企业数据里藏着大量从未被显式建模的领域知识——类层级、同义词、传递关系。Snowflake 将正式本体嵌入 Cortex Agents，通过知识图谱、GraphRAG 与术语映射三种方案，在一项生物医学基准上把智能体评估准确率从约 60% 推至 85% 左右。核心结论：结构化上下文比增加计算推理能力更有效。
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。在医疗与生命科学领域，SNOMED CT、UMLS、Gene Ontology 等行业本体编码了类层级、类型化关系与约束条件；在供应链与零售领域，GS1 定义了产品与包装语义；在金融服务领域，FIBO 为金融工具提供共享模型。
然而，大多数企业 AI 系统仍运行在表、列、键和连接的关系抽象之上。
这就是那道鸿沟。
提供关系构造（实体、关系、指标、维度），递归 CTE 支持动态路径查询。但无法原生访问概念继承、等价映射与领域约束。
在语义层之上叠加知识图谱、GraphRAG 与术语映射，补全层级传递与同义语义，让智能体真正理解业务概念之间的关系。
举一个例子：供应链分析师问"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，其下涵盖电容器、电阻器、集成电路及数十个子类别。没有本体支持，智能体无法自动扩展这些子类。
药物发现需要沿着"基因—通路—细胞—疾病—药物—结果"的关系链条推理，而这些关系分散在多个本体中，与实验数据彼此割裂。Snowflake 团队构建了一个受控的生物医学基准，结合两个公开资源：Cell Ontology（细胞本体）与 PRISM（药物再利用数据集）。
真正的难点在语义对齐：PRISM 按组织类型（肺、乳腺）标注数据，而 Cell Ontology 按细胞谱系（上皮细胞、基质细胞）组织概念。智能体必须跨越这道鸿沟，才能回答分析问题。
团队设计了 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、分布分析和多类别比较，每种配置重复运行 5 次以保证一致性。
此外，团队使用 Cortex Code 的智能体优化技能迭代全部四种配置，通过"评估—优化—比较"循环调优提示词、工具描述与选择启发式规则。
在四项配置的对比中，每种增强方案都带来了可量化的提升。
注：柱形自 55 分起缩放，非零起点；数值为方向性评估，基于原文相对提升幅度推断。分差以标注分数为准。
一个关键细节：GraphRAG 单独贡献了基线总体增益的约 80%。预先计算组织类型列表，是本次基准中影响最显著的干预之一。
在不使用静态映射的情况下，GraphRAG 配合聚合后代属性已取得约 80% 的增益。先确保索引为每个概念提供完整数据，再谈人工规则。
2 个工具的 GraphRAG 与 7 个工具的知识图谱表现相当，且多次运行方差最低。更多工具放大编排错误范围。
术语映射的优势集中在复合术语（如 "internal organ lining"、"carcinoma-like models"），它们无法仅通过层级遍历推导。这一层应保持精简，补充索引而非取代索引。
一个诚实的注脚：这项基准是受控条件下的方向性评估，而非生产级生物医学推理的完整验证。真实部署往往需要跨越多个本体与关系类型，并纳入数据来源追踪与不确定性处理。但作为不同本体技术的相对比较，它指向了一个清晰的信号。
当准确率提升主要来自结构化上下文而非额外算力时，企业部署智能体的优先级正在被重新定义：先让数据读懂业务，再谈模型更聪明。
任何已在 Snowflake 中维护本体的团队，都可以遵循同样的流程：加载本体 → 构建索引 → 创建智能体 → 使用 Cortex Code 优化。
snowflake.com → 了解 Cortex Agents