你的 Agent 已经上线生产环境，下一步怎么办？ | 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！ 企业 AI 的第一代重点，是把 agents 构建出来；下一代的重点，则是把它们稳定地运营到规模化。 Cortex Agents 一直为在 Snowflake 内构建 AI applications 提供 managed runtime。过去一年里，我们看到客户从部署第一个 agent，逐步走到开始管理企业级部署。这种转变暴露出一组全新的运营挑战，主要集中在 orchestration、execution 和 governance 上。 现在，我们正在为 Cortex Agents 扩展一批新能力，目的是降低企业在大规模构建、部署和运营 AI agents 时面临的操作复杂度。 快速总览 Build Coding Agent（即将进入 public preview）：基于与 CoCo 相同的 runtime 构建一个托管式 coding agent，并把它部署到任意应用中；Skills Package（即将进入 public preview）：把一组经过精选的 skills 打包为单一对象，并在 agent 中通过一个 URI 直接引用；Agent Toolset（即将进入 public preview）：在当前 agent 规范里直接引用另一个 agent 的 tools，而不必重写和维护重复定义；Tool Search（即将进入 public preview）：按需发现 tools，而不是一开始就把所有定义全部加载进上下文。 Run Async Agent API（即将 generally available）：让长任务在后台执行，而不需要一直保持连接打开；Code Execution Tool（即将进入 public preview）：在沙箱化 Python 环境里处理数据并生成高质量输出；Interrupt and Resume（即将 generally available）：中断一个正在运行的 agent、修正方向，然后从中断点继续执行；Partial Access（即将进入 public preview）：用同一个 managed agent 服务不同权限等级的用户。 Manage Versioning UI（已进入 public preview）：可视化对比、回滚和推广 agent 配置，而不需要手工编辑 YAML。 Cortex Agents 快速回顾 Cortex Agent 可以在 Snowflake 的治理边界内，对企业数据进行推理、调用 tools、执行代码，并在连接系统间采取动作。它的每一步行为，都受到与你其余数据资产相同的访问控制和审计追踪机制约束。 你可以用声明式方式定义一个 Cortex Agent，其中包含 orchestration model、tools 和 instructions。应用通过 REST API 调用它，而 Snowflake 负责模型路由、tool 调用和结果组装。 生产环境中的真正挑战 大多数部署都从一个单一 agent、少量 tools 和较短任务开始。对于概念验证，甚至一些小规模部署来说，这样的配置完全够用。 但企业级大规模生产环境完全不同：工作流会跨越多个专门化 agents；工具库会增长到几十种集成；请求执行时间从毫秒级变成分钟级；治理团队也需要清楚地知道每个 agent 究竟被授权做什么。这些问题不是靠更好的 prompting 或更快的模型就能解决的，它们本质上是运营问题，而下面这些新能力，正是为了解决这些问题而设计的。 Build your agent 把 Snowflake CoCo 的编码能力带入任何应用 Snowflake CoCo 是第一个真正 Data-native 的 AI coding agent，目的是在现代数据栈里加速 time to value。它深度理解企业的数据、计算、治理和运维语义，因此能够把复杂的数据工程、分析、机器学习以及 agent-building 任务，转化成高准确度、高信任度的对话过程。 现在，通过 Cortex Agents REST API，你可以构建一个 managed agent，把这种 coding 能力（即将进入 public preview）直接带入你自己的应用和界面中。你只需要用 CoCo toolset（包括 sandbox）来配置 agent，再把 instructions 和 data grounding 限定在你的环境里，然后通过标准 REST endpoint 暴露出去。凡是涉及 code generation、SQL execution、data transformation 或 pipeline automation 的请求，都会在沙箱化 runtime 中完成。也就是说，驱动 CoCo 的那套基础能力，现在已经可以被组合进你自己的 agentic workflows 中。 例如，我们的工程团队构建了一个名为 “Debug with CoCo” 的内部工具，用来在 20 分钟内定位任意 Cortex Agent request 的根因。这个应用本身只有几百行代码：它通过 UI 接收一个 request_id，然后用一个专门 prompt 发起一次 Cortex Agent API 调用。托管 API 会自动拉起一个 CoCo sandbox，把日志挂载为 agent 的 grounding，再通过 CoCo toolset 运行 bash 和 SQL，并把基于证据的 root-cause analysis 流式返回到浏览器中。整个过程不需要你自己维护 coding-agent runtime，也不需要数据离开 Snowflake，只要 REST calls 就够了。 图1：“使用 CoCo 进行调试”——一款基于托管代理 API 和 CoCo 运行时构建的工程师工具。 为 agents 建立共享能力层 随着 agent 部署越来越多，skill management 很快会成为瓶颈。每一个新 agent 都要单独维护自己的能力列表，每一次更新又得逐个同步，而当 skill libraries 变大之后，agent 规范会越来越难维护，也越来越容易彼此不一致。 Skills Package（即将进入 public preview）可以让你把一组精选 skills 只定义一次，然后在任意 agent 规范中通过一个 URI 直接引用整个集合。一旦 package 更新，所有引用它的 agents 都会自动获得新版本。团队因此可以建立一层共享能力层，例如统一的数据工作流、特定领域工具集或批准过的 integrations，并在此之上组合出新的 agents，而不必为每个 agent 单独复制和维护一套能力。 跨 agents 复用 tools，而不用反复重写 很多企业级 agent 部署，都是从一个定义良好的 agent 起步：它有精心挑选过的 tools、经过测试的 integrations 和调优