换；
可扩展性：支持模型随数据需求演进而灵活适配。
该项目已获得众多机构的共同推进，参与方涵盖从 Blackrock 到 AWS 再到 Salesforce 等各类组织。
从数据与人工智能战略视角来看，这一开放标准将带来显著价值，特别是在 AI/BI 工具及相关互操作性方面。
要点七：面向语义层与智能体人工智能的治理方法
若无法将语义层开放给智能体人工智能（Agentic AI），则前述所有工作均无法实现。
再次以 Snowflake 平台为例，我们可以配置 AI 智能体，使其调用 Cortex Analyst 语义视图。这将为智能体提供我们在前文讨论的各个领域的明确指引，例如：
数据含义；
指标定义；
针对智能体提示的已验证预制查询语句。
语义视图还可应用于 BI 工具、Notebook 环境或 AI/MCP 集成中。
利用 Snowflake Intelligence 功能，通过智能体人工智能+ Cortex Analyst 语义视图提交自然语言提示。图片来源：Dan Galavan
此外，Snowflake Intelligence 功能可结合前述 AI 智能体与语义视图对数据进行查询。我们能够通过提交自然语言提示生成图表，并识别数据趋势。另一优势在于，Snowflake 的生成式人工智能能力与平台整体的数据治理功能紧密结合。
我曾在生成式人工智能方兴未艾的 2023 年 Snowflake 全球峰会上就此话题发表过演讲。
结论
正如我们所看到的，语义层在与商业智能（BI）工作负载相关的领域虽已存在多年，但当前正迎来一场智能体人工智能（Agentic AI）的复兴。这场复兴的驱动力，源于确保“与数据对话”时实现可信人工智能的迫切需求。换句话说，这正是我们在“以 AI 增强 BI”的过程中所要应对的挑战。
然而，在此过程中，务必牢记以下几点：
数据建模在此背景下为何扮演关键角色
AI 增强如何助力语义层的设计
Human in the Loop 的重要性
即将发布的开放语义交换规范
采用治理化方法运用智能体人工智能（本文以 Snowflake Intelligence 平台的语义视图为例进行说明）
综合考虑以上要素，将有助于有效推进数据与人工智能战略的落地。
我还有许多相关的实践建议希望分享，并期待能尽快抽时间撰写成文。敬请持续关注！
在此，预祝各位在语义层与智能体人工智能的探索之旅中一切顺利。如有任何疑问，欢迎随时联系。
Dan Galavan 是一名独立的数据治理与数据管理顾问，拥有 27 年的客户咨询与数据解决方案交付领导经验。他自 2019 年起开始使用 Snowflake 数据平台，持有都柏林大学学院颁发的“商业高级人工智能”文凭，并已获得 Snowflake Snowpro 高级架构师认证。
原文地址：https://medium.com/snowflake/snowflake-in-a-nutshell-7-strategic-ai-semantic-layer-tips-78422f7e0bdc
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。
