AI热榜 2026 年，智能体将在企业级应用中取得哪些实质性突破？
点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！
Snowflake 正持续投入，让 AI 智能体能够更轻松地原生理解并推理业务概念及其关系。
本文展示了已经拥有本体的团队在当下可以实现哪些能力。
许多行业都维护着正式本体，为基于表、列和连接关系所表达的语义推理补充一层领域专属推理能力。
这有助于 AI 智能体理解层级关系、同义词，以及仅靠语义层未必能够完整捕获的领域概念。
我们使用一个高度简化的生物医学数据集，将基于 Semantic View 的 Cortex Agent 基线方案，与基于知识图谱、GraphRAG 和针对性术语映射的本体感知方案进行了比较。
本次基准测试结果表明，在所评估的条件下，更充分的结构化知识锚定有望提升准确性与可靠性；同时，这也为需要构建更精准、可解释、更可信的企业级 AI 智能体的团队提供了一套可落地的参考框架。
将本体融入 Snowflake Cortex Agents 企业数据中充满了从未在数据库模式中被显式呈现的含义。
这些内在的领域知识必须被捕获，才能为可靠的智能体系统提供支撑。
在各个行业，组织都会维护正式本体、分类体系和受控词表，用于编码类层级、类型化关系、约束条件和规范标识符。
在医疗与生命科学领域，这类资源包括 SNOMED CT、UMLS、Gene Ontology（基因本体）和 Cell Ontology（细胞本体）；在供应链与零售领域，GS1 等标准定义了产品与包装语义；在金融服务领域，FIBO 为金融工具、实体和监管分类提供共享模型。
这些行业资产通常以 OWL、RDF 或 SKOS 等表示格式发布，往往包含数千个概念、丰富的同义词集合，以及数以万计的层级边和关联边。
然而，大多数企业 AI 与分析系统仍主要运行在关系抽象之上，也就是表、列、键和连接，并不能原生访问定义概念继承、传递关系、等价映射或领域约束的知识层。
由此，组织对真实世界含义的建模方式，与 AI 系统检索和推理业务数据的方式之间，可能存在一道鸿沟。
例如，供应链分析师提出“显示所有电子元器件的总支出”时，“电子元器件”位于一个分类体系的顶端，其下包括电容器、电阻器、集成电路以及数十个子类别。
又如，生物医学研究者提出“显示 PD-1 抑制剂在上皮来源癌细胞系中的药物疗效”时，系统需要将一个父概念扩展到数十种细胞类型和 13 个组织类别。
两种情况下，Snowflake 的 Semantic View 都提供了关系构造的基础，包括实体、关系、指标和维度；同时，递归 CTE 这一 SQL 扩展能力提供了动态路径长度查询机制，可支持层级类型以及 subclass-of、传递属性和逆属性等关系公理。
本文将讨论：把更深层的本体语义引入 Snowflake，并与业务数据结合，用来锚定 AI 智能体的推理，会带来怎样的效果。
具体而言，我们在一个用于测试智能体数据检索中本体依赖型推理能力的生物医学基准上，评估了一个语义层基线方案和三种本体感知增强方案。
生物医学基准测试
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接