随着 Goose 开源 AI Agent 的发布，以及 Snowflake Cortex 集成的落地，我们正步入一个由数据驱动的 AI 新时代。本文将深入探讨如何利用 Goose 与 Snowflake 强大的组合，将大型语言模型 (LLM) 的能力与 Snowflake 的数据仓库无缝连接，从而构建更智能、更高效的 agentic 流程和工作流。
Goose：连接 LLM 与现实世界的桥梁
Goose 是一个开源、可扩展的 AI Agent，它充当了 LLM 与现实世界行动之间的桥梁。它支持多种 LLM 提供商和前沿模型， democratized AI 的使用，并允许用户构建 agentic 流程和工作流。 Goose 基于 Model Context Protocol (MCP) 开放标准构建，Block 是该标准的早期采用者和贡献者。这意味着 Goose 能够与各种工具集成，访问广泛的功能。例如，Goose 可以连接到内容仓库和业务应用程序，从而实现更复杂、更自动化的任务。
想象一下，你需要从多个在线资源中收集信息，并根据这些信息撰写一份报告。使用传统的流程，你需要手动搜索、筛选和整理数据，这可能非常耗时且容易出错。但是，使用 Goose，你可以创建一个 agentic 流程，自动完成这些任务。 Goose 可以使用不同的 LLM 来理解你的目标，利用其内置的扩展程序来访问必要的工具，并最终生成一份高质量的报告。
Snowflake Cortex：赋能 Goose 的数据智能引擎
Snowflake Cortex 提供了一套强大的模型服务，包括 Cortex Complete (文本生成)、Cortex Search (模糊搜索) 和 Cortex Analyst (文本到 SQL)。通过与 Goose 集成，Snowflake Cortex 能够为 Goose 提供强大的数据智能支持，使其能够基于 Snowflake 中的数据进行分析、推理和决策。
Snowflake Labs 开源的 MCP 服务器支持以下功能：
- Cortex Complete: 使用支持的语言模型生成完成响应。这允许 Goose 根据 Snowflake 中存储的数据生成文本内容。例如，可以利用 Cortex Complete 生成营销文案、产品描述或客户支持回复。
- Cortex Search: 提供低延迟、高质量的 “模糊” 搜索，用于检索非结构化数据。这意味着 Goose 可以快速找到 Snowflake 中与用户查询相关的文档、日志或其他文本数据。例如，可以使用 Cortex Search 来查找与特定客户或产品相关的投诉。
- Cortex Analyst: 将自然语言转换为 SQL 查询，从而实现对结构化数据的轻松访问。这使得 Goose 可以用自然语言查询 Snowflake 中的数据，而无需编写复杂的 SQL 代码。例如，可以使用 Cortex Analyst 来查询客户的购买历史记录或产品的库存水平。
Goose 与 Snowflake 集成：实战指南
要开始使用 Goose 和 Snowflake，请按照以下步骤操作：
-
安装 Goose: 按照 Goose 的安装说明进行操作。安装完成后，系统会提示你配置 Goose 的 provider，选择 Snowflake。
-
配置 Snowflake Provider: 配置 Snowflake 作为 provider，只需提供主机名和程序化访问令牌 (PAT)。
-
启用 Snowflake 扩展: 在 Goose 中启用 Snowflake 扩展，以便 Goose 能够访问 Snowflake Cortex 的功能。
配置完成后，你就可以开始使用 Goose 与 Snowflake 进行交互了。例如，你可以向 Goose 提出有关 Snowflake 中数据的自然语言问题，Goose 会自动调用 Snowflake Cortex 的相应服务来回答你的问题。
案例分析：利用 Goose 和 Snowflake 进行财务数据分析
假设你是一家金融机构的分析师，你需要分析公司的财务数据以检测异常情况。你可以使用 Goose 和 Snowflake 来自动执行此过程。
首先，你可以配置 Goose 连接到 Snowflake，并访问包含财务数据的数据库。然后，你可以创建一个 agentic 流程，该流程执行以下步骤：
- 数据提取: 使用 Goose 从 Snowflake 中提取财务数据，例如收入、支出和利润。
- 异常检测: 使用 Goose 调用 Snowflake Cortex 的分析服务，例如异常检测模型，来识别财务数据中的异常情况。
- 问题诊断: 如果检测到异常情况，则使用 Goose 调用其他扩展程序来进一步诊断问题，例如访问日志文件或数据库审计记录。
- 报告生成: 使用 Goose 生成一份报告，概述检测到的异常情况及其潜在原因。
通过使用 Goose 和 Snowflake，你可以大大提高财务数据分析的效率和准确性。
拓展应用：Goose 与 Snowflake 的无限可能
Goose 与 Snowflake 的集成不仅仅局限于财务数据分析。它还可以在许多其他领域发挥作用，例如：
- 客户服务: 使用 Goose 和 Snowflake 来自动回答客户的问题，并提供个性化的支持。例如，当客户提出问题时，Goose 可以访问 Snowflake 中存储的客户数据，并根据客户的个人情况提供量身定制的答案。
- 市场营销: 使用 Goose 和 Snowflake 来创建更有针对性的营销活动。例如，可以使用 Goose 来分析 Snowflake 中存储的客户数据，并识别具有相似兴趣和需求的客户群体。然后，可以使用这些信息来创建针对特定客户群体的个性化广告。
- 风险管理: 使用 Goose 和 Snowflake 来识别和减轻风险。例如，可以使用 Goose 来分析 Snowflake 中存储的交易数据，并检测欺诈行为。
- 软件开发: Goose 自带的 Developer 扩展提供了关键的软件开发工具，可以激活 Computer Controller 和 Memory 集成等选项。
结论：拥抱 Goose 与 Snowflake，开启 AI Agent 的未来
Goose 和 Snowflake Cortex 的结合代表了 AI Agent 领域的一个重要里程碑。通过将 LLM 的强大功能与 Snowflake 的数据仓库无缝连接，我们能够构建更智能、更高效的 agentic 流程和工作流。无论是分析财务数据、提供客户支持还是进行市场营销，Goose 和 Snowflake 都能帮助你提高效率、降低成本并做出更明智的决策。随着 Goose 和 Snowflake 的不断发展，我们有理由相信，它们将在未来的 AI 发展中发挥越来越重要的作用。
我个人一直在使用 Goose 来分析我们团队的 Snowflake 查询使用情况，以检测异常情况。接下来，我可以使用其他扩展程序来总结并帮助我编写查询，以进一步诊断异常情况。将 Goose 会话转换为可重复使用的配方，其中包含你使用的工具、目标和设置，将其打包成一个新的 agent，其他人（或你未来的自己）只需单击一下即可启动。
我很高兴能为 Goose 做出贡献，并为该项目的用户启用此 Snowflake 功能。我迫不及待地想看看这些集成在未来如何发展。同时，我希望你能查看 Goose 并试用新的扩展程序！
深入 MCP 服务器：Cortex Complete, Cortex Search 和 Cortex Analyst 的协同作用
Snowflake Lab 新开源的 MCP 服务器 提供了 Cortex Complete、Cortex Search 和 Cortex Analyst 三大核心功能，它们共同构成了 Goose 与 Snowflake 交互的强大基石。
为了更清晰地理解这三者是如何协同工作的，让我们结合具体的代码示例和应用场景来进行分析。
1. Cortex Complete：文本生成的无限可能
Cortex Complete 允许 Goose 利用 Snowflake 内部的语言模型来生成文本。这为自动化内容创作、数据摘要和报告生成等任务打开了无限可能。
例如，我们可以使用 Cortex Complete 基于 Snowflake 中存储的客户评论数据生成产品总结：
# 假设已经配置好 Goose 和 Snowflake 连接
goose_instance = Goose(snowflake_config)
prompt = "根据以下客户评论，总结产品的主要优点和缺点：\n" + get_customer_reviews_from_snowflake() # 从 Snowflake 获取评论
summary = goose_instance.complete(prompt, model="snowflake_cortex_complete")
print(summary)
这段代码首先从 Snowflake 获取客户评论数据，然后将其作为 prompt 传递给 Goose 的 complete 方法。complete 方法会调用 Snowflake Cortex Complete 服务，利用其内部的语言模型生成产品总结。
2. Cortex Search：精准定位关键信息
Cortex Search 提供了低延迟、高质量的 “模糊” 搜索功能，使得 Goose 能够快速找到 Snowflake 中与用户查询相关的非结构化数据。这对于知识库检索、信息挖掘和威胁情报分析等任务至关重要。
以下是一个使用 Cortex Search 查找与特定客户相关的支持文档的示例：
customer_id = "12345"
query = f"查找与客户 ID {customer_id} 相关的支持文档"
results = goose_instance.search(query, service_name="SUPPORT_DOCUMENTS_SEARCH") # 指定搜索服务
for result in results:
print(f"文档标题：{result['title']}")
print(f"文档内容：{result['content'][:200]}...") # 打印部分内容
这段代码使用 Goose 的 search 方法在名为 “SUPPORTDOCUMENTSSEARCH” 的搜索服务中查找与特定客户相关的支持文档。search 方法会调用 Snowflake Cortex Search 服务，返回与查询相关的文档列表。
3. Cortex Analyst：自然语言驱动的数据分析
Cortex Analyst 能够将自然语言转换为 SQL 查询，从而实现对 Snowflake 中结构化数据的轻松访问。这使得非技术用户也能够使用自然语言查询数据，进行分析和决策。
以下是一个使用 Cortex Analyst 查询特定产品的销售额的示例：
product_name = "Awesome Product"
query = f"查询产品 {product_name} 的总销售额"
sql_query = goose_instance.translate_to_sql(query, service_name="SALES_DATA_ANALYST") # 指定分析服务
sales_data = snowflake_execute_query(sql_query) # 执行 SQL 查询
print(f"{product_name} 的总销售额为：{sales_data['total_sales']}")
这段代码使用 Goose 的 translate_to_sql 方法将自然语言查询转换为 SQL 查询，然后在 Snowflake 中执行该查询，获取特定产品的销售额。translate_to_sql 方法会调用 Snowflake Cortex Analyst 服务，将自然语言查询转换为 SQL 查询。
总结
Cortex Complete、Cortex Search 和 Cortex Analyst 三者并非孤立存在，而是相互协作，共同为 Goose 提供强大的数据智能支持。例如，我们可以先使用 Cortex Search 找到与特定主题相关的文档，然后使用 Cortex Complete 总结这些文档的内容，最后使用 Cortex Analyst 查询与这些文档相关的结构化数据。这种协同作用使得 Goose 能够处理复杂的任务，并提供更深入的洞察力。
通过深入理解并灵活运用这三大功能，我们可以充分释放 Goose 与 Snowflake 的潜力，构建更智能、更高效的 AI Agent 应用。