Cortex 老手才知道的用法
先说清楚它是什么：Snowflake Cortex AI 属于「数据与分析」方向的在线服务，Snowflake 数据云中的大模型与 AI 函数。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 把固定的背景和规则保存为预设或模板，避免每次重复输入。
- 敏感信息用代号替换，交付前再换回。
- 把「口径」等关键设置弄清楚再调参。
- 遇到瓶颈时，用 Databricks 做一次对照，判断是工具问题还是用法问题。
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 长材料分段处理，每段完成后再要一份汇总。
- 同一任务准备 5 份测试材料，改设置后统一复测。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
示例：分步完成的写法
写 SQL 查询
适用情况：手头有数据库表结构说明时。
根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。
验收标准：说明了口径问题。
更多可以试的用法
自然语言问数
适用情况：手头有一张销售明细表时。
请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。
检查点：给出了可复核的计算过程。
数据清洗方案
输入：一份有缺失和异常值的数据。
分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。
检查点：说明了处理对结论的影响。
评测大模型应用
准备材料：一批真实用户问题和应用回答。
为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。
检查点：评分标准清晰可复用。
常见问题：问数结果看似合理但错误
准备几道已知答案的问题做抽检。
常见问题：AI 算出的数字和报表不一致
检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。
常见问题：生成的 SQL 运行报错
提供准确的表结构和字段说明，先在测试库运行。
概念补充：评测集
用于反复检验模型或应用效果的标准问题集合。
概念补充：文本转 SQL
把自然语言问题转换为数据库查询语句。
适合人群：HR 与招聘
HR 与招聘可以用 Cortex 处理岗位描述撰写、面试题与评估表等工作。需要注意：简历筛选不得以性别、年龄等因素做歧视性判断，候选人信息需妥善保管。
适合人群：电商运营
电商运营可以用 Cortex 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。
适合人群：科研人员
科研人员可以用 Cortex 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。
注意事项
涉及个人信息、商业机密或受监管数据时，先确认 Snowflake Cortex AI 的数据处理条款，再决定能否使用。
本文基于 Snowflake Cortex AI 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。