Snowflake公司今日深入探索新兴的企业智能体模式,发布了一个自主人工智能平台的研究预览版,该平台旨在帮助业务用户使用Snowflake管控的数据自动化复杂任务。
该平台名为SnowWork项目,旨在将AI从查询功能扩展到能够使用企业数据规划和执行多步骤工作流程的系统。Snowflake开发者和AI体验副总裁Bala Kasiviswanathan表示,虽然该平台被定位为允许用户"简单地询问需求并让SnowWork安全地完成任务",但该平台在现有流程中效果最佳。
SnowWork项目的核心价值
"SnowWork项目在处理受管控数据、定义的工作流程以及对业务运营的理解方面最为强大,"Kasiviswanathan说道。"它真正增加价值的地方不仅仅是自动化任务,更是加速决策制定。它可以综合数据、发现洞察并推荐后续步骤。"
SnowWork基于存储在Snowflake平台上的受管控企业数据运行,并整合业务上下文,如指标、定义和访问策略。Snowflake高管表示,如果企业希望AI超越实验阶段并成为可信赖的运营工具,将AI智能体建立在企业数据基础上是至关重要的。
"企业目前面临的真正问题不仅仅是构建智能体,"Kasiviswanathan说。"而是大多数方法实际上没有足够快地解决业务问题,或者没有以基于真实企业环境的方式解决问题。"
多系统工作流程编排
SnowWork在单次交互中编排多项任务,如查询数据集、分析结果、生成报告和准备演示文稿。该公司表示,该系统可以处理跨越多个企业系统的工作流程,同时遵循应用于底层数据的相同治理和安全规则。
Kasiviswanathan强调,AI智能体采取的行动保持透明且可审计。
"每个行动都自动继承基于角色的访问控制、数据策略和审计日志,"他说。"这意味着它只能对用户被允许查看的数据采取行动,每个步骤都是完全可追踪的。"
该公司还强调了其实施的机制,以降低系统在执行复杂任务时出现不可靠输出或幻觉的风险。
"企业可以检查步骤、验证输出,并保持对如何以及何时执行行动的控制,"Kasiviswanathan说。
数据分析民主化的下一阶段
Snowflake将这一新产品定位为长期以来行业努力民主化分析访问的下一阶段。该公司指出,以前的"自助服务"数据工具浪潮承诺消除对专业数据团队的需求,但许多组织仍然严重依赖分析师来创建报告或解释仪表板。
Kasiviswanathan表示,SnowWork旨在通过完成任务而不是简单地返回答案来更进一步。"我们正在将从问题到分析再到结果的整个链条压缩到单次交互中,"他说。"SnowWork项目不仅仅是发现洞察,它还将洞察转化为完成的可交付成果或推荐的行动。"
他说,另一个关键的差异化点是上下文理解。"SnowWork项目理解业务实际如何运营,"他说。"这不仅仅是民主化数据访问,更是民主化基于数据采取行动的能力。"
Snowflake没有透露SnowWork项目何时正式发布。
Q&A
Q1:SnowWork项目是什么?它有什么功能?
A:SnowWork项目是Snowflake公司推出的自主人工智能平台,能够帮助业务用户使用企业数据自动化复杂任务。该平台可以规划和执行多步骤工作流程,包括查询数据集、分析结果、生成报告和准备演示文稿,将整个分析链条压缩到单次交互中完成。
Q2:SnowWork项目如何保证数据安全和可控性?
A:SnowWork项目的每个行动都自动继承基于角色的访问控制、数据策略和审计日志。它只能对用户被允许查看的数据采取行动,每个步骤都完全可追踪。企业可以检查步骤、验证输出,并保持对如何以及何时执行行动的控制。
Q3:SnowWork项目与传统数据分析工具有什么不同?
A:传统的"自助服务"数据工具主要返回分析结果,组织仍需依赖分析师解释数据。而SnowWork项目不仅发现洞察,还能将洞察转化为完成的可交付成果或推荐行动,真正实现从数据访问到基于数据采取行动的民主化。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。