我用自然语言问了 Snowflake 一个问题，它给了我一个完美的错误答案

"上个季度哪个地区的退货率最高？"

我把这句话输进 Perplexity Computer，它几乎秒回：西南区，退货率 12.3%，比全国均值高出 4.1 个百分点，并附上了一张干净的柱状图。

看起来完美。直到我发现，它查的是 orders_archive 表——一张停止更新于 18 个月前的历史归档表。真实的生产数据在 orders_v2 里，西南区的实际退货率是 7.8%，根本不是最高的。

这就是 Perplexity + Snowflake 这个组合最危险的地方：它给错误答案的时候，和给正确答案的时候，看起来一模一样。

---

第一章：这件事为什么值得认真对待

Perplexity 最近在 Computer 功能里新增了直连 Snowflake 的能力。官方的宣传语很简洁：让任何人都能用自然语言问数据。

这句话听起来像是在描述一个已经解决了的问题，但实际上它在描述一个正在被解决、但还没解决完的问题。

技术本质上，这个功能做的事情是：接收你的自然语言输入 → 调用大模型生成 SQL → 在 Snowflake 上执行 → 把结果返回给你。AI 是你和数据库之间的翻译层，它不存储数据，不理解你的业务，也不知道你的表结构有多混乱。

它不是 BI 工具。BI 工具背后有人工维护的数据模型、预定义的指标口径、经过验证的查询逻辑。这个功能背后只有一个语言模型，和它对你数据库结构的猜测。

"让任何人都能问数据"——这是真的，还是营销话术？

我花了两周时间测试，结论是：两者都是。

---

第二章：我把上手流程完整走了一遍

第一关：Snowflake 本身的门槛

很多人看到"连接 Snowflake"就以为自己能直接用。现实是：Snowflake 不是免费工具。

Snowflake 按计算单元（Credit）收费。一个标准的 X-Small 仓库每小时消耗 1 个 Credit，官方定价约 $2-4/Credit（因区域和合同而异）。如果你只是想试用，Snowflake 提供 30 天免费试用 + $400 免费额度，够用来跑实验，但正式用起来，月费轻松过千元人民币。

⚠️ 重要提示：如果你没有 Snowflake 账号，这个功能对你来说入门成本不是"学习曲线"，而是"先掏钱"。

第二关：权限配置的复杂度

Perplexity 需要访问你的 Snowflake 实例，这意味着你要：

1. 在 Snowflake 里创建一个专用角色（Role）

2. 给这个角色授予对应数据库/Schema/表的读权限

3. 创建一个服务账号（Service Account）

4. 把账号信息填入 Perplexity 的授权页面

这四步对 DBA 来说是日常操作，对业务人员来说是一道不小的坎。权限配置错误不会报错，只会让 AI 查不到数据，然后它可能会"发挥创意"去猜——这是一个更危险的结果。

第三关：界面入口的隐蔽性

Perplexity Computer 的 Snowflake 连接入口藏在设置的"Integrations"标签下，不是首页显眼位置。第一次找到它，我花了将近 10 分钟。

配置完成后，在对话框里选择数据源，输入自然语言，AI 会先展示它生成的 SQL，你确认后执行，结果以表格或图表形式返回。

---

第三章：AI 翻译 SQL 的能力边界测试

这是全文最重要的部分。我用三类问题做了系统测试，以下是结果汇总：

测试结果表格

一个典型的错误案例

用户输入：

哪些用户从首单到第二单的间隔超过 30 天？

AI 生成的 SQL（简化版）：

-- AI 生成的版本（有问题）
SELECT user_id,
MIN(order_date) AS first_order,
MAX(order_date) AS second_order,
DATEDIFF('day', MIN(order_date), MAX(order_date)) AS gap_days
FROM orders
GROUP BY user_id
HAVING gap_days > 30;

问题在哪里？MAX(order_date) 是最后一单，不是第二单。如果一个用户下了 10 单，这段 SQL 算的是第一单到最后一单的间隔，而不是第一单到第二单的间隔。

正确写法需要用窗口函数 LEAD() 或者子查询来取第二条记录。AI 给出了一个语法完全正确、逻辑完全错误的 SQL。

这就是为什么我说"完美的错误答案"——它不会报错，结果看起来也是数字，但含义完全不同。

---

---

第四章：非技术用户的真实使用门槛拆解

我把目标用户分成三类，结论可能有点反直觉。

类型一：完全小白（不懂 SQL，不懂数据库）

这类用户最容易被"任何人都能用"这句话吸引，也最容易被误导。原因很简单：他们没有能力验证 AI 给出的 SQL 是否正确。

AI 说退货率最高的是西南区，你怎么知道它没有查错表？你怎么知道它对"退货率"的定义和你们公司的口径一致？

对完全小白来说，这个工具不是降低了门槛，而是把风险转移了——从"不会写 SQL 所以得不到答案"变成"得到了一个可能错误的答案但不知道它是错的"。后者更危险。

类型二：有数据分析经验但不会 SQL（会 Excel、会 Python 基础）

这类用户是这个工具的最佳受众。他们理解数据逻辑，知道什么叫"按维度聚合"，知道 JOIN 是什么概念，但写 SQL 对他们来说是摩擦点。

他们有能力看 AI 生成的 SQL，判断"这个逻辑对不对"，但不需要自己从零写出来。AI 帮他们跨过了"写"的门槛，他们自己保留了"验证"的能力。

类型三：懂 SQL 的技术人

对会写 SQL 的人，这个工具的价值不在于"能不能用"，而在于"快不快"。对于简单查询，自然语言确实比手写 SQL 快。但对于复杂业务逻辑，他们大概率会发现 AI 生成的 SQL 需要大量修改，不如自己写来得干净。

---

第五章：现在能用吗？一个诚实的结论

竞品对比

三档判断标准

• 公司已经在用 Snowflake，数据治理相对完善
• 团队里有人能 review AI 生成的 SQL
• 使用场景以简单聚合查询为主

• 正在评估是否引入 Snowflake
• 数据表结构比较混乱，表命名不规范
• 团队没有人能验证 SQL 正确性

• 完全没有 SQL 背景，也没有技术支持
• 数据涉及财务、法规合规等高精度场景
• 预算有限，不想为 Snowflake 额外付费

---

最后，一个更大的问题

当 AI 能帮你写 SQL，你需要学的不再是 SQL，而是如何质疑 AI 给你的答案。

这个能力，学校没有教过任何人。

传统的数据门槛是技术门槛：你得会写 GROUP BY，得懂 LEFT JOIN 和 INNER JOIN 的区别，得知道窗口函数是什么。这个门槛很高，但它的边界是清晰的——你要么会，要么不会。

新的门槛是认知门槛：你得知道 AI 在什么情况下会自信地给出错误答案，得养成"每次查询都验证一遍"的习惯，得理解你的业务逻辑和 AI 的默认假设之间可能存在的偏差。

这个门槛更模糊，也更难培养。它不是一个你学完就过了的考试，而是一种需要长期保持的批判性思维习惯。

自然语言查询数据库，技术门槛确实在降低。但它没有消失，只是换了一种形态。

---

下一篇我想测的是：

>

既然 Perplexity 在做"AI + 数据库"，Google 的 BigQuery 和 Databricks 也在往同一个方向走——当所有数据仓库都开始内置 AI 查询层，Snowflake 的护城河还剩多少？

>

这个问题不只是技术问题，也是一个关于"数据基础设施市场格局要不要重新看"的商业问题。下期见。

---

#AI工具评测 #Snowflake #数据分析 #自然语言查询 #Perplexity #SQL #8848AI #人工智能