← 文章 / AI技术

InfoQ 2026/7/27 · 2026-07-27 13:42:28 · 17 阅读

Snowflake CoCo 中的 Loop Engineering ｜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！

我们是如何走到这一步的

过去三年使用 AI 编程工具的经历，呈现出一条清晰的演进路径：每一个阶段，都解决了前一个阶段无法解决的问题。

Prompt engineering 专注于写出完美的指令。你会不断调整措辞、添加示例、指定输出格式。一次请求对应一次响应。如果输出不对，就重写提示词；

Context engineering 解决了仅靠提示词无法克服的局限：模型掌握的信息不够。于是有了 RAG 流水线、文件引用、语义搜索和对话历史。人们逐渐意识到，一个普通的提示词搭配强大的上下文，效果往往优于一个精心打磨却没有上下文的提示词；

Harness engineering 将关注点转向了基础设施，包括工具调用、多步骤链路和智能体框架。模型不再只是一个文本生成器，而是成为系统中的行动者，能够执行操作并观察操作结果；

Loop Engineering 则是下一阶段。你不再设计一次次独立的交互，而是开始设计能够自主运行的系统，让它持续经历“行动、观察、推理、重复”的循环，直到某个客观目标通过验证。

这种差异非常重要。你不再是在设计 AI 要做什么，而是在设计一个系统，让 AI 持续运行，直到工作真正完成。

定义循环工程

一个循环工程系统需要具备四项结构性要求：

循环不会因为模型认为自己已经完成任务而停止。只有当客观检查通过时，它才会停止，例如测试全部通过、代码检查无误、部署成功。这一区别正是循环工程的核心。

CoCo 如何支持循环工程

CoCo 为每一项支柱都提供了原生基础能力。其架构如下：

一个真实案例：构建股票分析应用

我采用这种方法，从一个空目录开始，构建了一个多页面 Streamlit 分析应用。下面是整个过程。

定义目标

我编写了一份 APP_SPEC.md，其中列出了循环可以通过程序检查的验收标准：

## Acceptance Criteria
- [ ] Streamlit app runs locally without errors
- [ ] Snowflake connection works (queries return data)
- [ ] Page 1: Market Overview, Dow 30 heatmap, sector performance
- [ ] Page 2: Stock Deep Dive, candlestick chart, volume, moving averages
- [ ] Page 3: Comparison, normalized returns, correlation matrix
- [ ] Page 4: Macro Overlay, stock vs CPI dual-axis chart
- [ ] Passes ruff check (no lint errors)
- [ ] Passes streamlit run - server.headless true (no crash)
- [ ] Deploys to Snowflake successfully

复制代码

每一项标准都对应一个可以自动执行的检查。“完成”是一个布尔值，而不是主观判断。

编写技能

技能文件会告诉智能体有哪些数据、如何查询这些数据，以及出现问题时应该如何处理：

# Skill: Stock App Builder Loop
## Data Context
- Stock Prices: FINANCE__ECONOMICS.CYBERSYN.STOCK_PRICE_TIMESERIES
- Variables: pre-market_open, post-market_close, all-day_high, all-day_low, nasdaq_volume
- Range: 2018 to present, 23,062 tickers
- Companies: DB_STOCK.CURATED.COMPANIES (TICKER, COMPANY_NAME)
## Loop Instructions
1. Run `cortex memory recall "stock-app-builder"` for prior state.
2. Run `cortex ctx step ready` to find next uncompleted step.
3. Implement the next failing criterion.
4. Run the relevant check.
5. Pass → `cortex ctx step done <id>`, move to next.
6. Fail → `cortex memory remember "stock-app-builder: <error>"`, fix and retry.
7. Max 5 retries per step. If stuck, ask user.

复制代码

我通过 $stock-app-builder 调用这个技能。CoCo 会加载它，并自主运行。

cortex ctx task add "Build stock analytics Streamlit app"
cortex ctx task start task-ff742cc1
cortex ctx step add "Scaffold: snowflake.yml, environment.yml, streamlit_app.py"
cortex ctx step add "Implement sidebar: date range + ticker autocomplete"
cortex ctx step add "Page 1: Market Overview"
cortex ctx step add "Page 2: Stock Deep Dive"
cortex ctx step add "Page 3: Comparison"
cortex ctx step add "Page 4: Macro Overlay"
cortex ctx step add "Pass lint: ruff check ."
cortex ctx step add "Pass runtime: streamlit run - server.headless true"
cortex ctx step add "Deploy: snow streamlit deploy"

复制代码

每完成一个步骤，cortex ctx step ready 就会返回下一个步骤。即使构建过程中会话意外中断，智能体也能从上次停止的位置继续执行。

观察循环运行

我输入了 $stock-app-builder。智能体开始构建所有项目文件，并在执行过程中逐一将步骤标记为完成。随后，它进入了验证关卡。

代码检查：

$ ruff check .
All checks passed!

复制代码

运行检查：

$ streamlit run streamlit_app.py - server.headless true
→ HTTP 200 on localhost:8599

复制代码

部署：

PUT file://streamlit_app.py @DB_STOCK.PUBLIC.STOCK_ANALYTICS_STAGE/
CREATE OR REPLACE STREAMLIT DB_STOCK.PUBLIC.STOCK_ANALYTICS_APP …
→ "Streamlit STOCK_ANALYTICS_APP successfully created."

复制代码

十个步骤全部通过验证，任务自主完成。

修复循环的实际运行过程

后来，我又添加了一项功能：

$stock-app-builder "Add top gainers/losers page"

复制代码

智能体创建了 pages/5_Top_Movers.py，随后运行代码检查。检查失败，原因是存在一个未使用的导入，以及一个没有占位符的 f-string。智能体识别出这两个问题，完成修复，重新运行代码检查并通过，随后执行运行检查，返回 HTTP 200，最后完成部署。整个过程不需要人工干预。

这一过程体现了最核心的模式：构建、检查、失败、分析失败原因、修复、重新检查、通过，然后继续下一步。

添加技术指标

$stock-app-builder "Add RSI and MACD indicators to deep dive"

复制代码

智能体创建任务、添加步骤，实现了 14 日 RSI，以及 MACD（12/26/9）指标和相应的 Plotly 图表，随后运行代码检查并一次通过，再执行运行检查，最后完成部署。总计五个步骤，零次失败。

工作流程概述

定义目标 → APP_SPEC.md（可验证的检查项）；
创建技能 → .cortex/skills//SKILL.md（持久化上下文）；
设置状态 → cortex ctx task 和步骤（进度跟踪）；
调用循环 → $skill-name（或使用 /loop 定时执行，使用 /bg 后台执行）；
循环执行 → 行动 → 检查 → 通过或失败 → 下一步或重试；
迭代技能 → 当循环持续在同一类问题上失败时，更新技能。

我学到的几点经验

从低成本操作开始。 每次循环迭代的第一个动作都应该足够轻量：当前是否还有工作需要完成？如果 cortex ctx step ready 没有返回任何内容，就直接退出。不要浪费 token，最后才发现任务队列原本就是空的；

修复技能，而不是提示词。 当循环在某一类问题上失败时，人们的本能反应往往是重写提示词。不要这样做。应该在 SKILL.md 中补充缺失的处理模式，或者添加一个辅助脚本。技能能够跨会话持续存在，提示词则不能；

为循环提供干净的信号。 不要把长达 500 行的原始堆栈跟踪直接反馈给循环。应该在技能中要求智能体提取出错行、文件名和错误信息。信号越干净，循环收敛得越快；

将实验记录到记忆中。 使用 cortex memory remember "Attempt 2: null check added, tests pass locally but fail in CI"，可以避免循环重复尝试同一种方案；

设置明确的硬性限制。 每个循环都需要设置上限，包括每个步骤的最大重试次数、总迭代次数，以及转交给人工处理的触发点。如果没有下限约束，你可能会得到一个成本高昂、无限运行，却始终无法产出结果的循环；

使用客观检查，而不是自我评估。 智能体说“看起来是正确的”，不能作为停止条件。ruff check . → All checks passed! 可以作为停止条件。curl localhost:8599 → 200 也可以作为停止条件。

未来将走向何处

循环工程最有意思的一点是，你会将时间投入到系统设计中，而不是一条条编写单独的指令。你需要定义“完成”究竟意味着什么，将领域知识一次性编码进系统，设置验证检查，然后让循环自行运行。

最终，提示词会缩短为一行：

$stock-app-builder

复制代码

其余的一切，都由结构承担。

附录：构建全部内容的一条提示词

下面是一条完整的提示词。它由 CoCo 在本文所述的构建会话中自行编写，可以从零触发整套循环工程工作流。

将它交给 CoCo 后，CoCo 会搭建项目结构、创建技能、设置任务跟踪、构建所有页面、运行全部检查并完成部署。除非某项检查的失败次数超出重试预算，否则整个过程不需要任何额外输入。

Build me a stock analytics Streamlit app using loop engineering. Follow these steps exactly:

## Step 1: Scaffold the Project

```bash
mkdir stock-analytics-app && cd stock-analytics-app
cortex ctx init
```

## Step 2: Create APP_SPEC.md (Verifiable Goal)

```markdown
# Stock Analytics App — Acceptance Criteria

## Data Source
Database: DB_STOCK.CURATED
Key tables:
- DAILY_STOCK_PRICES (8.3M rows) — OHLCV by ticker × date
- COMPANIES_ENRICHED — company reference
- DOW30_REFERENCE — Dow 30 components + sectors
- MACRO_ECONOMIC_INDICATORS — macro time series
- SECURITIES — security metadata

## App Requirements
- [ ] Streamlit app runs locally without errors
- [ ] Snowflake connection works (queries return data)
- [ ] Page 1: Market Overview — Dow 30 heatmap (daily % change), sector performance bar chart
- [ ] Page 2: Stock Deep Dive — ticker selector, candlestick chart, volume overlay, moving averages (20/50/200 day)
- [ ] Page 3: Comparison — multi-ticker line chart (normalized returns), correlation matrix
- [ ] Page 4: Macro Overlay — plot stock vs. macro indicator (e.g., S&P vs. CPI/unemployment)
- [ ] Sidebar: date range picker, ticker search/autocomplete
- [ ] Passes ruff check (no lint errors)
- [ ] Passes streamlit run --server.headless true (no runtime crash)
- [ ] Deploys to Snowflake: snow streamlit deploy succeeds

## Tech
- Streamlit 1.35+
- snowflake-snowpark-python
- plotly for charts
- Target: DB_STOCK schema, container runtime
```

## Step 3: Create the Builder Skill

Create `.cortex/skills/stock-app-builder/SKILL.md`:

```markdown
# Skill: Stock Analytics App Builder

## When to Use
Building or iterating on the DB_STOCK analytics Streamlit app.

## Data Context
- Prices: DB_STOCK.CURATED.DAILY_STOCK_PRICES (DATE, TICKER, OPEN/CLOSE/HIGH/LOW_PRICE, VOLUME)
- Companies: DB_STOCK.CURATED.COMPANIES_ENRICHED (TICKER, COMPANY_NAME, PRIMARY_EXCHANGE_NAME)
- Dow 30: DB_STOCK.CURATED.DOW30_REFERENCE (TICKER, COMPANY_NAME, SECTOR, INDUSTRY)
- Macro: DB_STOCK.CURATED.MACRO_ECONOMIC_INDICATORS (DATE, VARIABLE_NAME, VALUE, GEO_NAME)
- Securities: DB_STOCK.CURATED.SECURITIES (TICKER, ASSET_CLASS, SECURITY_NAME)

## Loop Instructions
1. Read APP_SPEC.md for acceptance criteria.
2. Run `cortex memory recall "stock-app-builder"` for prior state.
3. Run `cortex ctx step ready` to find next uncompleted step.
4. Implement the next failing criterion.
5. Run the relevant check:
   - Code: `ruff check .`
   - Runtime: `timeout 30 streamlit run streamlit_app.py --server.headless true`
   - Deploy: `snow streamlit deploy --replace`
6. Pass → `cortex ctx step done <id>`, move to next.
7. Fail → `cortex memory remember "stock-app-builder: <error>"`, fix and retry.
8. Max 5 retries per step. If stuck, ask user.

## Query Patterns
-- Daily returns for heatmap
SELECT TICKER, DATE,
  (CLOSE_PRICE - LAG(CLOSE_PRICE) OVER (PARTITION BY TICKER ORDER BY DATE))
  / LAG(CLOSE_PRICE) OVER (PARTITION BY TICKER ORDER BY DATE) AS DAILY_RETURN
FROM DB_STOCK.CURATED.DAILY_STOCK_PRICES
WHERE TICKER IN (SELECT TICKER FROM DB_STOCK.CURATED.DOW30_REFERENCE)
  AND DATE >= DATEADD('month', -1, CURRENT_DATE());

-- Moving averages
SELECT DATE, TICKER, CLOSE_PRICE,
  AVG(CLOSE_PRICE) OVER (PARTITION BY TICKER ORDER BY DATE ROWS 19 PRECEDING) AS MA_20,
  AVG(CLOSE_PRICE) OVER (PARTITION BY TICKER ORDER BY DATE ROWS 49 PRECEDING) AS MA_50,
  AVG(CLOSE_PRICE) OVER (PARTITION BY TICKER ORDER BY DATE ROWS 199 PRECEDING) AS MA_200
FROM DB_STOCK.CURATED.DAILY_STOCK_PRICES
WHERE TICKER = :selected_ticker AND DATE >= DATEADD('year', -2, CURRENT_DATE());
```

## File Structure

```
stock-analytics-app/
├── APP_SPEC.md
├── snowflake.yml
├── environment.yml
├── streamlit_app.py        (main + sidebar)
├── pages/
│   ├── 1_Market_Overview.py
│   ├── 2_Stock_Deep_Dive.py
│   ├── 3_Comparison.py
│   └── 4_Macro_Overlay.py
└── .cortex/skills/stock-app-builder/SKILL.md
```

## Step 4: Set Up Task + Steps

```bash
cortex ctx task add "Build stock analytics Streamlit app"
cortex ctx task start task-001

cortex ctx step add "Scaffold: snowflake.yml, environment.yml, streamlit_app.py, pages/" -t task-001
cortex ctx step add "Implement sidebar: date range picker + ticker autocomplete" -t task-001
cortex ctx step add "Page 1: Market Overview — Dow 30 heatmap + sector bar chart" -t task-001
cortex ctx step add "Page 2: Stock Deep Dive — candlestick + volume + moving averages" -t task-001
cortex ctx step add "Page 3: Comparison — normalized returns + correlation matrix" -t task-001
cortex ctx step add "Page 4: Macro Overlay — stock vs macro indicator chart" -t task-001
cortex ctx step add "Pass lint: ruff check ." -t task-001
cortex ctx step add "Pass runtime: streamlit run --server.headless true" -t task-001
cortex ctx step add "Deploy: snow streamlit deploy" -t task-001
```

## Step 5: Launch the Loop

**Option A: Interactive (watch it build)**
```
$stock-app-builder
```

**Option B: Background (keep working on other things)**
```
/bg Build the stock analytics app using $stock-app-builder. Complete all steps in order. Deploy when all checks pass.
```

**Option C: Incremental (one step per session)**
```
/loop
→ cron: "0 9 * * *"
→ prompt: "$stock-app-builder — complete the next ready step, then stop"
→ recurring: true
```

## Step 6: Writer/Reviewer for Quality

Tell CoCo in natural language: "Use a team. Writer builds each page, reviewer runs the checks."

CoCo internally orchestrates this using its agent tools (you don't write this syntax yourself):
```
# What CoCo does behind the scenes:

team_create: "stock-app"

# Writer — builds code in isolated worktree
task(subagent_type: "general-purpose", team_name: "stock-app",
     name: "builder", worktree_isolation: true,
     prompt: "Load $stock-app-builder. Build the next uncompleted page.
              Query DB_STOCK.CURATED tables. Use plotly for all charts.
              Commit after each page passes lint.")

# Reviewer — validates after builder finishes
task(subagent_type: "general-purpose", team_name: "stock-app",
     name: "reviewer",
     prompt: "Review builder's code:
       1. ruff check .
       2. streamlit run --server.headless true (timeout 30s)
       3. Verify SQL queries return non-empty data
       4. If fail, create fix task with exact error.
       5. If pass, mark step done.")
```

## Step 7: Stopping Conditions

In the skill, these are already encoded. Additionally:

```bash
# Global guardrail — no single command runs more than 3 minutes
/settings → bashMaxTimeoutMs: 180000
```

```json
// hooks.json — prevent accidental writes to production tables
// Hook receives tool_input via stdin as JSON; exit code 2 blocks the operation.
{
  "hooks": {
    "PreToolU

原始来源： InfoQ

Snowflake CoCo 中的 Loop Engineering ｜ 技术实践

我们是如何走到这一步的

定义循环工程

CoCo 如何支持循环工程

一个真实案例：构建股票分析应用

定义目标

编写技能

观察循环运行

修复循环的实际运行过程

添加技术指标

工作流程概述

我学到的几点经验

未来将走向何处

附录：构建全部内容的一条提示词

评论 (0)

Snowflake CoCo 中的 Loop Engineering ｜技术实践