00:00 / 03:10
连播
清屏
智能
倍速
点赞NaN
00:00 / 01:43
连播
清屏
智能
倍速
点赞1309
00:00 / 02:03
连播
清屏
智能
倍速
点赞72
00:00 / 00:39
连播
清屏
智能
倍速
点赞106
00:00 / 00:44
连播
清屏
智能
倍速
点赞0
00:00 / 00:30
连播
清屏
智能
倍速
点赞460
Snowflake:会思考的业务蓝图 - 迈向决策智能(上) 迈向决策智能:深度解析 Snowflake 的 Agentic Workflow 架构(上) 在生成式 AI 的浪潮中,企业正从简单的“聊天机器人”转向更高级的“智能代理(Agents)”。在最近的 QCon 大会上,Snowflake 展示了其 Snowflake Intelligence 架构图,定义了如何通过代理工作流(Agentic Workflow)实现真正的决策智能(Decision Intelligence)。 这一架构打破了传统数据分析的壁垒,形成了一个从底层多模态数据到顶层自主决策的完整闭环。 一、 核心架构分层解析 该架构由下至上分为五个关键层级,每一层都为最终的智能决策提供支撑: 1. 数据层 (Data Types):多源异构的基石 2. 推理器层 (Reasoners):专业化的智能工具箱 3. 语义层 (Semantic Layer):将数据转化为商业语言 4. 生成式 AI 推理层 (GenAI Reasoner):业务高度对齐 5. 交互与接口层 (Rel APIs & UI) 二、 顶层:Cortex Agent 驱动的智能体工作流 架构的最顶端是 Cortex Agent,它是整个工作流的调度中心(Orchestrator)。 Cortex Analyst:专注在结构化数据上进行自然语言到 SQL 的转换(Text-to-SQL)。 Cortex Search:负责在非结构化文档中进行混合搜索(RAG)。 RelationalAI 工具/代理:通过 MCP(模型上下文协议)或 REST 接口,连接外部工具,执行跨系统的操作。 三、 为什么这种 Agentic Workflow 是“决策智能”的未来? 总结 Snowflake 展示的这一架构图标志着企业 AI 的一个重要转型:AI 不再是数据的附件,而是业务逻辑的载体。 通过将 Agentic Workflow(代理工作流) 建立在坚实的 Semantic Layer(语义层) 之上,企业终于可以告别碎片化的仪表盘,拥抱真正能够感知、推理并辅助决策的“决策智能”。 #Gitmeai #LLM #决策智能 #Snowflake #抖音合集升级计划
00:00 / 03:15
连播
清屏
智能
倍速
点赞19
14 cut Embedding 让AI拥有了“人类记忆”! 当 AI 从“聊天工具”,走向“自动决策系统” 过去两年,几乎所有人都在用 AI 聊天。 但真正开始做 Agent、接业务、上系统的人,会很快遇到同一个现实: ·AI 会说话,但不会做事 ·能调用工具,但经常做错事 ·能写方案,但一上线就翻车 这不是模型不够强, 而是——你还在用“聊天系统”的方式,搭“决策系统”。 而这,正是多 Agent 出现的真正原因。 ⸻ 这一部,不教你“怎么玩 AI”,而是讲: ·AI 到底是如何“接收输入”和“形成判断”的? ·Prompt 到底是在“控制什么”,为什么在 Agent 里会决定生死? ·记忆系统、Embedding,为什么是 Agent 的“基础设施”,不是功能插件? ·多 Agent 协作,为什么不是“多开几个模型”,而是工程系统? ·企业级 Agent,为什么一定会走向平台化与治理体系? 这是一部从认知底层→系统结构→工程现实→企业级架构的完整拆解。 ⸻ 适合谁看? ·想从“用 AI”走向“做 AI 系统”的人 ·产品/技术/创业者/ AI 转型负责人 ·在做 Agent、RAG、多模型系统,但越做越混乱的人 ·想理解下一代 AI 应用形态的人 如果你只是想找几个好用提示词,这一部不适合你。 如果你想真正理解AI 应用的下一代形态,这一部是为你写的。 ⸻ 这一部的目标只有一个: 让你从这一刻开始, 不再把 Agent 当“高级聊天机器人”, 而是当成一种新的软件系统形态。 一些之前的视频 #AI #我就这样开启2026 #ChatGPT #DeepSeek #人工智能
00:00 / 00:56
连播
清屏
智能
倍速
点赞8
00:00 / 03:03
连播
清屏
智能
倍速
点赞1937
00:00 / 03:03
连播
清屏
智能
倍速
点赞1422