如何从Streamlit向Snowflake传递对象列表与字典以实现AI聊天机器人功能？

看起来你已经搭好了Streamlit聊天界面的基础框架，也规划好了初始提示词和对话历史的追加逻辑，核心问题就是怎么把这个messages列表正确传给Snowflake的COMPLETE函数对吧？我来一步步帮你捋清楚：

第一步：先把初始消息格式改对，适配Snowflake要求 #

你之前写的初始消息用了{'system': 'xxx'}这种格式，这会导致Snowflake解析失败——因为Snowflake的CORTEX COMPLETE函数要求每个消息必须是包含role（可选值为system/user/assistant）和content两个键的字典。

修正后的初始消息列表应该是这样的：

# 统一格式：每个消息都有role和content字段
messages = [
    {'role': 'system', 'content': 'act like a database professional'},
    {'role': 'user', 'content': 'context: I have a database containing sales data. I need you to answer user questions based on the input data between <data> </data> tags'},
    {'role': 'user', 'content': '<data>\n                actual data ...\n                </data>'},
    {'role': 'user', 'content': 'provide the answer in markdown format'}
]

第二步：用Snowpark或Snowflake连接器传递列表参数 #

在Streamlit里，你可以用Snowpark（推荐，更简洁）或者传统的Snowflake Python连接器，把这个messages列表直接作为参数传给Snowflake的SQL语句，不需要手动序列化，工具会帮你完成Python对象到Snowflake数据类型的转换。

用Snowpark的实现示例

from snowflake.snowpark import Session
import streamlit as st

# 用Streamlit Secrets存储Snowflake凭证，避免硬编码
session = Session.builder.configs(st.secrets["snowflake"]).create()

# 初始化聊天历史到Streamlit的session_state，防止页面刷新丢失
if "chat_history" not in st.session_state:
    st.session_state.chat_history = [
        {'role': 'system', 'content': 'act like a database professional'},
        {'role': 'user', 'content': 'context: I have a database containing sales data. I need you to answer user questions based on the input data between <data> </data> tags'},
        {'role': 'user', 'content': '<data>\n                actual data ...\n                </data>'},
        {'role': 'user', 'content': 'provide the answer in markdown format'}
    ]

# 处理用户输入
user_question = st.chat_input("问我关于销售数据的问题吧：")
if user_question:
    # 把用户提问追加到聊天历史
    st.session_state.chat_history.append({'role': 'user', 'content': user_question})
    
    # 调用Snowflake的COMPLETE函数，传入聊天历史和配置参数
    result = session.sql("""
        SELECT SNOWFLAKE.CORTEX.COMPLETE(
            'llama3-70b', -- 替换成你实际使用的模型
            ?, -- 绑定聊天历史参数
            { 'temperature': 0, 'max_tokens': 128 } -- 模型配置项
        ) AS assistant_reply
    """, params=[st.session_state.chat_history]).collect()
    
    # 提取助手回复并追加到聊天历史
    assistant_msg = result[0]["ASSISTANT_REPLY"]
    st.session_state.chat_history.append({'role': 'assistant', 'content': assistant_msg})

# 渲染整个聊天记录
for msg in st.session_state.chat_history:
    with st.chat_message(msg["role"]):
        st.markdown(msg["content"])

用传统Snowflake连接器的实现示例

如果你习惯用普通的snowflake-connector-python，代码逻辑类似：

import snowflake.connector
import streamlit as st

# 初始化聊天历史
if "chat_history" not in st.session_state:
    st.session_state.chat_history = [
        {'role': 'system', 'content': 'act like a database professional'},
        {'role': 'user', 'content': 'context: I have a database containing sales data. I need you to answer user questions based on the input data between <data> </data> tags'},
        {'role': 'user', 'content': '<data>\n                actual data ...\n                </data>'},
        {'role': 'user', 'content': 'provide the answer in markdown format'}
    ]

user_question = st.chat_input("问我关于销售数据的问题吧：")
if user_question:
    st.session_state.chat_history.append({'role': 'user', 'content': user_question})
    
    # 建立Snowflake连接
    conn = snowflake.connector.connect(**st.secrets["snowflake"])
    cur = conn.cursor()
    
    # 执行SQL并绑定参数
    cur.execute("""
        SELECT SNOWFLAKE.CORTEX.COMPLETE(
            'llama3-70b',
            ?,
            { 'temperature': 0, 'max_tokens': 128 }
        ) AS assistant_reply
    """, (st.session_state.chat_history,))
    
    # 获取回复
    assistant_msg = cur.fetchone()[0]
    st.session_state.chat_history.append({'role': 'assistant', 'content': assistant_msg})
    
    # 关闭连接
    cur.close()
    conn.close()

# 渲染聊天记录
for msg in st.session_state.chat_history:
    with st.chat_message(msg["role"]):
        st.markdown(msg["content"])

几个要注意的避坑点 #

• 格式统一：所有消息必须严格遵循{'role': 'xxx', 'content': 'xxx'}的格式，不能混用{'system': 'xxx'}这种写法，Snowflake会无法识别角色。
• 权限问题：确保你的Snowflake角色拥有SNOWFLAKE.CORTEX.COMPLETE函数的调用权限，不然会报错。
• Token限制：max_tokens的设置要考虑初始提示词的Token用量，如果初始提示词已经很长，要适当调大这个值，避免回复被截断。
• 温度参数：你设的temperature: 0会让回复非常确定但缺乏灵活性，如果需要一些创造性的回复，可以微调这个值（比如0.3-0.7）。

备注：内容来源于stack exchange，提问作者Julian Eccleshall