# Ontology on Snowflake: How to Make AI Actually Understand Your Data > Source: > Published: 2026-07-30 00:12:47+00:00 [https://www.youtube.com/watch?v=Ooan6cErKCM](https://www.youtube.com/watch?v=Ooan6cErKCM) 演讲者 **Taja**（Snowflake 首席 AI 架构师）在 [Snowflake Summit 2026](https://www.youtube.com/watch?v=Ooan6cErKCM) 上以 **《Ontology on Snowflake: How to Make AI Actually Understand Your Data》** 为题进行了分享 [[01:17](https://www.youtube.com/watch?v=Ooan6cErKCM&t=77)]。 核心主题是：**Enterprise AI 构建的难点不在于模型或算力，而在于 AI 无法真正理解业务语义** [[00:13](https://www.youtube.com/watch?v=Ooan6cErKCM&t=13)]。通过在 Snowflake 上原生构建**本体（Ontology）**，可以为 AI Agent 提供结构化的业务语义层，使其从“对原始数据做 Join 查询”跨越到“对业务概念进行推理” [[03:15](https://www.youtube.com/watch?v=Ooan6cErKCM&t=195)]。 演讲的详细内容可分为以下核心部分： ## 1. 核心痛点与基本概念区分 - **为什么 AI 会瞎编？** 数据库里只有表、外键和加密列名，而现实世界运行的是对象（人、团队、合同等）及其相互关系 [[02:26](https://www.youtube.com/watch?v=Ooan6cErKCM&t=146)]。直接把原始表喂给 AI，会导致编写出极其复杂的 SQL、逻辑重复，以及 AI 极其自信地给出错误答案 [[03:03](https://www.youtube.com/watch?v=Ooan6cErKCM&t=183)]。 **本体（Ontology） vs 知识图谱（Knowledge Graph）：** - **Ontology 是蓝图（Blueprint）：** 规定允许存在哪些类和关系（例如：“人”可以为“组织”工作，“球员”是一种“人”） [[03:44](https://www.youtube.com/watch?v=Ooan6cErKCM&t=224)]。定义一次，极少变动 [[04:04](https://www.youtube.com/watch?v=Ooan6cErKCM&t=244)]。 - **Knowledge Graph 是建筑（Building）：** 根据蓝图构建的具体事实（例如：“姆巴佩”是“球员”，效力于“皇家马德里”） [[04:13](https://www.youtube.com/watch?v=Ooan6cErKCM&t=253)]。事实会随转会窗口频繁变化 [[04:24](https://www.youtube.com/watch?v=Ooan6cErKCM&t=264)]。 - **核心原则：** 本体定义关系规范，知识图谱实例化具体事实 [[05:03](https://www.youtube.com/watch?v=Ooan6cErKCM&t=303)]。两者解耦存储与查询 [[05:03](https://www.youtube.com/watch?v=Ooan6cErKCM&t=303)]。 ## 2. Snowflake 上的五层原生架构 演讲者提出了“事实只存一次，语义定义为配置，智能通过协同调度”的五层设计 [[05:28](https://www.youtube.com/watch?v=Ooan6cErKCM&t=328)]： - **Layer 1: 基础物理存储 (Nodes & Edges Table)** 仅用两张基本表：`Nodes` 表存储所有存在的事物，`Edges` 表存储事物间的连接，均采用 Variant 列设计 [[08:04](https://www.youtube.com/watch?v=Ooan6cErKCM&t=484)]。新增实体类型（如裁判）时无须修改 Schema，直接插入即可 [[08:35](https://www.youtube.com/watch?v=Ooan6cErKCM&t=515)]。 - **Layer 2: 本体元数据配置 (Ontology Metadata)** 纯声明式配置（无须写代码），定义继承树（如“球员”和“教练”继承自“人”）和约束关系 [[09:02](https://www.youtube.com/watch?v=Ooan6cErKCM&t=542)]。业务逻辑发生变化时，仅需新增一行元数据 [[09:45](https://www.youtube.com/watch?v=Ooan6cErKCM&t=585)]。 - **Layer 3: 自动编译器与视图生成 (Compiler & Generated Views)** 通过存储过程自动读取 Layer 2 的元数据，编译生成多态统一视图（如自动将球员和教练合并为抽象概念“人”） [[10:04](https://www.youtube.com/watch?v=Ooan6cErKCM&t=604)]。下游零代码修改 [[10:42](https://www.youtube.com/watch?v=Ooan6cErKCM&t=642)]。 **Layer 4: 三向专用语义模型 (3 Purpose-Built Models)** - **知识图谱模型（Concrete）：** 适用于极速、具体的具体属性查询（如“谁效力于皇马”） [[11:22](https://www.youtube.com/watch?v=Ooan6cErKCM&t=682)]。 - **本体模型（Abstract / Polymorphic）：** 适用于跨类型的多态抽象推理（如“谁在皇马工作”，可同时返回球员和教练） [[11:44](https://www.youtube.com/watch?v=Ooan6cErKCM&t=704)]。 **治理模型（Governance）：** 用于系统自述，控制权限与模型范围 [[11:53](https://www.youtube.com/watch?v=Ooan6cErKCM&t=713)]。 **Layer 5: Cortex Agent 协调调度层** 作为脑部大脑（Conductor），对自然语言问题进行意图识别，调度最合适的语义工具或图遍历引擎，合并结果返回 [[13:06](https://www.youtube.com/watch?v=Ooan6cErKCM&t=786)]。 ## 3. 自动化部署工具：Ontology Stack Builder 为了解决搭建 5 层架构的复杂性，Snowflake 推出了 **Ontology Stack Builder**（Koko Skills 工具） [[14:29](https://www.youtube.com/watch?v=Ooan6cErKCM&t=869)]： - **交互式工作流：** 自动分析数据表 Schema，推荐类与关系 [[14:38](https://www.youtube.com/watch?v=Ooan6cErKCM&t=878)]。 - **可视化编辑：** 提供可视化图编辑器，支持拖拽节点、绘制关系并检查覆盖率 [[14:56](https://www.youtube.com/watch?v=Ooan6cErKCM&t=896)]。 - **一键生成部署：** 确认设计后自动生成 SQL、部署 Layer 1-3 视图，并配置 Cortex Agent [[15:05](https://www.youtube.com/watch?v=Ooan6cErKCM&t=905)]。 - **人机协同（Human-in-the-loop）：** 7 个校验关卡（Gates），将以往需要数周/数月的搭建过程缩短至 1 小时内完成 [[15:24](https://www.youtube.com/watch?v=Ooan6cErKCM&t=924)]。 ## 4. 总结与三大核心提炼 - **显式定义语义：** 事实只存一次，语义作为元数据定义，让编译器生成视图 [[18:04](https://www.youtube.com/watch?v=Ooan6cErKCM&t=1084)]。 - **多视角分流：** 兼顾速度（知识图谱模型）、推理（本体模型）与信任（治理模型） [[18:15](https://www.youtube.com/watch?v=Ooan6cErKCM&t=1095)]。 - **意图驱动调度：** 由 Agent 智能路由查询，而非硬编码 SQL [[18:27](https://www.youtube.com/watch?v=Ooan6cErKCM&t=1107)]。