核心事件

Snowflake 正在探索把行业本体、知识图谱和 GraphRAG 引入 Cortex Agents，让企业 AI 智能体不仅能查询表和列，还能理解业务概念之间的层级、同义词和约束关系。

所谓本体，是对某一领域概念及其关系的正式描述；知识图谱则用节点和边表达实体及关联。对企业来说，问题往往不在于数据库里没有数据，而在于 AI 不知道“电子元器件”应展开为哪些子类，或“上皮来源癌细胞系”对应哪些组织和细胞类型。Snowflake 的 Semantic View 已能在表之上提供实体、关系、指标和维度等语义层，但许多真实业务含义并不会自然出现在关系模型中。

基准：从语义层到本体感知

这次测试采用一个简化生物医学场景，目标是评估智能体在药物筛选数据中进行本体依赖型推理的能力。Snowflake 结合了两个公开资源：

• Cell Ontology：包含 33,651 个术语，约 50,000 条层级边和关系边；
• PRISM 药物再利用数据集：覆盖 4,518 种药物、578 个人类癌细胞系，产生 260 万余条细胞存活率测量。

难点在于，PRISM 按肺、乳腺等组织类型标注，而 Cell Ontology 按上皮细胞、基质细胞等细胞谱系组织。智能体要回答问题，必须把这两套语义体系对齐。测试设计了 22 个高难度问题，覆盖术语解析、队列比较、跨组织分析、药物排序和多类别比较等任务；每种配置重复运行 5 次，以观察稳定性。

基线方案使用 Semantic View 与 Cortex Analyst，把自然语言转换为针对受治理语义层的 SQL。这为后续增强方案提供了对照：如果加入本体知识，准确性和可靠性能提升多少？

三种增强路径

第一种是知识图谱方案。Snowflake 用 KG_NODE 和 KG_EDGE 两类表保存实体与关系，并通过递归 CTE 实现可变长度遍历。递归 CTE 是一种 SQL 扩展，可反复连接结果集，用于查找未知深度的层级路径。该方案可以确定性展开概念后代，例如围绕“epithelial cell”遍历 10 层以上层级中的 693 个后代概念。不过，它为智能体提供了 7 个工具，工具选择和调用顺序更复杂，且存储过程通常要求输入精确概念名，难以天然处理同义词。

第二种是扁平化 GraphRAG。它不在运行时遍历图，而是预先为每个概念生成画像：正式名称、定义、同义词、父子节点、局部邻域，以及从后代聚合得到的组织类型等属性，再通过 Cortex Search 做关键词与向量混合检索。运行时，智能体只需一个搜索工具和一个 SQL 工具。工具更少，决策空间更小，也更容易通过同义词把“flat epithelial”解析到相应细胞概念。代价是索引质量和更新机制会直接影响效果。

第三种是在 GraphRAG 之上加入人工术语映射。研究者把 8 组权威“细胞类型—组织类型”映射和复合术语定义写入系统提示词。例如 Squamous Epithelial Cell 被映射到 Skin、Lung、Esophagus、Bladder、Cervix。这样可把多步推理压缩为确定性规则，减少“最后一公里”误差，但静态知识需要人工维护，也只能覆盖已整理概念。

结果与启示

在该评估框架下，三类增强均优于基线。知识图谱通过穷举层级扩展，使评估准确率提升约 10 个百分点；GraphRAG 又在此基础上提升约 10 个百分点；术语映射继续改善了复杂别名和复合术语的处理。研究还观察到，GraphRAG 加聚合后代属性在不使用静态映射时，已经贡献了相对基线总体增益的大部分，约为 80%。关键不是让模型“想得更久”，而是把结构化上下文喂得更准。

Snowflake 还使用 Cortex Code 的智能体优化能力，围绕 22 个问题反复评估、分析失败模式、调整提示词和工具描述。搜索文本富化、组织类型透传、统一阈值规则等改进，均来自这种“评估—优化—比较”循环。

行业判断

这项测试不是完整生物医学推理系统，而是一次受控比较：它说明企业智能体要进入复杂业务场景，语义层只是起点，本体、受控词表和可追溯映射会成为可信 AI 的基础设施。未来更可行的路线，可能不是把所有能力塞进大模型，而是在数据平台内把语义层、图遍历、检索索引和少量人工规则组合起来。对于金融、零售、供应链和生命科学企业，真正的竞争点将从“能否调用模型”转向“能否把行业知识治理成模型可用的结构化上下文”。