❄️2025 年推出的 Snowflake Intelligence 不是简单的问答助手，而是一个 AI 总控层，整合三大核心组件：
→Cortex Analyst：语义建模与 SQL 生成，核心是 Semantic View；
→Cortex Search：非结构化数据检索，基于向量和 RAG；
→Cortex Agents：跨系统任务编排，实现从问答到执行。
💡如果要在三者中选出最值得关注的那个，答案几乎没有悬念：Cortex Analyst。因为 Snowflake 的本质是“做数据”的，语义建模才是它最具竞争力的切口。
❄️去年Snowflake CEO 在红杉的一个访谈中就提到能做到 90% 的准确度，打脸通用大模型在数据应用上的处理。方法论很工程化：
→问题判定：先查问题是否在语义模型中定义，未定义则拒答，避免胡编；
→NL 转 SQL：通过 LLM 生成候选 SQL；
→静态检查：执行前验证语法和逻辑，防止越权或错误 join；
→结果溯源：回答附带 SQL 和数据来源，确保可追溯。
💡这套流程让 Snowflake 的 AI 从“自由发挥”变成“规则内行事”，与市面上“套 LLM 做问答”的轻量方案形成鲜明对比。Snowflake 在大模型外加了一层 语义护栏：Semantic View。
❄️Semantic View 形同“业务大脑地图”，用 YAML 绑定业务语言与数据结构，包含：
→Logical Table：将物理表抽象为维度、事实、指标和过滤器；
→Relationship：预定义表间关系，避免错误 join；
→Verified Query：金标问题-SQL 对照，支持测试和 few-shot 提示；
→Custom Instruction：全局约束，如限制权限范围。
💡一旦语义模型建立，用户只需问“上月北美净收入”，系统即可生成正确 SQL。Snowflake 的核心竞争力就在于：通过 语义建模让问题可控，而非依赖大模型的“运气”。
❄️真正的技术壁垒并不在大模型本身，而在语义模型如何收敛问题空间。Snowflake 的高明之处在于：通过 Semantic View 收敛问题空间，把“不确定”的大模型变成“可控”的企业级 AI。