# 对话构建智能体：基于亚马逊云科技底座，CoCo 零代码编织 CoWork 企业智能体网络

> **合规声明（生成式 AI 服务）**：前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。
> 
> **完整资料：如果想了解更多内容可以访问:https://events.amazoncloud.cn/china-summit-on-demand/
> 
> **免责声明**：本摘要仅为便于您了解峰会内容而提供，我们不对其完整性及准确性作出任何保证，且不构成任何建议或结论。相关内容仅供参考，实际内容以峰会回放视频为准。

## 一、基础信息

- **会议类型**：专题演讲
- **Persona**：Agent 构建者
- **时间信息**：6月23日 | 16:00 - 16:30
- **标题**：对话构建智能体：基于亚马逊云科技底座，CoCo 零代码编织 CoWork 企业智能体网络
- **PDF 资料**：有
- **视频回放**：有

## 演讲人信息

### 会议信息
- **地点**：上海世博中心（2026 亚马逊云科技中国峰会）
- **日期**：2026年6月23日（Day 1）
- **时间**：16:00 - 16:30
- **会议类型**：专题演讲
- **面向 Persona**：Agent 构建者

### 客户 / 合作伙伴演讲人
- **席叶文**（Snowflake）：中国区首席数据云架构师

## 二、会议资料 PDF 转录内容

--- Page 1 ---
2 0 2 6 6 2 3 - 2 4 ·
年 月 日 日 上 海 世 博 中 心

--- Page 2 ---
对话构建智能体：基于亚马逊云科技底座，
CoCo CoWork
零代码编织 企业智能体网络
The Personal Work Agent, Built on Your Business
席叶文
Snowflake
中国区首席数据云架构师

--- Page 3 ---
Safe Harbor and Disclaimers
Other than statements of historical fact, all statements contained in these materials and Any future product or roadmap information (collectively, the “Roadmap”) is
any accompanying oral commentary (collectively, the “Materials”) are forward-looking intended to outline general product direction. The Roadmap is not a
statements within the meaning of Section 27A of the Securities Act of 1933, as amended, commitment, promise, or legal obligation for Snowflake to deliver any future
and Section 21E of the Securities Exchange Act of 1934, as amended, including statements products, features, or functionality; and is not intended to be, and shall not be
regarding (i) Snowflake's business strategy, plans, opportunities, or priorities; (ii) deemed to be, incorporated into any contract. The actual timing of any product,
Snowflake's new or enhanced products, services, and technology offerings, including those feature, or functionality that is ultimately made available may be different
that are under development or not generally available; (iii) market size and growth, trends, from what is presented in the Roadmap. The Roadmap information should not
and competitive considerations; (iv) Snowflake's vision, strategy, and expected benefits be used when making a purchasing decision. In case of conflict between the
relating to artificial intelligence (“AI”), Snowpark, Snowflake Marketplace, the AI Data information contained in the Materials and official Snowflake documentation,
Cloud, and AI Data Clouds for specific industries or product categories, including the official Snowflake documentation should take precedence over these Materials.
expected benefits and network effects of the AI Data Cloud; and (v) the integration, Further, note that Snowflake has made no determination as to whether
interoperability, and availability of Snowflake's products, services, or technology offerings separate fees will be charged for any future products, features, and/or
with or on third-party platforms or products, including public cloud platforms. These functionality which may ultimately be made available. Snowflake may, in its
forward-looking statements are subject to a number of known and unknown risks, own discretion, choose to charge separate fees for the delivery of any future
uncertainties, and assumptions, including those described under the heading “Risk Factors” products, features, and/or functionality which are ultimately made available.
and elsewhere in the Annual Reports on Form 10-K and the Quarterly Reports on Form 10-
The Materials may contain information provided by third-parties. Snowflake
Q that Snowflake files with the Securities and Exchange Commission from time to time. In
has not independently verified this information, and usage of this information
light of these risks, uncertainties, and assumptions, the future events and trends discussed
does not mean or imply that Snowflake has adopted this information as its
in the Materials may not occur, and actual results could differ materially and adversely
own or independently verified its accuracy.
from those expressed or implied in the forward-looking statements. As a result, you should
not rely on any forward-looking statements as predictions of future events. Forwardlooking statements speak only as of the date the statements are first made and are based
on information available to Snowflake at the time those statements are made and/or
management's good faith belief as of that time. Except as required by law, we undertake
no obligation, and do not intend, to update the forward-looking statements in these
Materials.
© 2026 Snowflake Inc. Snowflake, the Snowflake logo, and all other Snowflake product, feature and service names mentioned in the Materials are registered trademarks or trademarks of Snowflake Inc. in the United States and other countries. All other brand
names or logos mentioned or used in the Materials are for identification purposes only and may be the trademarks of their respective holder (s). Snowflake may not be associated with, or be sponsored or endorsed by, any such holder (s).

--- Page 4 ---
A Typical Day for Knowledge Workers Without AI
Data mismatch found. Resorting to Excel & Day ends.
8:00 AM 1:00 PM 4:30 PM
Submit ticket to Data PowerPoint. Building No decisions made.
Team and wait in queue decks manually Insights still pending
Manually pulling raw data
from Salesforce, ERP, and
CSV
3 other systems
Dashboard hopping. Leadership asks for a
10:30 AM Existing reports don't 3:00 PM different cut. Stale data. 5:00 PM
answer the specific "why" Start over from scratch
How we work must become agentic, proactive, and outcome-driven

--- Page 5 ---
The Future of Work is NOT Humans Querying Systems
It's humans steering, governing and approving autonomous agents
that continuously integrate the past, present, and future
Today Future State
Bottleneck: Human Bandwidth Result: Infinite Scale
Judgment
10%
Management &
Steering & Strategy
Configuration 30% Iteration &
60%
Setting up environments, experimentation using
dependencies, compute Agentic domain expertise
Leverage
Workflow Oversight
Data Wrangling & Prep
60%
30%
Cleaning, joining, feature Validating agent logic
engineering
Approve 10%

--- Page 6 ---
Why Agentic AI Projects Stall After the Demo
1 2 3
No Shared Truth No Governance Guardrails No Business Context
Agents disagree on metrics, Actions violate policy. IT or legal Weeks of manual setup before any
definitions and answers shuts it down value

--- Page 7 ---
Snowflake's Answer in Three Steps
1 2 3
Agree on Reality Reason Over It Act Coherently
Same governed data, metrics, Full context orchestration, Every action inside your guardrail
definitions - across every agent not partial snapshots and audit trail
Snowflake is the single platform where governance,
data and intelligence already live together

--- Page 8 ---
AI Models
AGENTIC
SNOWFLAKE SNOWFLAKE
CONTROL
COWORK COCO
PLANE
Enterprise Data Software &
& Context Applications

--- Page 9 ---
Snowflake CoWork
One AI workspace. Every context. Any outcome. Work gets done.
BRING YOUR CONTEXT GET WORK DONE
Presentations
Email
Documents
Team
conversations
Dashboards
Company data
Emails
Enterprise context
Actions
Apps & MCP
Share & Collaborate
Trust Enterprise Self-service Agentic Conversational
Context Insights Work Intelligence
CoWork is your Chief of Staff, turning context into clarity, and clarity into action.

--- Page 10 ---
Snowflake CoCo: The AI Coding
Agent for Data
Ready for
Snowflake review
Move from 'I have an idea' to 'it's deployed' fast
Accelerates End-to-End Development
Turn data engineering, machine learning, and agent building tasks
into simple conversations
Understands Your Enterprise Data Context
Deeply aware of enterprise data, compute, governance, and
operational semantics across the stack
A Governed Agent That Works Wherever You Build
Governed by Snowflake's RBAC and available across Snowsight, your
IDE, terminal, and the tools and workflows you already use

--- Page 11 ---
CoCo: The State of the Art for Data Engineering
CoCo outperformed leading coding agents on ADE Bench, and pulled even further ahead on real
Snowflake dbt project tasks
WHY COCO IS MORE EFFICIENT
Pass Rates on ADE Bench
TOKEN USED DURATION
51% ~ 1H Less
⬇
vs Claude Code using Opus 4.7 vs Claude Code using Opus 4.7
TARGETED VS. EXHAUSTIVE
CoCo performs targeted exploration rather than
exhaustive scanning, significantly reducing IO
operations
DATA-NATIVE APPROACH
Utilizes data native tools for Snowflake, dbt, Airflow
and more, avoiding heavy reliance on bash tools
retteb
si
rehgiH
80% 72.1%
65.1% 65.1%
60%
40%
20%
0%
CoCo Claude Codex
(Snowflake) Code (OpenAI)
Note: Efficiency score based on internal testing using ADE-bench, a framework created by dbt for
evaluating AI agents on real-world analytics and data engineering tasks

--- Page 12 ---
GA Soon!
Introducing CoCo Desktop
Full agentic development on data, now in a native desktop IDE
One governed surface to build across data stack
Build data pipelines, apps, and agents; debug
notebooks, and visualize data flows — all in CoCo
Run agent on schedule, not just on demand
Schedule tasks, and execute multi-step
workflows even when you're not at the keyboard.
Extensible by design
MCP integrations and shareable skills/plugins
turn best practices into reusable team expertise

--- Page 13 ---
NEW!
In Dev Private Public GA
CoCo Claude Agent API
Programmatic, stateful API to run and orchestrate long running coding
sessions
No more babysitting long-running jobs
Submit jobs that run for hours in a sandboxed
Snowflake environment. Disconnect your laptop.
Come back. Your agent kept working.
Trigger CoCo from anywhere
A single REST endpoint lets CI/CD, Slack, cron,
and internal apps kick off CoCo without
anyone sitting in a terminal.
Governed by default
Every run inherits your Snowflake RBAC, logs
every action, and manages secrets natively.

--- Page 14 ---
From Talk to Your Data to Your Personal

Work Agent
Before Now
• Read-only Q&A • Reads, writes, and acts
• Pick an agent first • Routes automatically
• Starts from zero each time • Remembers and learns
The shift that makes CoWork the starting point for every workday

--- Page 15 ---
Snowflake Cortex AI Architecture
GOVERNANCE | POLICY CONTROL | AUDIT & LINEAGE
APPS Snowflake CoWork Snowflake CoCo
APIS Cortex Agents Cortex AI Functions
Cortex Sense Runtime
CONTEXT
MCP & Connectors Semantic Views Business Logic

--- Page 16 ---
Snowflake CoWork
The personal work agent for every knowledge worker
TRUSTED BY INDUSTRY LEADERS

--- Page 17 ---
Snow-on-Snow: Sales Agent for 6k GTM Org
WHAT RAVEN CAN DO — SUPPORTING 15+ GTM PERSONAS
$16M+
Opportunity Pipeline Consumption Trends Quota Attainment Competitive Intelligence
Top opportunities by ACV Monthly credit usage AE/SE quota performance Selling points vs
& stage analysis lookup competitors
Overhead Savings Account Team Use Case Discovery Account News More Capabilities
Find assigned AE/SE Explore closed industry Recent earnings & press Continuously expanding
coverage wins releases skills
>80 FTE
BEHIND THE SCENES
recouped productivity
Snowflake CoWork Packaged Profiles
INTERFACE Unified interface surfacing insights directly Zero-setup configuration delivering
5x RoI
to sales reps consistent toolset to every GTM employee
QUESTIONS Operating Context Response Framework
Decision Engine
INTELLIGENCE (Identity, scope, domain, (Tone, structure,
(Tools, rules, workflows)
1M+
boundaries) formatting, error handling)
CONTEXT Semantic Views + Cortex Search Tools Integrations (MCP)
Manual Research →
Sales, A360, Account Lookup, Use Cases, Live connections to Salesforce, JIRA,
Instant AI Insights
Quota, Marketing, CX, Partner Ecosystem internal Wikis, and Web Search

--- Page 18 ---
Snowflake CoWork: What's New
1 2 3
Personal Autonomous Dashboards &
Agents Collaboration
• Knows all enterprise data • Proactive checks • Governed dashboards
• Routes automatically • Auto-learns business context • Live, sharable artifacts
• Remembers and learns • Produces finished deliverables • Conversation sharing
• Follows you to mobile and • Deep, analytical research • Team knowledge building
existing tools

--- Page 19 ---
PERSONAL AGENT
One Agent. Every Question. Right Tools.
SUB-AGENTS MCP TOOLS
Sales Agent
Finance Agent
Agent
Ops Agent
Product Agent
CAPABILITIES
PPTX Inside each user's
PDF reports
presentations existing permissions
Advanced
Skills
analysis

--- Page 20 ---
PERSONAL AGENT
Memory, Skills, and Prebuilt Plugins
User Memory User Skills PLUGINS, Finance & Sales
CoWork remembers your Codify repeatable workflows as a Prebuilt bundles of skills, business
preferences, your role, and your one-line skill , like "pull my pipeline logic, and connectors so your teams
recurring tasks, across sessions recap", in plain language aren't starting from zero
PuPr SOON PuPr SOON PrPr SOON
Skills are discoverable and shareable across the org.
Every user gets an experience that feels custom-built for their role

--- Page 21 ---
PERSONAL AGENT
In Dev Private Public GA
SOON
Your Agent, On-The-Go
iOS App
• Face ID unlock
• Complete conversation
The morning briefing that
history on mobile
greets your VP before
• Full CoWork experience
they open the laptop

--- Page 22 ---
AUTONOMOUS AGENT
Automations
Set once. Deliver always. On schedule, in your inbox, ready to act on.
Schedule briefings in plain language
Set once conversationally, delivered automatically.
Full AI analysis in every delivery
What changed, why it matters, and suggested next steps.
Follow-up question is one click away
Start a live conversation with full context preserved.
Enterprise-governed by default
Runs with RBAC, cost visibility, and a full audit trail.
PuPr Soon

--- Page 23 ---
AUTONOMOUS AGENT
Answers to the Questions Dashboards Can't Reach
Deep Research Analytical Search
• Multi-source investigation across structured • Quantitative queries over large unstructured
- unstructured data corpora - everything RAG can't do
• Multi-step reasoning, fully cited • Adaptive Search + Multi-step AI SQL compute
• Built for complex strategic 'why' questions • “38% of Q4 contracts include uncapped liability
language, up from 21% in Q1”
GA SOON Pu Pr SOON
+52.2%
relative improvement vs. single-agent systems on CoWork's Hybrid Deep Research Benchmark
Structured or unstructured, strategic or operational - one fully cited answer

--- Page 24 ---
AUTONOMOUS AGENT
Cortex Sense: Zero to Enterprise-Grade Agent in
Days
WHAT IT DOES
Auto-learns from query history, table metadata, and BI
3.5x
connections , Tableau, PowerBI, Redshift, Postgres.
WHY IT MATTERS
Higher accuracy on enterprise
business questions vs. Zero manual ontology setup. Production-grade agents in days,
not weeks.
Claude Code
The context layer that comes pre-built.

--- Page 25 ---
AUTONOMOUS AGENT
In Dev Private Public GA
Preview
SOON
The Agent Doesn't Just Answer, It Produces
Code Execution Tool Deliverables
• Secure Python execution inside CoWork
PPTX
PDF reports
• Filesystem + network isolation presentations
• Your data never leaves the Snowflake
Advanced Custom
perimeter
analysis documents
• Governed, autonomous agent execution

--- Page 26 ---
DASHBOARDS AND COLLABORATION
One Finding Becomes Everyone's Starting Point
Artifacts Conversation Sharing Governed Dashboards
• Save and share rich outputs • Collaborate around real answers • Multi-tile northstar dashboards
• Stay live and refresh with data • Include full citations • RBAC-scoped per role
• Respect role-based access per • No more static screenshots • Ask follow-up questions
viewer on any chart
GA SOON GA SOON Pu Pr SOON

--- Page 27 ---
DASHBOARDS AND COLLABORATION
In Dev Private Public GA
SOON
Artifacts: Live Chats & Tables
Save, share, rerun
Save once, share across the org, and rerun anytime
Live data & fully governed
Viewer sees only what they're entitled to
Collaborate across teams
Teams build on each other's work
Talk to your data
Ask for follow ups in plain English

--- Page 28 ---
In Dev Private Public GA
Preview
Multi-tile Artifacts for Northstar Dashboards
SOON
Create on CoCo, publish on CoWork
Support Analysts on Workspaces
Manual (SQL) or natural language creation with CoCo
Privilege to Publish on CoWork
Govern what knowledge workers consume
Role-based Sharing on CoWork
Govern access to northstar dashboards
Conversational Dashboards
High quality follow-up Q&A

--- Page 29 ---
DEMO

--- Page 31 ---
Where To Start Today
The platform is ready. Start building.

--- Page 32 ---
THANK YOU

## 三、会议回放视频转录内容

大家好，我是 Snowflake 的席叶文
我了解到我应该是今天最后一个分享
也很感谢大家对技术的热情留到这个 session
我相信一天下来大家其实也听了非常多的分享
在我们的演示区不止走了好几圈
有许多的演示或者说企业都是说
他有做零代码的方式去做企业级的助手
今天我也是想在最后一个 session
给大家带来一些真正可以落地的实现的
作为一个企业级的助手
帮助我们完成企业智能体的网络的搭建
在零代码的基础上
所以这个也是我希望在我的演讲结束以后
大家可以立马去落地
包括我们在楼下的 booth 的话
大家可以直接拿到我们有400 美金的一个测试账号
而且在一天的过程中
只要你把它搭建成功的话
其实就可以来拿到我们的小礼品
就是我们真的想用事实来验证
我们并不是说只是在一个片子上讲
我们是一个可能企业的智能体企业的 open cloud
但是真的是可以把它落地的
所以其实在我们来讲我们的分享之前
想给大家看一下
我觉得这个是一个很真实的国外的叫 Knowledge Worker
其实就是我们的白领打工人
很正常的一个工作流
可能在我今天一天结束的时候
我要去交出一个答卷
不管是比如说
我的是一个出海的企业
我们关注到很多
北美的一个市场新的产品的落地
或者说我们的新的一个市场活动
market campaign 的一个总结
那还是比如说我有一个
线上的客户的流失率或留存的一个分析
这是我最后要达到的一个结果
在这之上的话
那我早上一起来
可能就是因为我们是做数据的
非常了解这个过程
那很多的我们的业务人员
要去不同的系统
去抓取这些数据
事实的依据
它可能是我们的 CRM 系统
Salesforce ERP
还有很多这种三方的工具
那当我发现有很多的
我们的业务的逻辑
事实的基础对不上的时候
那可能我就要去找我的数据团队
我们叫 Data Engineer
去帮我拉到最新的数据
有一个一致性的
不管是 T+1
还是现实的
实时的一个数据帮我对齐
那在这个等待的过程中
我也是不能闲着
我要去做一些
我们的控制台
我们的 Dashboard
不管是 Looker、Tableau
还是 Sigma 的一个下钻
来回答一些就是 why 的问题
对吧
然后再把它总结成
我们可能要上交的一个
PowerPoint Excel 的这样一个报表
来做这样一件事情
但是最扎心的就是
可能到了下午三四点的时候
领导的想法变了
我可能想看另外一个事实依据
那我要从头推导来做这个事情
所以这是非常正常的一个
我们用到数据的
我们一个白领的打工人的
一天的这样的常态
这边也是想要演示一个就是
当然
我相信这个片子的今天
可能都是很多人
已经在转向我们的
未来的一个工作流了
很多时候我们
包括我们早上做了一个调查
那你今天的工作有多少是
跟 Agent 来交流的
多少是真的
我自己去做一个
我们的数据的准备
这个60% 的其实
都是比较高的了
那我们看到未来的话
我们这个老生常谈的一个话题
会不会 AI 取代人
其实是不会
还是需要我们对业务的熟悉
我们的经验的指导
但很多时候我们就是做一个
Approved
甚至我们现在的 Agent
可能都是 Auto-Approved
来做这件事情
让它帮我的工作流完成
但是60% 时间
我们可能更多的是
要通过我们的经验
给我们拿到这个数据
来发掘更深一层的这个内容
所以这个也是我们看到
整个我们的工作场景
业务模式的一个转变
从我们自己人去手抓数据
变成了一个通过 AI 的辅助
来 尤其是我们这边讲到
为什么真正没有落地
75% 的项目
都是死在了我们的一个验证阶段
包括我们其实
我平时在新加坡比较多
我们有一个
新加坡叫淡马锡的
一个主权基金
我不知道大家听没听过
它其实就是投资了
大量的一些科技公司
还有一些海外这种投资
包括也是阿里的很早期的一个投资
包括新加坡的可能
我们的养老基金
有没有都是依赖于这样一个
主权基金
它在我们的一个活动上分享
就是它现在不做任何的
沙盒了
因为我们一旦进入这个沙盒
你有一个想法
就是觉得我这是一个
试验型的这样的一个阶段
所以这个是很难真正去落地的
因为如果从一个
我们真正数据 AI 的项目
不能落地的话
很大的一个原因
我们总结来说就是
没有一个我们叫 No Shared Truth
那我这个业务部门
是同意了这样一个
事实的一致 dimension
那可能跟其他业务部门
是不是一个对齐的状态
包括我们做了一个出海的项目
其实这个销售预测的上下
大部分时间是在对齐
这个我们的这个事实的一致
更重要的是很多项目
就是在可能在法务
或者说是安全那边
就被叫停了
因为这个数据
是我要做一个企业级的一致
而不是说我只是一个个人的去问答一下
然后拿一个
可能我的一个
实验性的项目
最后的话最重要的一个也是
我们上午就有一个分享
得到了非常多客户的认同
就是我是一个 business context
今天时间有限
没有机会介绍到我们公司的话
其实是在全球有
13000多家公司
全球世界500 强2700多家
是用我们的一个
我们是一个2B 的企业
那为什么这些企业
敢用我们的这样一个平台的话
就是因为我们符合这三点
就是第一点
我们刚才讨论到的
我们首先是要有这个 governance
有可信的数据
来建立我们的跨部门
都认同的这个 metrics
一些事实的一致
在这之上的话
我再去做我们刚才说的一些
下钻的工作
然后找到一些额外的结果
和一致才能
最重要的最后一点
就是我并不是一个问答
我最重要的最后要得到的
我工作的结果一个产出
是有一个 action
我因为我得到的
得到这些结论
对我的业务直接可以生成
影响的一些可以上线的内容
所以就回到我刚才那个案例
就是像一个
我们大量的银行主权的基金
他可能操盘了几百亿美金
这样一个投资的决定
它是依赖于我们平台
来做出这个决定
来获取这个结果
来给它影响
它甚至是这样的一个
重大的投资的决定
都是在一个可信的平台上
来完成的
所以我想在这个之前
就先回答
我们今天跟所有在场的
做这个 agentic
我们做这些 CoWork 的公司
有一个什么样的巨大的区别
就是我们有这个
事实的数据的基础
所以就回到了
这样的一个
我们的整个的展现
大家可能会关注
量的这两点
就是我们的 snowflake
CoWork
也是我接下来会分享重点
还有 snowflake coco
其实我们公司内部
也是有过一段小的历史
不是一个技术的原因
而是我们真正的去探索
然后去了解
包括我们一个
我们叫 research 的一个工作
我们是学术性地去理解
到底我们在真的
就是在 AI 时代的工作流里
需要怎样的一个辅助的助手
那 CoWork 其实就是我们
更多的像我们的那个
knowledge worker 一开始分享到的
可能根据它的一个工作流程
来做了一个呈现
CoCo 的话就更多的是
像我们的一个
数据开发一个辅助的助手
这样的两个平台和定位
包括我们今天的话
亚马逊云科技这个分享
分了这个 persona
就是根据不同的画像
来定位
来制定我们这样的一个主题
所以这个更像是
我们很多业务的 business 的用户
而 CoCo 更多的是
像我们数据的开发者
但是越来越多的
我们在线上看到这个界线
也在模糊
就是我们不一定
非要规定我传统的业务
不可以去做我们的
coding 的工作
所以这个界线也是
在慢慢的变的模糊
那在中间的话
这几个案呢
其实才是我们真正
就是包括我们在最新的
summit 我们的这个
Cortex
也是重点分享的
我们长期是做数据的
这个公司来细分
就是我们刚刚谈到的
很多客户也非常同意
我们长期的数据
停留在你的 ERP、CRM
这种数据的系统里面
我们是不是能影响上下
就是你理不理解
我企业级的一个上下文
包括我刚才提到
我们有大量的这个药企
它是一些非常重要的
病人隐私信息
它都可以在我的这个
平台上提取到
然后再就是我们的
software 和 application
我们最近也是刚刚收购了一家
做 MCP 的公司
为什么我们要收购这家公司
就是我们其实了解到
如果要把这件事情
真的做到极致的话
也是需要打通不同的
一些软件还有业务系统
包括我们自己也用一些
Workday 或者 Zendesk 的这种
Zendesk 系统
大量的我们的知识文档
其实停留在
这些三方的系统需要接入
然后在上面的话就是
AI Model
AI Model 的话
我们其实是有一个
非常灵活的选择
我们的定位
也不是比拼一些
我们的模型的快速发布
或者模型有多么强大
而是给客户提供一个
很灵活快速的模型来接入
但最终的最核心的就是
我们在这个
Agentic Control Plane
才是我们真正一个核心的
我们对企业级的工作
有了一个定位和解读
所以这个是我们一个
整个架构
还有我们的一个分享
说到这个 CoWork
大家可以看到这个界面
就是我们最后的一个呈现
像我们
甚至上午分享的一些
Deep Research
我们问一些非常深的
一些甚至是咨询类的问题
都可以在这边得到解答
但是它最上层的一个事实依据
就是停留在我们的
甚至是在邮件的系统
我们的
我们自己也用 Slack
这种交流的对话的系统
chat 的系统
甚至我们这个企业级的数据
有大量的这样数据的事实的基础
注入进来以后
帮我去做
甚至我们很多的
传统上做一些数据的清洗
数据的这个归因洞察
都是可以在我们平台的话
更加在 AI 的时代
去自动化的完成
那最后的产出的话
我们也不再停留于
只是我做一个静态的
控制台面板
而是有不同的呈现模式
它可能是给我做一个
PPT 的分享
可以用来作为我下一个
其实明天我
其实作为一个比如售前
我的工作就是
如果是更定制化的一个 PPT
不是拿着一篇稿子
去给我的不同的客户来讲
更加专业化的
更了解它的业务
来做这个
一个产出
然后在这个
coco 的这个 coding agent for data
其实我们介绍下来
也会有很多人问
我想回答这个问题就是
那你们跟市面上
其他做 coding agent 的
有什么不一样
那你们做的是这个
更准确 更快
还是 token 用的最少
那还是回到我最开始的分享
因为我们有长期
对大量的客户
这边写到
我们的 Data Engineer
数据工程师
数据科学家
不同的我们在这个
数据行业的一些沉淀和积累
所以可以把我们的这些 skills
更快速的开箱即用来应用到
比如说我们有很多
这个 dbt 的模型的建设
还有我们 Airflow 的这个
任务的调度的话
都是开箱即用的
那这边也想用这样一个数据来回答
我们的 coco 的话
其实在一个这个 ADE Bench 里面
可以显示到
它其实在我们的 Token 的消耗量是
降低了51%
然后用的时间少过一个小时
因为这边也是我们有一个
算是有点客户一个现场事故
当然不是说怪我们
它可能用一个很传统的方式
就是 Claude Code
接一个 Snowflake MCP
如果你只是简单的这样子去调用的话
这样的一些 coding agent
会去直接全局的去扫描你的数据
当然不是全量的数据
但是即使这个元数据
你有什么数据仓库
而且你的这个权限
是不是在这个管控范围之内
所以其实会有非常高的一个
Token 的消耗量
而且这个时间上的话
它其实也要需要更多层的
不停的去优化去思考
才能达到它最后的这个结果
所以这边也是一个其实
公开报告可以看到
我们的 coco 在完成这个任务的时候
是达到72.1% 的这个 Pass Rate
这个 ADE Bench
相比于其他的我们比较
frontier 的比如说 Claude
Codex 的一些应用
也想来回答这个问题
那为什么有了这些工具
我们还要使用 Snowflake 的 coco
来完成我们跟数据交互的一些任务
这个的话也是
如果我们传统的
可能大家熟悉有一些
CLI 的呈现方式
我们也是有这个 Desktop 的呈现方式
因为可能 CLI
我们也做了很多活动
发现可能在这个安装包的情况下
就是可能有很多的业务
就止于这一步
而不能很好的把它使用起来
所以我们也是有这个 coco desktop
等一下我的演示也会给大家呈现
它不仅是一个客户端本身
而且它有其实很多打包的这个技能
然后连接 MCP 的这个端口
真正的把我们刚才说的
这个企业的一套调动起来
这个也是就是我们
我们知道就是我们这个 approve 的流程
有时候我们跟 AI 的对话
也要去等它完成
可能在线上再等
然后有了我们这个 Agent API 的话
跟它交互的模式
也有了一个新的途径
那我可能在回家睡觉前
给它发一个 API 的这个需求
然后我可以等到
它把这个结果完成
给我们做一个呈现以后
然后我们在可能早上起来的时候
就有一个现成的
我可以使用的应用来给我提供了
所以这个也是我们刚刚
这个就是马上要 GA 的一个
调用它的这个功能
并且我刚才分享的所有最重要的
还是回到我们对数据的权限的监控
我可以调用的真实的数据
都是在我统一的一套
我们叫 Role-Based Access Control
甚至到行级别列级别
对数据的这个管控的情况下
来完成我这个数据的一些使用
那分享了这么多
就是我们看到
希望从只是简单的
跟我的数据的对话
变成了我们今天的这个主题
就是我的一个真正的工作助手
那传统上其实
我觉得这个跟数据的对话
甚至我们现在说
AI 加 BI 都不是一个新的话题了
那到底有什么区别的话
可能在
甚至是几个月之前吧
我们很多这种对 AI 的
和数据的使用
都是一个我以只读的形式
我跟我的数据做一个简单的问答
然后
甚至我要知道我是结构化的数据
我是问数的场景
还是我是非结构化的数据
我要去找到一些知识性的结构
在我其实问之前
我自己就要
就是解答我自己很多这样的问题
来调动
并不能给我一个
把这个全局的一个
把控甚至我所有的这个
Enterprise
我们叫 Enterprise 企业的 Context
来注入到一个统一的平台
而且刚才我们跟大家也讨论
很大的一个问题就是
它没有以这个记忆的机制
每次的话
我都要从头开启
包括我们之前已经有了一些
对话的结果
或者说对我这个企业的了解
每次都是
甚至我们不能说
每次都是要从头来写
我们可能我们的数据工程是
我们的开发者
把很多这样的工作
做在前面每次去喂给 AI
但是通过我们这个
CoWork 的转型
那不仅是一个读
它甚至可以做到一个写
并且来给我做到一个
有结果的
有行动的成果的一个结果
就是我们的
Read, Write, and Act
而且它可以帮我自动去知道
我要找什么数据
而不是说我要告诉 Agent
我知道这个可能是
我要去归因的时候
你要找这几个文档类的结果
而这几个是问数类的原因
我们的 CoWork
是可以自动的去做
我们的 Routing
一个路由的机制
并且在不断的
记忆的机制之上
然后进一步来学习
来成长的一个过程
这边也是看到一个
我们刚才讲的
我们的 CoWork
CoCo 都是我们上层的一个呈现了
那很多
我们的同学都会想知道
那底层到底是怎么实现的
其实我们也有很多可选
如果你是想用 API 的方式
来调用的话
有 Cortex Agent
我们可以把它
如果你已经有一些企业
内部的流程和接入的话
可以用 Cortex Agent 的方式来接入
还有我们的 AI Function
也是可以单独来拆解的
包括底层的话
其实我们提供 MCP 的连接
还有我们的 Semantic View
语义层
最后这个模型
我刚才已经谈到了
就是我们会接入最新的
比如说现在4.8
4.7
都是在一周之内的话
就是绝对可以
最新的 Frontier 的 Model 接入
包括中国的 Deep Seek
也是可能在美国厂商
在发布的三天之内
我们就做了一个接入
虽然我们说
我们是不去比拼大模型
但我不知道大家有没有上午
听到我们的合博士的一个分享
不代表我们在这方面
是没有我们自己的见解
和我们的实践的
因为我们上午的一个分享
也是发现企业在去找到
这个数据的时候
会有一个我们叫 Long Horizon 的一个
去查找一个非常长的
链路和链条
那最后的话
也是我们可能会有几个 Agent
过早的去得到一个事实
也许这个事实不一定是正确的
但是得到这个事实以后
其他的 Agent
其实都是基于这个事实的基础上
就去同意了
就是像我们有时候说
觉得为什么这个 Agent
好像过于听话
而不是来反驳
来其实说一些
我可能想要听到的内容
所以我们其实也是建立了
这样一个机制
就是我们在查找的过程中
是都不公布答案的
当我所有的 Agent 协作完成以后
那我们再来公布答案
来对齐我的结果
所以虽然其实我们说
我们不做大语言模型
但是其实我们在我们背后的
包括马上要讲的一些
Deep Research 里面
都是运用了大量的这样子
我们自己的工程实践
还有我们 Specialized 的 Model
这边也是想分享几个客户的案例
这些客户的案例
早上我们是讲到 Wolfspeed
是我们的一个半导体
最火的领域
可以说是可能半导体
产业链上下
接着世界杯热潮
其实我也想分享 Fanatics
它其实就是一个做
我们的运动发烧友的周边
它也是用了我们的数据平台
你可以看到
比如说这个人
他去看了什么样的比赛
美国可能比较火的是棒球
最近世界杯网球的这种运动
然后通过这些
我所有的这些运动发烧友的周边的
一些信号
来提供他的变现模式
售卖一些可能运动的周边
可以是球衣
可以是一些这些转播
所以他最后
也是在我们平台上
有两亿的粉丝的信号的收集
并且有一个端到端的变现
所以这边除了我们制造的话
有非常多的领袖的这种企业
但是今天站在这边
让我做这个分享
我觉得其实在我的最大的舒适区之内
是用我们 Snowflake 这间自己的公司
因为我作为一个 Snowflake 的员工
我们其实是一个算技术 Tech 的公司
但是我们公司内部的话
也会有 HR
也会有市场部
其实我们也是一个完整的公司
我们自己公司的话
我觉得我们的市场的同学
现在也是有了什么问题
先用我们的助手
CoCo 这边也是看到
我们其实就是内部
从我们发布以后来统计
已经有了16个 Million
1600万的节省
而且这边其实有一个数字
就是80个 FTE
并不是说我们要去做一些优化
而是其实做一个转型
像我们很多的一些
甚至是我们传统做一些技术支持的
工程师他可以现在做 FTE
我们最火热的去帮客户
去做这些部署
这个也是我们内部
像我是做这个售前
我们有很多的销售的业务人员
其实我们的工作
就是像我在最前面分享到的
我要去拜访一个客户
我要去看他很多
可能外部的数据
他的公司的财报
内部我们是不是之前
已经有一些交流
我们的对话的记录
所以这边的话
就是我们整个 GTM 的团队的话
也会里面有大量的
我们的一个 persona
我们的画像
那我是一个销售
还是我要去做一个
销售的预测和记录
这边就是我们事实的一个
真正的工作流
把它融合进去
所以其实我每天要对接
也是我们这个
CoWork 的一个
整个就是可以
根据我的需要调用的一些
Skills 等下
我可以给大家展现
比如说我作为 sales manager
我需要可能看我团队的一些表现
我是有什么样的权限
可以拿到什么样的数据
来把它真实的融入到
我们的工作当中
所以这个也是想用我们
Snowflake 自己的一个案例
给大家分享
那我这最早可能就是
百分之六十时间去挖掘这个数据
变成了我百分之十的时间
是我去 approve 这个 agent 的工作
而且百分之六十的话
可以更专注的
去理解我的客户
去了解他的业务来做这个对接
所以这边的话
接下来是因为我们在
我们6月初的时候
Summit 的分享里面
也是分了三个部分
因为这个 CoWork 作为一个
统一的平台
它可以分到我们作为 personal agent
做一个工作的助手
里面有什么新的发布
然后再做这个 Autonomous
就是一个自动化的 agent 的话
它有一些什么新的发布和间接
以及最后一个
我们还是说我们最后的工作
有时候在汇报的时候
不能离开 Dashboard
我们也有一个
团队合作的需求
那它是怎样来呈现的
所以接下来我的分享
会把它分成三个
你可以看到我上面
都有一个这样的标题
来做这个解释
所以第一个的话
就是作为一个
我自己的工作助手
像我刚才提到的
如果它真的是要了解
我的工作的话
它其实首先要知道
我的一个背景
就是我们今天的 persona
那我到底是一个财务的团队
还是我是一个
我们的 sales ops 的团队
它到底是要完成的任务
是怎么样
然后在这个 agent 的调动
我们所有的可能
我看到的一些
它可能是 PDF 的 report
可以是我的 PPT
最后来通过
我们这个 MCP 的工作助手
包括我们刚刚收购的
甚至联系一些
我的
社交的账号
这种对话跟客户的
这种交流
来统一地做一个全局的
我们叫 context 的处理
这是我们的第一个
最新的发布
第二个就是更有趣了
而且是我们在大量的
可能做项目的时候
遇到的几个问题
首先就是记忆的机制
所以这个 CoWork 的话
也会自动的去了解
你之前的一些
我们说的这个
所谓的企业小龙
就是要了解你的一些喜好
你的工作
所以你不用一遍遍地告诉它
我是这个公司的
可能一个销售
我要去拜访这个
比如说工业的客户
所以它这个自己
会有一个记忆的机制
再就是我这个 use skills
那如果我长期要问这样的
五个问题
我从早开始就是
我要做这件事情
那我可以自动地
把它变成
我一个打包的 skills
最后的话
也就是一个我们的 plug in
可以把这个我所说的这样一个
集合的 skills
变成我工作的一部分
把它变成我工作流的一部分
所以这个的话
也是在我的这个个人助手上面
最新的发布
那如果
我在这个手机端的话
也要做一个使用
因为长期以来
我们的可能说
我们做企业
B 端的话
那都要来到我们这个
CoWork 平台
包括我们在中国
其实我们有很多探讨
有很多客户要把它跟我的 Lark
钉钉的这样的平台
甚至做一个集成
我们都会有一些实践
那这边的话也是
如果作为一个 CFO
我们有一个也是叫
Good Morning CFO
那可能 CFO
在去上班的路上的话
就是要看到一些
我今天公司的
甚至一些股价的信息
是怎么样的
可能行业里
最这个 headline 的
一些头条的信息
要了解这些事实
我们可以把它变成一个
呈报的一个状态
给我们的这种 C 级别来做
那回到我们最开始
如果要做一个市场的激活
或者说一个流失的
这个分析的话
也可以用
在我们路上的这个
一个手机端的 app
来给更灵活的提供一个
我们的个人助手的呈现方式
在正话这边的话
也可以看到像我们也会有
我们的比如说工程团队
那可能每天大家知道
有一个 data standup
我可以把它变成一个
就是我的工作流
那从早上我要开始
可能之前
前一天是做的这个
growth strategy
那我们今天的话
也要看一下我的 weekly campaign
它可以自动的帮我在背后
完成这样子
我可能是
重复性的一些工作
可能过往
我要去发一些
可能报警的信息
这个完全就是变成了
一个自动的工作流
在我们平时
或者我之前的一个版本
只是做一些事实依据
来问答的过程中
把它真正的
落实成我工作的一部分
来帮我做一些
我重复性的工作
这个的话也就是很有趣的
我们早上做了一个
非常深入的分享
就是我要做 deep research
而不是简简单单的
像我们在 dashboard 平台
下钻两个问题
而是回答一些
非常深入的这个 why 的问题
另外一个
Analytical Search 的话
也是一个很有趣的
我们的呈现方式
就是有一个例子
我们在美国有一个
非常大的房屋租赁公司
它是一个等于是
房地产公司
我可能有一万份
可能上万份的
跟我的一些客户的合同
就是我的租约
可能有的是
我跟客户一些办公室的
租约是一年的
有的是两年的
它可以做到一个状态
大家可以看到合同本身
它是一个非结构化数据
可能是一个 PDF
甚至是手签的状态
我把这样大量的数据
注入进来以后
它可以告诉我一个结果
比如说
下个月七月
你可能有200份的租约
是要到期的
你应该去考虑
跟这些客户讨论
是续约呢
还是我要去寻找
新的租客
它是可以达到这样一个效果
那这边的一个例子
也是它可以告诉我
比如说38% 的 Q4 的
我可能签了一些合同
有一些可能风险的危险
那我是不是要去
把它带入到下一个
就去审查
所以说它其实是
在我们传统上
本来是一个非结构化的
去了解这一个
一些知识性的问题
把它变成一些分析性的问题
来进行处理
并且回到我刚才说的
就是我们不希望
就是你要在跟 AI 对话的时候
要知道我是问数
还是问一个知识
而是可以两者做一个无缝的结合
来回答我真正的一些
要去追寻的工作
这个地方也是很有趣一个话题
就是我在跟很多中国 CIO 去交流的时候
他们都会越来越受到
就是最早是
Palantir 出的一个本体论
我们直接翻译过来
就是 ontology
翻译成包括我们很多同事说
有点那个
好像生涩的翻译的
ontology 本体论的这样一个方式
但是讨论下来
真的要实现这样一个 ontology 的实现路径
其实需要
还是非常大量的时间
还有业务之间的对齐
很多客户在其实做这件事情之前
就觉得我在调用 AI 之前
要做太多的整理和对齐的工作了
所以我们也是看到这个痛点
在最新的这个 Snowflake 推出这个
我们叫 CortexSense
就像一个感知系统
只要你把这个数据来
它可以自动的去感知
你的这些数据
它之间的一个逻辑的关联关系
是怎样的
来建立这个 ontology
把非常多的我们传统上
不管你是在 BI 端的很多的知识
来建立这个逻辑
还是在数据端的
作为一个自动化的一层
来真正的去实现它
这边也可以看到
就是我们一再说
我直接用 frontier 的 model
来做这件事情
到底跟我用 Snowflake 平台有什么不同
我们可以看到
当我们在一些实验型的
跟客户前期的探讨
也是把准确性提高了3.5倍
因为它可以理解我的一些业务逻辑
我的关联之间的关系
可能并不是一个单纯的
我在数字方面要解决的
可能我刚才的一个客户
也是说我有一个产品
它可能跟它的环境
甚至是它的业务的形态
可能它本人这个业务
就在做一个
可能有一个下降的过程
我在续约的时候
是不是我要讨论的维度
是不一样的
或者说甚至换一个产品线
来给客户做一个推荐
这个之间是看似
数据都有
但是真正要把实际的联系建立起来
还是需要大量的人力的成本
本身在里面的
所以这个也是我们在
自动化的助手里面来体现的
我们不仅是一个
我们要比拼是不是代码写得准
而是真正的就是
它有没有给我完成我真实的工作
它可能最后呈现的是一份
PDF 的汇报
也可能是一个 PPT 的文档
所以它并不是只是
我去跑这些代码
而是真正有这个事实的
我公司的
直接拿来用的数据
来帮我完成这部分的工作
这个的话
也是回到我们刚才谈的
那我最后的话
可能还是想跟我的同事
有一个真实的分析
我们叫这个 Artifacts
因为传统的话
我们是作为一个数据平台
多年跟各种 BI 的
不管是 Tableau、Sigma
Metabase 有各种合作
那很多我们现在看到客户
不再依赖于我的数据团队
去帮我抓取这个数据
给我做这个报表了
而是有很多这种
即开即用的需求
可能 CLevel 就直接要上手
把我这个报表来做出来了
但我一旦做出来的时候
就会发现
我还是要经常要运用它
我总要把它落实下来
那我们就有了这个 Artifacts
在我跟这个
我的助手来聊天的时候
那如果这是我一个常用的问题
我可以直接把它保存下来
而且我还可以
跟我的团队进行一个分享
看看我的整个团队
是不是有一些其他报表
是我要来做的
但是又有人会问
这只是一个图的影像的呈现
那我可以拖拉拽的
也可以用其他工具实现
那如果我要做到传统上
还是我要有一个
几个报表的这种形态的话
可以把它汇集起来
那跟传统的 BI
又有什么不一样
我觉得还是回到我们工作模式
那传统的话
它可能是比较死板的一个写死的
在我任何的改变当中
我可能都要跟数据团队
或者我的数据的
工程师 BI 的团队做很多交互
那有了这样一个的话
我可以自己的很轻松的
可能在我的下一个季度
我要看的维度是不一样的
自动就生成这样一个全局的
我们叫 Multi-Tile 的
多个面板的一个 Artifacts 的
Dashboard 控制台
那做了这么多分享
也是今天的最后一个分享
所以想也用一个演示来收尾
就是我讲了这么多
到底是真实怎么呈现的
大家可以看到
这个就是我每天来到的一个
我们的工作平台
是我们刚才分享的
这个 CoCo Desktop
所以在这个 Dashboard 的时候
大家可以看到这个 Agent Setting
这个真的是我每天都在用的
首先在这边我的 MCP 连了
比如说我的 Google Drive
我的邮件
我的 PPT 的系统
然后这里还有这个 Profile
像我刚才说了
因为我这个角色
而附带的
这个是我的 Skills
给我来赋予的 Skills
那我这边也有权限
可能去访问 SE/Individual
或者销售的一些 Skills
在里面的话
这个 Skills 的话也可以看到
就像我说的
我要去做一些小头部的
但是技术性呢
因为我们也有很多这种
Data Governance 的
我们的数据工程师
要来做这件事情的话
它可以用到我们的一些
Data Governance Skills
它可能是一些
甚至对 HIPAA GDPR 的
我们出海的很多客户
要直接
去把它调用的一些 Skills
来做一个这个技术上的呈现
那如果我们看到具体的里面
我的这个要去看
最重要的我一个工作
是要让我的客户
用起来我们的平台
这个 Snowflake 平台
那我要看它可能
每个月度啊
还有年度的一个增长
它是怎么样的
它在不同的层面
是用了很多这个数仓的
还是用了一些
我们的新的功能
AI 的功能
并且你可以看到它的第一步
就是我要看它的这个用户的呈现
当然今天也是我并不是说
只是问一个这样
我的使用
回到我们最初的我最后要做的
就是明天我要去拜访这个客户
要做一个 QBR 的这个 Slides
让它帮我直接生成
大家可以看到
它直接调用我的这个
Sales Manager 这个呈现
来看到它的在过去的几个季度
一个每个月的使用的情况
并且它会理解
我们公司叫这个 UseCase 的一个场景
它可能是我刚才说的
Cortex Agent
我要做一个上线
然后客户的话
它也要做文档的一个规范化
甚至对这个供应商的
协作门户的上线
这边也可以看到
它最后给我做了一些总结的
我直接可以把它放到
我的这个 QBR 跟客户
对齐这个事实依据
来帮我做一个生成
来调动我刚才展现的
MCP Server 来做这件事情
大家可以看到这个就是 PPT
其实我想展现这个 PPT
我相信大家看到了非常多的演示
有非常多很美的 HTML 的演示
这个 PPT 不一定是最美
但它最重要的是
我不要在一个 HTML
大家看到了一看
就是 AI 生成的
它是由我公司的模板的
我公司的一个背景的
并且可以看到我不仅是
对过去的一个回顾
而且是比如说下一个季度
我们之间是不是有一些战略的
我要可能做一些 AI 的深化
还是一些数据的共享
给我提一个
像我最开始谈到的
真正的能有一个
Actionable 的帮我去
拉高我的业务的一个结果
所以就是我不是展现一个
可能最美的 Slides
但是它可以让我真正的
直接变成我业务的一部分
这边就是我的演示的分享
我们也说了我们在这个
楼下的演示
我不知道大家有没有机会
今天去到我们一进门的右手边
就是我们的 Booth
可以拿到一个400 美金的账户
所以我今天展现了
大家可以直接把它带回去
变成你的工作流的一部分
这边也是看到除了
我今天分享的 CoWork
我们有非常多底层的
甚至是一些对亚马逊云科技
实时查询的演示
希望大家可能在
今天稍后的时间
还有明天有时间
再来到我们 Booth
做更进一步的交流
那我们今天的分享就到这里
谢谢大家这么晚了
一直留到最后