Enablement intro

Ce qu'est streamlit-coco#

streamlit-coco est une bibliothèque Python/Streamlit qui intègre le SDK Cortex Code Agent de Snowflake (« CoCo ») dans une application Streamlit : un Copilot en rail latéral ou en panneau complet, des portes d'approbation supervisées par un humain (human-in-the-loop) pour les outils destructifs, un aperçu en direct d'une application que CoCo vient d'écrire, une sortie structurée vers vos propres widgets, et une API headless query() / CocoSession pour les scripts et la CI.

Paquet PyPI : streamlit-coco. Version actuelle : 0.1.9 (alpha — l'API peut encore évoluer). Python 3.10+, Streamlit 1.53+. Licence : Apache-2.0.

Le problème qu'elle résout#

Câbler le SDK CoCo dans une application Streamlit à la main signifie construire, à partir de zéro : un état de session qui survit aux reruns Streamlit, un rendu en streaming de l'historique de conversation de l'agent, des cartes d'outils lisibles plutôt que des dumps JSON bruts, et un flux d'approbation pour tout ce que l'agent pourrait écrire, modifier ou exécuter. streamlit-coco fournit cette plomberie sous forme d'un ensemble de fonctions composables (panel(), chat_input_bar(), copilot_rail(), render_approvals(), …) afin qu'un auteur d'application écrive la page et les options, pas le pont de session.

À qui ça s'adresse#

Aux consultants et ingénieurs qui doivent ajouter un Copilot basé sur CoCo à une application Streamlit sur un compte Snowflake avec accès à Cortex Code. Cela suppose des bases en Python et une familiarité suffisante avec Streamlit pour lire du code st.container / st.session_state — la bibliothèque masque l'essentiel de la plomberie de gestion de session, donc une expertise Streamlit approfondie n'est pas requise.

Objectifs pédagogiques#

À l'issue de ce parcours, vous serez capable de :

1. Expliquer ce que fait streamlit-coco, et quand l'utiliser plutôt que la

   CLI CoCo ou le SDK directement (voir la section « When not to use » du README).

2. Installer la bibliothèque, la connecter à un compte Snowflake, et

   exécuter chaque application d'exemple fournie (make chat, `make backlog, make bi-semantic, make headless`, …).

3. Construire une application Streamlit selon le pattern préféré —

   panel() + chat_input_bar() — avec require_approval_for configuré pour que les outils destructifs se mettent en pause en attendant une décision humaine.

4. Configurer CocoOptions pour un workflow réel et intégrer

   copilot_rail() dans une application multipage existante.

5. Diagnostiquer une session qui échoue à se connecter ou un outil qui ne

   s'exécute pas, à l'aide de check_environment(), de STREAMLIT_COCO_DEBUG, et de la référence d'aide du Guide technique.

Estimation du temps#

Les cas d'entraînement (01-simple, 02-intermediate, 03-advanced) constituent un parcours séparé, budgété respectivement à 20–30, 45–60 et 30–45 minutes.

Prérequis#

• Python 3.10+ et uv installés localement.
• Un compte Snowflake avec accès à Cortex Code, et un fichier

  ~/.snowflake/connections.toml fonctionnel (l'ancien config.toml fonctionne aussi) — ou la connexion par défaut de la Snowflake CLI.

• La CLI CoCo (cortex) installée et accessible dans le PATH

  (vérifiez avec cortex --version), ou un chemin que vous pouvez définir via CORTEX_CODE_CLI_PATH.

• Un accès Git au dépôt de développement

  (github.com/DevoteamSP/streamlit-coco-dev) si vous prévoyez d'exécuter les exemples fournis, ou simplement pip install "streamlit-coco[sdk]" si vous n'avez besoin que du paquet publié.

• Rien de plus : aucun entrepôt (warehouse) Snowflake dédié n'est requis pour

  suivre ce parcours — les exemples utilisent par défaut des données d'exemple en lecture seule ou des fixtures déconnectées.