Exemplos de fluxo de trabalho da Cortex Code CLI¶
Este tópico apresenta exemplos de fluxo de trabalho de tarefas comuns para ajudar você a aproveitar ao máximo a Cortex Code CLI. Ele aborda a descoberta de dados, a geração de dados sintéticos, a construção de painéis e a criação de Cortex Agents.
Casos de uso: descoberta e consulta de dados¶
Esta seção aborda a criação de um conjunto de dados sintéticos e a execução de análises básicas para gerar um painel.
Conectar a uma conta Snowflake¶
cortex -c <your-demo-account>
Ou conectar interativamente:
> connect to <my demo account>
Descobrir e explorar dados¶
Pesquise seu catálogo de dados, entenda a linhagem e encontre tabelas relevantes:
> Find all tables related to customers that I have write access to
Certificar-se de ter a função correta com as devidas permissões¶
> What privileges does my role have on this database?
Faça um diagnóstico dos problemas de acesso e entenda os privilégios da função:
> Why am I getting a permissions error?
Gerar dados sintéticos¶
Estes são alguns exemplos de geração de dados sintéticos para casos de uso diferentes.
Análise de fraude em uma fintech:
> Generate realistic looking synthetic data into <database name>. Create a table of 10000
financial transactions where ~0.5% of them are fraudulent. Include Amount, Location,
Merchant, and Time. Make the fraudulent ones look suspicious based on location or amount.
Dados de teste de farmacêutica:
> Make a dummy dataset for a clinical trial of a new blood pressure medication. List 100
patients, their age, their dosage group (Placebo vs. 10mg), and their blood pressure
readings over 4 weeks.
Dados de rotatividade de clientes:
> Create a customer churn dataset for a telecom company showing customer usage for 100000
customers. Include basic demographic data such as fake names, phone numbers, US city and
state. Also include data usage (GB), call minutes, contract length, and whether they
cancelled their service (churn). Ensure there's a customer_id column that's unique.
Create the data locally and then upload it to Snowflake.
Realizar consultas básicas nestes dados¶
> Calculate the Churn Rate grouped by state and contract length. Order the results by the
highest churn rate first so I can see the most risky regions and contract types.
> I want to identify the heaviest data users who are also churning.
Construir painéis interativos¶
Crie e implante apps Streamlit com gráficos, filtros e interatividade.
Dica
Abra um painel de exemplo desejado (ou encontre um online) e copie-o para sua área de transferência. É possível colar imagens diretamente no Cortex Code (Ctrl+V) como referências de projeto.
> Build an interactive Streamlit dashboard on this data with state filters and use the
conversation so far for examples of the kinds of charts to show. Use the attached image
as a template for visuals and branding.
Depois de verificar se o painel está funcionando conforme o esperado, carregue-o no Snowflake:
> Ensure that the Streamlit app will work with Snowflake and upload it to Snowflake.
Give me a link to access the dashboard when it's done.
Parabéns! Agora você tem um painel do Streamlit em funcionamento que exibe o conjunto de dados que criou.
Casos de uso: criação de Cortex Agents¶
Esta seção aborda a criação de um Cortex Agent para responder a perguntas sobre seus dados no Snowflake Intelligence. Aumentaremos os dados sintéticos existentes com transcrições de chamadas de clientes.
Criar uma exibição semântica para o Cortex Analyst¶
Crie uma exibição semântica para poder usar o Cortex Analyst com seus dados. Use os padrões para todas as perguntas que ele faz:
> Write a Semantic View named DEMO_TELECOM_CHURN_ANALYTICS for Cortex Analyst based on
this data. Use the semantic-view optimization skill.
Criar um Cortex Search Service¶
Primeiro gere dados sintéticos com chamadas dos clientes ao atendimento:
> Generate a new table called customer_call_logs. Generate 50 realistic customer service
transcripts (2-3 sentences each) as PDF files. Some should be angry complaints about
coverage, others should be questions about billing. Then use the AI_PARSE_DOCUMENT
function to extract the text and layout information from the PDFs into the TRANSCRIPT_TEXT
column. Split text into chunks for better search quality.
Em seguida, crie um Cortex Search Service que indexe as transcrições:
> Create a Cortex Search Service named CALL_LOGS_SEARCH that indexes these transcripts.
It should index the TRANSCRIPT_TEXT column and filter by CUSTOMER_ID.
Criar um Cortex Agent¶
Crie um Cortex Agent que use os serviços do Analyst e do Search:
> Build a Cortex Agent that has access to two tools:
- cortex_analyst: For querying the TELECOM_CUSTOMERS SQL table.
- cortex_search: For searching the CALL_LOGS_SEARCH service.
Write a system prompt for this agent:
- Persona: You are a Senior Retention Specialist.
- Routing Logic: If the user asks for 'metrics', 'counts', or 'averages', use the
Analyst tool. If the user asks for 'sentiment', 'reasons', or 'summaries of calls',
use the Search tool.
- Output Format: Always verify the customer ID before answering. If the risk score is
high, end the response with a recommended retention offer (e.g., 'Offer 10% discount').
- Constraint: Never reveal the raw CHURN_RISK_SCORE to the user; interpret it as 'Low',
'Medium', or 'High'.
Implantar no Snowflake Intelligence¶
Implante o agente no Snowflake Intelligence:
> Let's deploy this agent to Snowflake Intelligence.
Parabéns! Você criou e implantou com sucesso um agente do Snowflake Intelligence.
Agora você poderá acessar esse agente no Snowflake Intelligence e fazer perguntas como:
«Quais são as reclamações que os clientes fazem nas chamadas?»
«Mostre para mim os clientes de alto risco com cobranças mensais acima de US$ 100»
Consulte também¶
- Cortex Code CLI
Introdução à instalação e primeiros prompts
- Habilidades
Habilidades especializadas para modelos semânticos, agentes e documentos
- Cortex Analyst
Documentação do Cortex Analyst