Snowflake FDE 岗位揭示:真正的工作在语义模型
Cortex Analyst 管表格,Cortex Search 管文档,FDE 要做的是让客户数据的含义准确无误。
要点速览
- Cortex Analyst 是一项托管的、基于 LLM 的功能,通过 REST API 调用。答案是否正确取决于语义模型。
- Cortex Search 对文本执行混合检索(向量加关键词),主要用于 RAG 和企业搜索。
- Snowflake 的两则 FDE 招聘启事都提到:构建语义模型、开发原生 Streamlit 看板,并把评测作为构建过程的一部分。
Snowflake 曾发布一个岗位,名为“Forward Deployed Engineer - Finance Analytics & AI Specialist”,该招聘已于 2026 年 7 月 8 日关闭。启事中提到的产品包括 Cortex Analyst、Cortex Agents、Cortex Search、Cortex Code 和 Snowflake CoWork。
比产品清单更能说明问题的,是对工作内容的描述:构建并持续改进语义模型,让用户能通过 Cortex Analyst 用自然语言查询客户的数据表。
这个细节说明,前线部署工程师(FDE)的大部分工作落在赋予数据含义的那一层,而不是 LLM 本身。
如果打算申请数据平台方向的 FDE 岗位,无论是否在 Snowflake,与其背功能清单,不如弄懂下面三个工具,以及它们如何配合。
不同的问题用不同的工具
Snowflake 文档将 Cortex Analyst 描述为一项全托管、基于 LLM 的 Cortex 功能,用于构建能回答结构化数据业务问题的应用。它以 REST API 形式提供,可以嵌入任何应用。要让它理解数据,必须提供语义模型。
Cortex Search 处理的是另一类问题。它是一项混合检索服务,结合向量检索与关键词检索,作用于文本数据,支持低延迟的模糊搜索。
按文档的说法,它的两大用途是 RAG 和企业搜索。合同、邮件、对账备注交给 Cortex Search;存放在表里的数字交给 Analyst。
Streamlit 是一个用于构建 Web 应用的开源 Python 库。Streamlit in Snowflake 让开发者在 Snowflake 内部构建、部署和共享这类应用,数据无需离开 Snowflake。招聘启事写明,FDE 要以原生运行在 Snowflake 中的 Streamlit 应用形式,构建财务、运营和分析看板。这些是生产环境中的看板,不只是演示。
Cortex Analyst
- 结构化数据:表、列、数值
- 需要一个描述数据含义的语义模型
- 通过 REST API 调用
Cortex Search
- 文本数据
- 结合向量与关键词的混合检索
- 用于 RAG 和企业搜索
语义模型才是真正的产品
根据文档,Cortex Analyst 的语义模型写在一个轻量的 YAML 文件中。对于新部署,Snowflake 推荐使用语义视图(Semantic Views),放在 stage 上的 YAML 文件仍然受支持。
语义视图是 schema 级别的对象,包含四个组成部分:逻辑表、维度、事实和指标。Snowflake 将指标定义为衡量业务表现的量化度量。
假设财务团队问:“上季度各区域的净收入是多少?”客户有一张订单表和一张区域表。逻辑表就是这两张表;维度是区域和季度;事实是每条订单明细的金额、退款和折扣;指标是净收入。
难点在指标。销售部门可能把净收入当作订单总额,会计部门则会扣除退款和折扣。下面的示意只用来说明这个定义如何写进模型,并非准确语法,具体字段名请查阅 Snowflake 的规范。
# 示意草图,并非准确的 Snowflake 语法
logical_tables:
- name: orders
dimensions: [region, quarter]
facts: [amount, refund, discount]
metrics:
- name: net_revenue
description: "订单总额减去退款和折扣,以会计部门批准的定义为准"
expr: SUM(amount) - SUM(refund) - SUM(discount)
如果没有会计部门认可的 expr 和 description 这两行,模型照样能生成 SQL,但只能猜测提问者的意思。结果就是答案看上去合理,实际却是错的。
所以到了客户现场,第一件事是和财务用户坐下来,用文字写清每个指标的定义,然后才打开编辑器。
招聘启事提到,FDE 要在客户现场与对方团队一起工作,随时清除部署中的阻碍。和用户一起敲定指标定义,正是这类阻碍的典型例子。
从一开始就做评测
另一个岗位“Forward Deployed Engineer, Applied AI”隶属 Cortex AI 团队,该招聘同样已关闭。入职者将基于 Snowpark 和 Cortex 构建生产级 AI 系统,至少 25% 的时间要在 Snowflake 最具战略意义的客户现场工作。
启事还强调,评测必须是构建过程的核心环节,而不是留到以后再做。
对 Cortex Analyst 而言,最直接的评测方式是整理一组样例问题,每个问题都配有财务用户认可的答案 SQL。每次修改语义视图,就把整组问题重跑一遍,对比结果。
回到净收入的例子。如果测试集里有这个问题,且标准答案扣除了退款和折扣,那么定义错误在第一次运行时就会暴露,而不是在和 CFO 开会时才冒出来。
局限与学习顺序
第一个局限是工具之间的边界:Analyst 处理结构化数据,Search 处理文本。招聘启事在同一产品套件中还列出了 Cortex Agents;如果客户的问题同时需要表格和文本,这就是下一步该去文档里研读的内容。
第二个局限是,答案的质量上限取决于语义模型。模型答错时,先检查定义,再怀疑 LLM。
至于学习顺序,先学 SQL 和数据建模,做到能在真实数据集上分清维度、事实和指标。然后学够用的 Python 来构建 Streamlit 应用,再学 RAG 和混合检索,以理解 Cortex Search。
简历上不要写“熟悉 Cortex”,而要描述自己构建过的一个语义模型:有多少个指标,测试集里有多少个问题,每次修订后正确率提升了多少。
Snowflake 把 AI 工具放在紧挨数据的位置。因此,这些岗位要的是能讲清客户数据表含义的人。
这篇文章对你有帮助吗?
感谢你的反馈!