2026 世界杯：一个通过与 CoCo 对话构建的实时应用 | 技术实践

2026 年，智能体将在企业级应用中取得哪些实质性突破？ 点击下载 "《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！ 我构建了一个 FIFA World Cup 2026 应用，它包含实时比分、淘汰赛对阵生成器、交锋统计、场馆地图、比赛预测等功能，而且整个过程几乎完全是通过与 Cortex Code Desktop（CoCo）的一系列自然语言对话完成的。 之所以花了几周时间，是因为一开始我完全没有任何样板代码；同时随着赛事推进，我也不断想把新的想法、更好的交互和更多实时统计数据迭代进来。 首页就是一个典型例子：它最初只是一个静态倒计时卡片，后来通过纯对话式开发，逐渐长成一个实时 dashboard。 一开始它只有四个指标卡片（距离开赛天数、剩余比赛场次、48 支球队、16 个场馆）和一个赛程 dataframe；后来又加上了实时比赛卡片，以及带动画的统计 pills（控球率、射门、角球）和进球/黄牌/红牌事件标记；接着加入了下一场比赛的 JS 倒计时，以及当多场比赛同时开踢时的多卡片堆叠显示；然后加入了纵向淘汰赛 bracket，并叠加了以金色 badge 呈现的 AI 预测；再后来加入了比赛进行中的实时胜率条，以及带赛事统计摘要的球队卡片；最后，又加上了冠军庆祝卡片和 confetti 动效，用在 World Cup 2026 决赛结束之后。 其他页面也经历了类似过程，只是迭代次数可能略少，例如： Head-to-Head " Venue Map " Knockout Bracket " Quiz " 技术栈 GitHub → Streamlit Community Cloud (auto-deploy on push) ├── Snowflake │ ├── TEAMS (48 teams, flags, FIFA rankings) │ ├── VENUES (16 stadiums, lat/lng, capacity) │ └── MATCHES (72 group stage fixtures) ├── ESPN Free API (live scores, no auth) └── Snowflake Cortex AI_COMPLETE (match predictions) 这个应用运行在 Streamlit Community Cloud 上，静态赛事数据存储在 Snowflake 中，实时比分和比赛统计来自 ESPN 的公开但未文档化的 API，而 AI 驱动的比赛预测则通过 Snowflake Cortex AI Functions 生成。 开发过程：AI 辅助迭代 从最初脚手架到最后的冠军庆祝卡片，每一个功能几乎都是通过和 CoCo 对话构建出来的。我只需要描述想要什么，然后在生成结果基础上继续迭代。 一个很典型的例子是 predictions.py 模块。这个模块有 200 多行代码，里面包含统计聚合、综合评分计算，以及对 Cortex AI Functions 的集成，而这些内容几乎是在一次对话中完成的。 ESPN 未文档化 API：踩过的一些坑 在使用这个 API 的过程中，我们遇到了几个很典型的问题。 100 条赛事截断 问题：当你查询 ?dates=20260611–20260719 这种覆盖整个赛事周期的时间范围时，ESPN 会悄悄把结果截断在大约 100 场比赛左右。我们是在赛事进行到中段时才发现这个问题，因为半决赛结果竟然“消失”了。 解决办法：把查询拆成两个日期区间。 @st.cache_data(ttl=60) def get_all_results(): results = [] # Split to avoid ESPN's ~100 event cap for date_range in ["20260611–20260627", "20260628-" + _today_str()]: resp = requests.get(ESPN_API, params={"dates": date_range}, timeout=10) # … normalize and collect return results 跨午夜边界丢比赛 问题：如果不传 dates 参数，ESPN 默认只返回当前美东时间自然日的数据。这意味着，一场在美东时间晚上 11:55 开始、并在午夜后仍处于补时阶段的比赛，会在跨天后直接从结果里消失。 解决办法：始终查询一个 3 天窗口。 et = pytz.timezone("US/Eastern") now_et = datetime.now(et) yesterday = (now_et - timedelta(days=1)).strftime("%Y%m%d") tomorrow = (now_et + timedelta(days=1)).strftime("%Y%m%d") 状态识别 ESPN 使用 6 种不同的进行中状态：STATUS_FIRST_HALF、STATUS_SECOND_HALF、STATUS_HALFTIME、STATUS_EXTRA_TIME、STATUS_PENALTY_SHOOTOUT、STATUS_IN_PROGRESS；还使用 3 种结束状态：STATUS_FULL_TIME、STATUS_FINAL_PEN、STATUS_FINAL_AET。 只要漏掉其中任何一个，淘汰赛 bracket 就会出错。 不用 WebSockets 也能做到实时更新 我们使用了 Streamlit 的 @st.fragment(run_every=N) 装饰器，它可以按固定间隔只重跑被装饰的函数，而无需整页刷新。 @st.fragment(run_every=10) def _live_section(): live = get_live_matches() if live: for i, match in enumerate(live): _render_live_match(match, i) 再结合 API 调用上的 @st.cache_data(ttl=15)，就能以极低的 ESPN API 负载实现接近实时的更新。实时比赛区域每 10 秒刷新一次，赛程/结果区域每 60 秒刷新一次，页面顶部 banner 也是每 60 秒刷新一次。 为了防止页面闪烁，我们还处理了一个额外问题：ESPN 偶尔会因为 CDN 抖动返回空结果。为了解决这个问题，我们把最近一次可用状态缓存在 st.session_state 里： if live: st.session_state["_last_live"] = live elif "_last_live" in st.session_state: live = st.session_state["_last_live"] 使用 Snowflake Cortex AI 做比赛预测 预测系统分成两层。 第一层：统计评分 基于真实赛事表现数据计算加权综合评分： rating = ( win_rate * 35 + # Points