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 和调优好的配置。问题在于，当第二个 agent 也需要用到其中一些 tools 时，传统做法只能复制一遍 tool definitions，再维护两套独立规范，并在每次修改时同时保持同步。
Agent Toolset（即将进入 public preview）允许你在当前 agent 的规范中，直接引用另一个 agent 的 tools。只需要一行配置指向源 agent，它的整个 toolset 就可以立即被复用，不需要重新定义。源 agent 的 tools 一旦更新，所有引用它的 agent 都会自动继承这些变化。这样，团队就能把共享数据访问层、标准搜索 integrations 或通用 MCP 配置统一定义一次，然后在此基础上持续组合新的 agents，而不会出现重复或分叉。
优化 agents 的上下文构建
在一个大型企业部署里，如果同时接入 GitHub、Slack、Jira、Salesforce 和内部 MCP servers，很容易积累出几十个 tools。在回答第一个问题之前，agent 可能已经花掉数万 tokens 来把所有工具定义塞进上下文。
Tool Search（即将进入 public preview）希望通过 progressive disclosure 来解决这个问题。与其在一开始加载全部 tool definitions，不如让 agent 在推理时按需搜索自己的工具库，只加载与当前任务相关的定义。到了规模化场景里，这不仅是一个性能优化，更有可能提高准确率，因为它能减少 context window 压力，让那些原本不现实的大规模工具生态也能够真正被使用。
Run your agent
长任务不该阻塞你的应用
有些任务本来就不是毫秒级的。比如对账月度财务数据、生成一份全面研究报告、处理一批客户合同，这些工作都不是适合一直保持 HTTP 连接打开的任务。
Async Agent API（即将 generally available）让 agents 可以在后台执行这类任务。调用方会立即拿到一个 run_id，等任务完成后再回来获取结果。
Agent 会一直运行到完成，或者在需要用户输入时主动暂停，而结果会在准备好后对外可取。这样，长时间运行的 agent workflows 就可以完全在 managed runtime 内执行，而无需额外搭建自定义队列或编排基础设施。
从原始数据到精美输出，在一次 agent run 内安全完成
Code Execution Tool（即将进入 public preview）为 Cortex Agents 提供了一个安全、沙箱化的 Python 环境，让它们可以在 Snowflake 内部完成数据处理、计算、可视化生成，以及 PDF、PowerPoint、charts 等高质量输出。
这个 sandbox 运行 Python 3.12，并默认内置 numpy 和 pandas。其他包可以通过 Artifact Repository 从 PyPI 获取，外部网络访问也可以通过命名 integrations 进行范围控制。每次执行都在隔离环境内完成，agent 生成的代码也不会在没有明确权限的情况下访问你的数据。于是，一个 agent 就可以在一次运行里完成从数据分析到格式化 PDF 报告的完整工作流。
暂停、修正，然后继续
你可能让一个 agent 去分析两年的财务数据，但后来意识到你真正需要的是五年数据；或者你发现它走向了一条不太有价值的路径，希望在它结束之前把方向掰回来。
Interrupt and Resume（即将 generally available）正是为这种人工 steering 场景而设计的一等 API。你可以中断 agent，发送修正，然后让它从中断处继续执行。
Agent 会暂停、保存当前工作状态，并等待下一条指令，而你不需要再围绕中断工作流额外搭建一套状态管理或恢复逻辑。
一个 managed agent，服务多个权限等级
在大多数组织里，不同用户天然拥有不同权限。例如，销售团队可能可以访问客户健康度指标，而财务团队则还能查看计费信息。如果要支撑这种差异，传统方式往往意味着要为同一个能力维护多个版本的 agent。
有了 Partial Access（即将进入 public preview），同一个 managed agent 就能同时服务多个权限层级的请求。当一个请求到达时，agent 会自动判断该用户有权使用哪些 tools，并在这个边界内完成请求。所有控制都在 Snowflake 层 enforced，与已有的 RBAC 体系完全一致。实际效果上，一个 agent 就能基于同一知识底座，同时服务员工与管理者，或者分析师与高管，只是在访问边界上自动执行差异化控制。
Manage and update your agents
每个 agent 配置的可视化快照
Agent 配置会随着时间不断演进：prompts 会被调优、tools 会被添加、业务逻辑会变化。如果缺乏结构化管理，团队很容易逐渐积累出 undocumented drift，最终无法说清生产中运行的版本与测试中的版本究竟差了什么。
Versioning UI（已进入 public preview）为团队提供了 agent 配置的可视化历史：可以并排比较版本、回滚到过去状态，也可以在不手工编辑 YAML 的前提下，把一个通过验证的候选版本推广到生产环境。生产环境会始终保留一个 LIVE version，而团队则可以安全地在 candidate versions 上持续迭代。对受监管行业来说，这也意味着每个 agent configuration 都有清晰的 custody 链路：改了什么、何时改的、是谁批准的。
为企业级规模而构建
我们今天发布的这些能力，是对 Cortex Agents 已有 managed platform 的进一步延展。它们围绕 orchestration、execution 和 operational controls 做强化，帮助团队从第一次生产部署，一路扩展到组织级采纳。
这也是 Snowflake 在交付 managed agents 过程中始终关注的重点：构建一个能简化运营复杂度的平台，让 builders 把更少时间花在维护基础设施上，把更多时间投入到真正构建 AI applications 上。随着企业 AI 部署逐步成熟，重点正在从“构建 agents”转向“运营 agents”，而这正是 Cortex Agents 下一阶段重点支撑的方向。
开始使用
试用 Code Execution Tool，并基于相应 sandbox configuration 与 package setup 搭建自己的流程；
用声明式编排指南及配套示例，构建你的第一个 multi-agent workflow；
查看 Snowflake Summit 2026 的 demos，了解这些能力在真实环境中的运行方式。
原文地址：https://www.snowflake.com/en/blog/snowflake-cortex-agents-enterprise-ai-scale/
点击链接立即报名注册：Ascent-Snowflake Platform Training-China更多 Snowflake 精彩活动请关注专区
