Snowflake — Manual de Uso de Cortex Code en Snowsight

1 ¿Qué es Cortex Code?

Cortex Code es el asistente de programación con IA integrado en Snowsight, el entorno web de Snowflake. Permite generar código SQL, Python y Streamlit directamente desde lenguaje natural, acelerando el desarrollo de soluciones analíticas.

Capacidades principales

Generación de código SQL — CREATE TABLE, INSERT, vistas, procedures, funciones
Cortex AI/ML — ML.CLASSIFICATION, ML.FORECAST, CORTEX.COMPLETE, CORTEX.SENTIMENT, Cortex Search
Feature Store — Entity, FeatureView, get_features()
Model Registry — log_model(), get_model(), versionado
Streamlit — Generación de dashboards interactivos
Tasks & Pipelines — Automatización y orquestación

Importante: Cortex Code genera código que se ejecuta en tu cuenta de Snowflake. Todo queda dentro de tu entorno — sin dependencias externas, sin enviar datos fuera.

2 Requisitos Previos

Antes de empezar, asegúrate de tener lo siguiente configurado:

Cuenta de Snowflake

Importante: Solicita a tu representante de Snowflake la creación de las cuentas necesarias para tu equipo. De esta forma aseguramos que están soportadas todas las funciones de Cortex Code y Cortex AI: ML.CLASSIFICATION, ML.FORECAST, CORTEX.COMPLETE, CORTEX.SENTIMENT, Cortex Search y Feature Store.

Acceder a Cortex Code en Snowsight

Una vez dentro de tu cuenta, en la parte derecha de la pantalla aparece el panel del asistente de Cortex Code. Es tu compañero de programación con IA para ejecutar todos los prompts de este catálogo:

Listo: Si ves el panel de Cortex Code con el mensaje «How can I help?» a la derecha, ya puedes empezar a copiar y pegar los prompts de cualquier caso de uso.

Cuenta y permisos

Cuenta de Snowflake con acceso a Snowsight
Rol con permisos CREATE DATABASE, CREATE SCHEMA, CREATE TABLE
Warehouse activo (recomendado: size S para desarrollo, M para producción)
Cortex Code habilitado en la cuenta (disponible en todas las ediciones)

Para funciones avanzadas

Cortex AI/ML: Requiere que la región soporte Cortex Functions (AWS us-west-2, us-east-1, eu-west-1, etc.)
Feature Store: Paquete snowflake-ml-python disponible
Model Registry: Permisos para crear modelos en el esquema
Streamlit: Permiso CREATE STREAMLIT en el esquema

Nota sobre regiones: Algunas funciones de Cortex AI (como ML.CLASSIFICATION o CORTEX.COMPLETE) requieren regiones específicas. Consulta la documentación de disponibilidad para verificar tu región.

3 Abrir Cortex Code en Snowsight

Cortex Code se encuentra integrado en varias superficies de Snowsight. Estas son las formas de acceder:

Opción A — Desde Workspaces

Entra en Snowsight → Projects → Workspaces
Crea o abre un workspace existente
Haz clic en el icono de Cortex (✨) en la barra lateral derecha, o usa el atajo Cmd+Shift+Space (Mac) / Ctrl+Shift+Space (Windows)
Se abrirá el panel de Cortex Code a la derecha del editor

Tip: El panel de Cortex Code mantiene el contexto de tu workspace. Si tienes tablas referenciadas en el editor, Cortex Code las usará como contexto para generar código más preciso.

4 Añadir la Skill de Best-Practices a Cortex Code

Para mejorar el rendimiento y reducir costes del código generado, puedes añadir la skill de best-practices a Cortex Code. Una vez cargada, estará disponible antes de cada prompt y orientará al asistente a generar código más eficiente y optimizado para Snowflake.

4.1 — Descargar la skill

Descarga el fichero comprimido con la skill de best-practices y guárdalo en tu equipo:

Descargar best-practices.zip

4.2 — Descomprimir localmente

Descomprime el fichero descargado en tu equipo. Obtendrás una carpeta llamada best-practices con los archivos de la skill listos para subir.

Tip: Descomprime en un lugar fácil de localizar (por ejemplo, el Escritorio o tu carpeta de Descargas), ya que en el siguiente paso necesitarás seleccionarla desde Snowsight.

4.3 — Subir la skill a Cortex Code en Snowsight

En Snowsight, dentro del panel de Cortex Code, haz clic en el botón +, selecciona la opción «Upload Skill Folder(s)» y elige la carpeta best-practices que acabas de descomprimir localmente:

Botón + en Cortex Code para subir una skill

Nota: El botón + se encuentra en la parte superior del panel de Cortex Code, junto al selector de contexto. Al hacer clic aparecerá un menú — selecciona «Upload Skill Folder(s)» y navega hasta donde descomprimiste la skill.

4.4 — Usar la skill antes de cada prompt

Una vez subida, la skill quedará disponible en tu sesión de Cortex Code. Escribe el comando /best-practices antes de cada prompt para activarla y obtener código más eficiente:

Comando /best-practices disponible en Cortex Code

Listo: Con la skill activa, Cortex Code aplicará automáticamente buenas prácticas de Snowflake en todo el código generado: uso eficiente de warehouses, clustering keys, optimización de consultas y reducción de costes de créditos.

5 Flujo de Trabajo con los Prompts

Cada caso de uso de este catálogo incluye entre 8 y 11 prompts secuenciales. El flujo recomendado es:

Elegir
caso de uso

Ver
Guía

Abrir
Cortex Code

Copiar y pegar
cada prompt

Revisar y
ejecutar

Estructura de cada caso de uso

Al hacer clic en «Ver Prompts» en cualquier tarjeta de caso de uso, verás:

Paso 1 — Configurar entorno: Crea la base de datos, esquema y warehouse. Siempre es el primer prompt.
Pasos 2-4 — Crear datos: Genera tablas con datos sintéticos representativos del dominio.
Pasos 5-7 — Analizar y modelar: Features, modelos ML, funciones Cortex AI, Feature Store o Model Registry.
Paso 8-9 — Dashboard: Código Streamlit para visualización interactiva.
Último paso — Pipeline: Tasks para automatización y operación continua.

Secuencialidad: Los prompts están diseñados para ejecutarse en orden. Cada paso depende de los objetos creados en los pasos anteriores. No saltes pasos.

6 Ejecutar un Caso de Uso Paso a Paso

Veamos el proceso completo con un ejemplo práctico:

6.1 — Seleccionar industria y caso de uso

Ve al catálogo de industrias
Elige una industria (por ejemplo, Banca)
Navega las tarjetas o usa el buscador para encontrar un caso de uso
Lee la sección «Problema» para entender el dolor de negocio

6.2 — Leer la Guía

Haz clic en «Ver Guía»
Lee las secciones: Contexto, Foco, Reto, Objetivos, Funcionalidades, Datos, Estratificación y Cómo Usar
Esto te dará el marco conceptual antes de generar código

6.3 — Ejecutar los Prompts

Haz clic en «Ver Prompts»
En Snowsight, abre un workspace y activa Cortex Code
Para cada paso:
- Haz clic en «Copiar» en el prompt
- Pégalo en el panel de Cortex Code
- Cortex Code generará el código SQL/Python correspondiente
- Revísalo antes de ejecutar (ver sección 7)
- Haz clic en «Run» o «Apply»
- Verifica que se ejecutó correctamente
- Pasa al siguiente prompt

Ejemplo-- Prompt copiado del catálogo (Paso 1):
"Crea la base de datos BANCA_FRAUDE_DB con esquema ANALYTICS
y warehouse BANCA_WH (size S). Incluye comentarios del proyecto
de detección de fraude transaccional."

-- Cortex Code genera:
CREATE DATABASE IF NOT EXISTS BANCA_FRAUDE_DB
  COMMENT = 'Proyecto de detección de fraude transaccional con Cortex AI/ML';

CREATE SCHEMA IF NOT EXISTS BANCA_FRAUDE_DB.ANALYTICS
  COMMENT = 'Schema principal para analytics de fraude';

CREATE WAREHOUSE IF NOT EXISTS BANCA_WH
  WAREHOUSE_SIZE = 'SMALL'
  AUTO_SUSPEND = 300
  AUTO_RESUME = TRUE
  COMMENT = 'Warehouse para proyecto de fraude bancario';

USE DATABASE BANCA_FRAUDE_DB;
USE SCHEMA ANALYTICS;
USE WAREHOUSE BANCA_WH;

Resultado esperado: Al final de todos los pasos tendrás: base de datos con tablas de datos sintéticos, modelos ML entrenados, funciones Cortex AI configuradas y un dashboard Streamlit funcional.

7 Revisar y Validar el Código Generado

Cortex Code genera código de alta calidad, pero siempre debes revisarlo antes de ejecutar. Puntos clave:

Checklist de revisión

Nombres de objetos: Verifica que la base de datos, esquema y warehouse coincidan con tu entorno
Warehouse size: Ajusta el tamaño según tu carga (S para desarrollo, M-L para producción)
Volumen de datos sintéticos: Los prompts sugieren volúmenes representativos; ajústalos según necesidad
Modelos LLM: Verifica que el modelo referenciado (e.g., llama3.1-70b, mistral-large2) esté disponible en tu región
Funciones ML: Confirma que ML.CLASSIFICATION, ML.FORECAST estén disponibles
Permisos: Tu rol debe tener los grants necesarios sobre los objetos

Adaptar a datos reales

Los prompts generan datos sintéticos para demostración. Para llevar a producción:

Sustituye los CREATE TABLE ... INSERT sintéticos por CREATE VIEW o SELECT sobre tus tablas reales
Ajusta los nombres de columnas a tu modelo de datos
Modifica los umbrales y parámetros de negocio
Mantén la estructura de features, modelos y dashboards

Datos sintéticos: Los datos generados son ficticios y representativos. No usar en reportes de negocio reales. Sirven para validar el pipeline end-to-end antes de conectar datos reales.

8 Desplegar Dashboards Streamlit

Casi todos los casos de uso incluyen un prompt para generar un dashboard Streamlit. Así se despliega:

8.1 — Generar la app de Streamlit

Ejecuta el prompt de «Dashboard» (normalmente el penúltimo paso)
Cortex Code generará código Python con Streamlit
Entra en Snowsight → Projects → Streamlit

8.3 — Verificar y compartir

Comprueba que todos los gráficos y tablas cargan correctamente
Si hay errores, verifica que las tablas y vistas existen (se crearon en pasos anteriores)
Comparte la app con otros usuarios usando «Share»

Estructura típica# Streamlit generado por Cortex Code
import streamlit as st
from snowflake.snowpark.context import get_active_session

session = get_active_session()
st.set_page_config(page_title="Dashboard", layout="wide")

# KPIs principales
col1, col2, col3 = st.columns(3)
with col1:
    st.metric("Métrica 1", valor1)
# ... gráficos, tablas, filtros interactivos

9 Automatizar con Tasks y Pipelines

El último prompt de cada caso de uso crea Tasks de Snowflake para automatizar el pipeline:

Qué se automatiza

Ingesta de datos: Carga periódica desde fuentes (diaria, semanal)
Actualización de features: Recalcular indicadores y métricas
Scoring ML: Ejecutar modelos sobre nuevos datos
Alertas: Notificaciones cuando se superan umbrales
Reentrenamiento: Actualizar modelos periódicamente

Estructura típica de Tasks

SQL-- Task de scoring semanal
CREATE OR REPLACE TASK scoring_semanal
  WAREHOUSE = MI_WH
  SCHEDULE = 'USING CRON 0 6 * * 1 Europe/Madrid'
  COMMENT = 'Scoring ML semanal sobre datos activos'
AS
  CALL ejecutar_scoring();

-- Activar
ALTER TASK scoring_semanal RESUME;

DAG de Tasks: Los casos de uso avanzados crean DAGs (Directed Acyclic Graphs) donde unas Tasks dependen de otras. Cortex Code genera las dependencias automáticamente con AFTER.

10 Comprobar Gasto Utilizado

Tras ejecutar uno o varios casos de uso, utiliza este prompt en Cortex Code para obtener un resumen consolidado de todos los créditos y tokens consumidos en el día actual: warehouses, funciones Cortex AI, modelos ML y Cortex Code en Snowsight.

Prompt — Resumen de costes del día

Copia y pega este prompt directamente en Cortex Code (recuerda activar /best-practices antes):

PromptGenera una consulta SQL que muestre un resumen consolidado de todos los costes y consumo
de la cuenta Snowflake del día actual (CURRENT_DATE). Incluye las siguientes secciones:

1. CRÉDITOS DE WAREHOUSE
   - Fuente: SNOWFLAKE.ACCOUNT_USAGE.WAREHOUSE_METERING_HISTORY
   - Columnas: warehouse_name, SUM(credits_used) AS creditos_warehouse
   - Filtra por: DATE(start_time) = CURRENT_DATE()

2. FUNCIONES CORTEX AI (tokens y créditos)
   - Fuente: SNOWFLAKE.ACCOUNT_USAGE.CORTEX_FUNCTIONS_USAGE_HISTORY
   - Columnas: function_name, SUM(tokens_used) AS tokens_usados,
     SUM(credits_used) AS creditos_cortex
   - Filtra por: DATE(start_time) = CURRENT_DATE()

3. FUNCIONES ML SERVERLESS (ML.CLASSIFICATION, ML.FORECAST, etc.)
   - Fuente: SNOWFLAKE.ACCOUNT_USAGE.METERING_DAILY_HISTORY
   - Filtra por: service_type IN ('ML_FUNCTIONS','SNOWPARK_ML')
     AND DATE(usage_date) = CURRENT_DATE()
   - Columnas: service_type, credits_used_compute AS creditos_ml

4. CORTEX CODE EN SNOWSIGHT
   - Fuente: SNOWFLAKE.ACCOUNT_USAGE.METERING_DAILY_HISTORY
   - Filtra por: service_type = 'CORTEX_CODE'
     AND DATE(usage_date) = CURRENT_DATE()
   - Columnas: service_type, credits_used_compute AS creditos_cortex_code

5. RESUMEN TOTAL POR TIPO DE SERVICIO
   - Une todos los resultados anteriores con UNION ALL
   - Columnas finales: tipo_servicio, nombre, tokens_usados, creditos_gastados
   - Ordena por creditos_gastados DESC
   - Añade una fila TOTAL al final con SUM de todos los créditos

Usa CTEs para cada sección. Si alguna vista no existe en la cuenta, sustítuyela por
SNOWFLAKE.ACCOUNT_USAGE.METERING_DAILY_HISTORY filtrando por el service_type equivalente.
Añade comentarios explicando cada CTE.

Nota: Los datos de ACCOUNT_USAGE tienen una latencia de hasta 45 minutos. Si acabas de ejecutar un caso de uso y no aparecen datos, espera unos minutos y vuelve a lanzar la consulta.

Alternativa: Si CORTEX_FUNCTIONS_USAGE_HISTORY no está disponible en tu cuenta, Cortex Code sustituirá automáticamente esa sección por METERING_DAILY_HISTORY con service_type = 'AI_SERVICES'.

11 Consejos y Buenas Prácticas

Desarrollo

Usa siempre /best-practices antes de cada prompt — Activa la skill para que Cortex Code genere código optimizado en rendimiento y costes desde el primer paso
Ejecuta prompt a prompt — No intentes ejecutar todos los prompts de golpe; cada paso valida el anterior
Nombra tus objetos consistentemente — Los prompts sugieren nombres descriptivos como BANCA_FRAUDE_DB
Guarda el worksheet — Cada caso de uso genera bastante código; guarda frecuentemente

Cortex Code

Sé específico en los prompts — Los prompts del catálogo ya son detallados, pero puedes añadir contexto de tu negocio
Itera sobre el código — Si el código generado no es exactamente lo que necesitas, pide a Cortex Code que lo ajuste
Usa el contexto del worksheet — Si ya tienes tablas en el editor, Cortex Code las referenciará automáticamente
Combiná prompts si necesitas — Para usuarios avanzados, puedes combinar 2-3 pasos en un solo prompt más largo

Producción

Sustituye datos sintéticos por reales — El pipeline funciona igual, solo cambias la fuente de datos
Configura Resource Monitors — Controla el consumo de créditos del warehouse
Revisa permisos — Usa roles específicos para cada proyecto (data_scientist, analyst, etc.)
Monitoriza las Tasks — Revisa el historial de ejecución en Activity → Task History
Versiona los modelos — Los casos con Model Registry ya incluyen versionado; úsalo para A/B testing

12 Preguntas Frecuentes

¿Necesito saber SQL para usar los prompts?

No es imprescindible, pero ayuda. Cortex Code genera el SQL por ti, pero entender los conceptos básicos (CREATE TABLE, SELECT, JOIN) te permitirá revisar y adaptar el código con confianza.

¿Los datos sintéticos consumen muchos créditos?

Mínimo. La generación de datos sintéticos con INSERT consume muy pocos créditos (segundos de warehouse S). El mayor consumo viene del entrenamiento ML y las funciones Cortex, que dependen del volumen de datos.

¿Puedo usar los prompts con mis datos reales desde el principio?

Sí. Sustituye los pasos de «Crear datos» por referencias a tus tablas existentes. Asegúrate de que los nombres de columnas coincidan con lo que esperan los pasos siguientes, o pide a Cortex Code que adapte el código.

¿Qué hago si un prompt genera un error?

Lo más común: (1) falta ejecutar un paso anterior que crea la tabla referenciada, (2) el warehouse no está activo, (3) la función Cortex no está disponible en tu región. Revisa el mensaje de error y pide a Cortex Code que lo corrija: «Este código da error X, corrígelo».

¿Cuánto tiempo lleva completar un caso de uso?

Entre 8 y 15 minutos para ejecutar todos los prompts con datos sintéticos. El tiempo indicado en cada tarjeta es una estimación realista incluyendo revisión del código.

¿Puedo combinar casos de uso de distintas industrias?

Absolutamente. Muchos patrones son transversales: un Feature Store de cliente funciona igual en Banca, Retail o Telecom. Adapta los nombres de columnas y la lógica de negocio.

¿Cortex Code recuerda los pasos anteriores?

Dentro de la misma sesión de worksheet, sí. Si cierras y vuelves a abrir, deberás darle contexto. Por eso recomendamos ejecutar todos los pasos de un caso de uso en una sesión continua.

¿Puedo modificar los prompts?

Sí, y se recomienda. Los prompts están diseñados como punto de partida. Añade detalles de tu negocio, ajusta volúmenes de datos, cambia umbrales o añade columnas específicas de tu dominio para obtener resultados más precisos.

¿Qué diferencia hay entre «Ver Guía» y «Ver Prompts»?

Ver Guía muestra el marco conceptual: contexto del problema, objetivos, datos necesarios y estrategia de implementación. Ver Prompts contiene los prompts paso a paso que copias y pegas directamente en Cortex Code para generar el código.

¿Necesito instalar algo?

Casi nada. Todo el código se ejecuta dentro de Snowsight en el navegador, sin entornos Python ni herramientas externas. El único paso previo es descargar la skill de best-practices (fichero best-practices.zip), descomprimirla en tu equipo y subir la carpeta a Cortex Code desde el botón + en Snowsight. Una vez subida, estará disponible con el comando /best-practices y no necesitarás repetir el proceso.