Enablement intro

Qué es streamlit-coco#

streamlit-coco es una librería Python/Streamlit que incrusta el Cortex Code Agent SDK de Snowflake ("CoCo") en una app Streamlit: un Copilot en rail lateral o en panel completo, puertas de aprobación human-in-the-loop para herramientas destructivas, una vista previa en vivo de una app que CoCo acaba de escribir, salida estructurada hacia tus propios widgets, y una API headless query() / CocoSession para scripts y CI.

Paquete PyPI: streamlit-coco. Versión actual: 0.1.9 (alpha — la API todavía puede cambiar). Python 3.10+, Streamlit 1.53+. Licencia: Apache-2.0.

El problema que resuelve#

Conectar el SDK de CoCo a una app Streamlit a mano implica construir, desde cero: estado de sesión que sobreviva a los reruns de Streamlit, renderizado en streaming de la transcripción del agente, tarjetas de herramienta legibles en lugar de volcados JSON en bruto, y un flujo de aprobación para todo lo que el agente pueda escribir, editar o ejecutar. streamlit-coco ofrece esa plomería como un conjunto de funciones componibles (panel(), chat_input_bar(), copilot_rail(), render_approvals(), …) para que quien escribe la app se ocupe de la página y las opciones, no del puente de sesión.

Para quién es#

Consultores e ingenieros que necesitan añadir un Copilot basado en CoCo a una app Streamlit sobre una cuenta de Snowflake con acceso a Cortex Code. Asume conocimientos básicos de Python y suficiente familiaridad con Streamlit como para leer código con st.container / st.session_state — la librería oculta la mayor parte de la plomería de gestión de sesión, así que no se requiere experiencia profunda en Streamlit.

Objetivos de aprendizaje#

Al terminar esta ruta serás capaz de:

1. Explicar qué hace streamlit-coco, y cuándo aplica frente a usar el CLI

   de CoCo o el SDK directamente (ver la sección "When not to use" del README).

2. Instalar la librería, conectarla a una cuenta de Snowflake y ejecutar

   cada app de ejemplo incluida (make chat, make backlog, `make bi-semantic, make headless`, …).

3. Construir una app Streamlit usando el patrón preferido — panel() +

   chat_input_bar() — con require_approval_for configurado para que las herramientas destructivas se pausen a la espera de una decisión humana.

4. Configurar CocoOptions para un flujo de trabajo real e incrustar

   copilot_rail() en una app multipágina existente.

5. Diagnosticar una sesión que no logra conectar o una herramienta que no

   se ejecuta, usando check_environment(), STREAMLIT_COCO_DEBUG y la referencia de ayuda de la Guía Técnica.

Estimación de tiempo#

Los casos de entrenamiento (01-simple, 02-intermediate, 03-advanced) son una ruta separada, presupuestada en 20–30, 45–60 y 30–45 minutos respectivamente.

Prerrequisitos#

• Python 3.10+ y uv instalados localmente.
• Una cuenta de Snowflake con acceso a Cortex Code, y un

  ~/.snowflake/connections.toml funcional (el config.toml heredado también funciona) — o la conexión por defecto del Snowflake CLI.

• El CLI de CoCo (cortex) instalado y accesible en PATH (verificar

  con cortex --version), o una ruta que puedas fijar mediante CORTEX_CODE_CLI_PATH.

• Acceso Git al repositorio de desarrollo

  (github.com/DevoteamSP/streamlit-coco-dev) si piensas ejecutar los ejemplos incluidos, o simplemente pip install "streamlit-coco[sdk]" si solo necesitas el paquete publicado.

• Nada más: no se requiere un warehouse de Snowflake dedicado para seguir

  esta ruta — los ejemplos usan por defecto datos de muestra de solo lectura o fixtures desconectados.