一句话看懂：Snowflake AI Research 提出，Agent 的效率瓶颈不只是模型能力，更在于每一轮带进上下文的工具定义与原始结果。其内部测试中，CoCo 在 SQL 修复任务上通过率与单次成本均优于对照方案。
事件核心：发生了什么
Snowflake AI Research 在 CoCo 与 CoWork 中探索“上下文膨胀”问题：长任务里，工具定义、查询结果和对话历史会不断累积，即使早期信息已失效，Agent 仍要在后续轮次反复处理。团队提出两条互补路径：一是构建能智能管理上下文的运行框架 Harness，按需加载工具、并行执行无依赖的工具调用、压缩或管理大规模返回结果；二是提前提供业务语义，减少 Agent 自行推断表间关系和指标定义的成本。
在内部 SQL 修复基准测试中，使用 Sonnet 5 的 CoCo 三次重复试验通过率为 86%，对照的 Opus 5 版 Claude Code 为 72%；单次试验报告成本从 0.446 美元降至 0.298 美元，降幅 33%。该结果仅适用于其特定配置和工作负载。
为什么重要
2026 年企业级 Agent 的竞争焦点，正在从“模型能不能做”转向“做一次要花多少 token 和多少钱”。单纯扩大上下文窗口无法根治注意力分散与成本累积；Harness 改的是上下文预算，语义视图改的是答案准确性。Snowflake 把这两件事放在同一叙事下，实质是在强调：数据平台的语义层可能成为 Agent 落地的基础设施，而非仅仅提供查询接口。
对用户/开发者/创作者的影响
开发者应把“工具按需发现”“无依赖调用并行化”“大结果摘要化”当作 Agent 框架的默认设计，而不是事后优化。企业采购 Agent 或数据工具时，除了看模型跑分，还要看长任务中的单位任务成本与业务口径是否被显式定义。创作者和轻量用户则要意识到，Agent 输出看似合理的数字，未必符合企业内部指标定义。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是这些 Harness 技术是否进入 Snowflake 正式产品与文档；二是 Semantic View Autopilot 自动生成语义视图的准确率和人工审核成本；三是其他 Agent 框架与闭源模型厂商是否跟进类似的上下文预算管理。上述评测来自厂商内部基准，目前公开信息不足以判断其在更广泛任务上的表现。
来源：InfoQ CN
