Snowflake与Databricks布局：湖仓升级至Agent时代数据控制面

从2026年的Snowflake Summit和Databricks Data+AI Summit来看，有一点非常明确：这两家巨头现在已经不再仅仅谈论传统的湖仓了。大会现场到处飘着Agent、AI Gateway、Context、Ontology、MCP、Guardrails这些词，以前的主角——SQL性能、存储成本、数据治理，几乎成了配角。

这就难免会让人产生一个疑问：Snowflake和Databricks是不是准备“抛弃”湖仓了？

恰好相反。他们并不是在放弃湖仓，而是在下一盘很大的棋——把湖仓从单纯的数据存算平台，升级为面向AI Agent的数据控制面。

过去的湖仓只关心一件事：数据能不能被存起来、能不能被算、能不能被查。

但在Agent时代，问题变复杂了，我们还要问：

• AI能不能真正理解这些数据？
• Agent能不能安全地调用这些数据去执行任务？
• 基于数据的业务动作，到底能不能可靠地执行到位？

这篇文章想做的，就是顺着两家公司2026年Summit的产品路线演变，聊聊传统湖仓和Agent时代的需求到底差在哪儿，顺便梳理一下Agent智能湖仓的三层架构到底该怎么理解。

2026 Summit 两家路线对比

从这张产品地图里看得非常清楚，虽然两家公司在产品命名上各执一词，技术基因也截然不同，但战略方向惊人地一致：业务入口从BI报表变成了Agent机器人；数据目录从元数据管理升级成了AI治理与权限控制；而湖仓底座也开始向操作型数据和实时服务方向延伸。它们之间最大的分野在于：Snowflake走的是“受控的一体化企业平台”路线，而Databricks更像“开放的开发者与AI平台”。

这次竞争的核心已经变了。不再是“谁的SQL跑得更快”、“谁的存储成本更低”，而是：谁能提供更完整的上下文理解、语义知识、权限模型、工具治理，以及Agent运行时控制。

传统湖仓 vs. Agent 场景需求

传统湖仓擅长解决什么？无非是数据接入、存储、计算加工、建模、BI报表、机器学习这些流程。

但Agent场景要面对的是完全不同的挑战——CFO问“为什么毛利下降了”，销售说“帮我准备客户的QBR”，甚至是数据平台自己问“昨天的哪些pipeline出异常了”。

这就意味着，你不仅要搞定基础的多模型接入（AI Gateway），还要有能够解释业务的上下文语义，以及搞清楚Agent的权限——它能调用哪些工具？能执行哪些动作？这才是核心。

Agent 智能湖仓的三层架构

Snowflake和Databricks在Agent湖仓的架构上，底层逻辑其实完全一致：数据面（Data Plane）、上下文面（Context Plane）、智能体控制面（Agent Control Plane）。

第一层：Data Plane —— 解决“数据能不能被存储和计算”

Data Plane是传统湖仓的基石，也是Snowflake和Databricks发家的地方。过去十年，这里的竞争主要围绕SQL战场的性能展开：谁的SQL更快？谁的弹性更好？谁的存储成本更低？谁对开放格式的支持更友好？

它包括数据存储、计算执行、SQL查询、批处理/流处理、表管理、基础的catalog、数据清洗建模，以及性能和成本优化。

Snowflake在这层的传统优势是企业级数据仓库、弹性计算、数据共享和治理体验；Databricks则是Spark、Delta Lake、开放Lakehouse以及ML/AI工作负载。

但如果只停留在Data Plane层面，是远远不够的。因为Agent要消费的不是“表”和“文件”本身，而是去完成一个具体的业务任务。它需要知道：该用哪个指标？用哪个口径？哪个数据源信得过？当前用户有没有权限去查？这就引出了第二层。

第二层：Context Plane —— 解决“AI能不能理解业务语义”

Context Plane是Agent时代最关键的一层。传统湖仓里，数据虽然堆在那里，但对于AI来说，这些表名和字段名仍然是低语义的信息。举个例子，表名是fact_order，字段名叫gmv，大模型并不自动知道：

• GMV在这家公司到底怎么计算？
• 含不含税？
• 包不包含退款和取消订单？
• 哪张表才是官方可信的？
• 哪些字段可能有质量问题？
• 这个指标和哪些dashboard或下游报表有关？
• 销售口径和财务口径到底是不是一回事？

如果Agent连这些都不清楚，它给出的答案就是不可信的。所以Context Plane的核心任务是：把原来只有工程师能理解的业务语义、指标口径、数据血缘、质量信号和使用经验，变成AI Agent可以直接消费的上下文。

这也是为什么Snowflake在推Horizon Context、Cortex Sense，而Databricks在讲Genie Ontology、Unity Catalog Metrics。没有这层上下文，Agent说到底只是个会写SQL的聊天框——也许能查出一个数，但很难保证用的表是对的、口径是对的、上下文是对的。

第三层：Agent Control Plane —— 解决“AI能不能安全上生产”

有了数据和上下文，还不够。Agent一旦进入生产环境，就不再只是回答问题而已了。它可能去访问敏感数据、跨系统查询、调用CRM、Jira、Slack或邮件接口、生成报告、开工单、触发审批，甚至写回业务系统。

这时候，平台必须回答一组全新的问题：

• 这个Agent是谁？代表哪个用户在执行任务？
• 它能看哪些数据？能掉哪些工具？
• 它能不能把数据发到外部？
• 它调用模型花了多少钱？
• 它有没有被prompt injection攻击？
• 它的每一步操作能不能审计？
• 它答错了，有没有办法评估和纠正？

这就是Agent Control Plane要解决的难题。它包括：Agent身份标识、每个Agent独立的RBAC权限、工具访问控制、MCP治理、模型路由、费用预算/额度限制、护栏、prompt injection防护、数据泄露检测、审计日志、以及评测和人工审批。

对应地，Snowflake推出了AI Agent Identity、Horizon Guardrails、Natoma MCP Gateway；Databricks也推出了Unity AI Gateway、Agent Bricks、Omnigent。

三层产品映射参考

为什么必须从湖仓上移到智能湖仓？

回到几年前，Snowflake的口号还是“ONE PLATFORM THAT POWERS THE DATA CLOUD”，Databricks则是“One open platform for data analytics”，一家以SQL切入，一家以Spark切入，各自盘踞一隅。后来两家距离越走越近，直接进入Benchmark肉搏模式。

Databricks打“时间维度的性价比”：Cost Over Time——我们的SQL更快更省钱；Snowflake则拿出“管理维度的性价比”：Costly Admin Hour——你投在我们身上的管理时间更少。

但基础计算性能的天花板越来越近，再卷Benchmark，产出效益也有限了。偏偏另一边，其他湖仓产品也在不断成熟，比如Databend从Day One就对标Snowflake，代码开源，性能测试甚至优于Snowflake，兼容度达到90%以上；还有ClickHouse、BigQuery、Redshift、DuckDB、Dremio、Athena、Trino、Spark、Flink、RisingWa ve、TiDB等，这种局面对Snowflake和Databricks都是不小的压力。纯湖仓领域里再卷下去，很容易就变成“给云厂商打工”。

与此同时，AI的爆发改变了数据分析的行为模式。现在Agent正成为新的工作入口，怎么让Agent方便地接入湖仓平台变得空前重要。通过系统化的工程能力给AI提供一套完整的语义、权限管理、上下文、成本控制和审计，已经成了产品竞争中更核心的部分。

所以，Snowflake和Databricks不是在放弃湖仓。他们看到的是：传统湖仓的Data Plane已经撑不起下一代企业AI了。Agent时代，湖仓必须向上长出Context Plane和Agent Control Plane。过去湖仓的核心KPI是“数据能不能被统一存储、治理和分析”，未来Agent湖仓的核心KPI会变成“业务问题能不能被准确回答，业务动作能不能被安全执行”。正是在这个逻辑下，两家公司才密集发布Agent、Ontology、AI Gateway、MCP、Guardrails、Identity、Cost Control等能力。它们不是偏离湖仓，而是在重新定义湖仓的边界。

对Snowflake和Databricks来说，目标很明确：成为企业AI Agent的控制面。让AI Agent能够在可信数据、明确语义和可控权限之上，安全地完成业务任务，快速抢占AI Agent入口。

而对其他平台而言，机会不在于复制Snowflake的CoWork或Databricks的Genie去做一个完整的企业AI工作台，而是把自己变成Agent-ready data platform底层的执行与上下文供给层。这意味着，在外部Agent、AI Gateway、BI Copilot或开发者工具之下，像Databend这样的产品可以承担三类角色：第一，成为开放的数据执行层，让Agent以SQL/API的方式访问可信数据；第二，成为低成本的上下文供给层，承载JSON、trace、日志、文档、向量等多形态数据；第三，作为Snowflake-like但更开放的替代底座，通过S3-native、Parquet-native、开源内核，降低企业把Agent接入数据平台的复杂度和成本。

从这个角度看，湖仓依然是星辰大海。不过下一站已不只是更快的SQL、更便宜的存储，而是：让AI Agent能在可信数据、明确语义和可控权限之上安全地完成业务任务。这才是下一代数据平台竞争的核心。