Ontology on Snowflake: How to Make AI Actually Understand Your Data

Snowflake首席AI架构师Taja在Snowflake Summit 2026上介绍了通过在本机构建本体（Ontology）为AI Agent提供结构化业务语义层的方法。他指出企业AI构建的难点在于AI无法理解业务语义，而本体架构可使AI从原始数据查询跨越到业务概念推理。Snowflake还推出了Ontology Stack Builder工具，将搭建过程从数周缩短至1小时内。

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 。