一句话看懂：Snowflake 在其官方博客中提出，企业 AI 增长战略的真正短板不是模型能力，而是”上下文优势”——把公司特有的业务判断注入每一次 AI 决策。文章以虚构高价值客户 Maya 的滑雪装备售后案例，说明上下文缺失如何让准确的事实导出错误的决策。
事件核心：发生了什么
2026 年，InfoQ CN 转载了 Snowflake 的一篇观点文章。文章的核心场景是：客户 Maya 购买高端滑雪板后多次浏览配套滑雪靴页面，企业 AI 据此推送八折优惠券。但 AI 并不知道滑雪板到货已损坏、替换延迟、理赔未关闭——按照公司政策，此时不应打折，而应优先做服务补救。所有信息在公司内部都存在，只是没有在决策时刻提供给 AI。文章由此提出”上下文优势”概念，并给出七项原则：上下文让决策更相关、可利用非结构化数据、需组装”最小充分上下文”、跨部门共享、受治理、企业自有、可形成复利。Snowflake 同时推介其 Horizon Context 产品，主张上下文层应建在企业自有数据平台上，而非模型提供商或营销应用内部。
为什么重要
文章触及一个正在被低估的问题：当高质量大模型变得人人可得，模型选型不再是护城河，企业的业务判断——如何衡量客户价值、如何在增长与利润率间取舍、如何保护品牌——才是难以复制的资产。更关键的是决策速度：人工节奏下，一次错误投放还能在周会复盘中发现；AI 节奏下，同样的盲区可能在有人察觉前已重复成千上万次。文章也指出，简单”把所有数据扔给 AI”并不可行，长上下文研究显示相关信息埋在长输入中时，模型利用可靠性会下降。这为 RAG、语义层、数据治理等基础设施提供了新的需求叙事。
对用户/开发者/创作者的影响
对开发者而言，构建企业级 AI 应用时，”取哪些上下文、何时取、以什么权限取”将与模型调用同等重要，上下文组装层可能成为独立的工程模块。对企业采购方，评估 AI 方案时应追问上下文存储位置与迁移能力——被锁定在某个模型或应用里的业务知识，会随供应商策略变化而失去控制权。对营销与运营团队，非结构化数据（客服记录、评论、聊天内容）的价值被重新定义，它们不再是报表附注，而是可直接指导行动的信号。目前公开信息显示，这一框架仍以观点与方法论为主，具体落地效果取决于企业自身的数据基础。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Snowflake Horizon Context 的实际客户案例与性能数据是否公开；二是模型厂商与应用厂商是否会跟进推出类似的企业上下文层产品，形成新的竞争切面；三是”最小充分上下文”的工程实践能否形成通用标准，还是各家继续各建一套。
来源：InfoQ CN
