Generování SQL tak, že modelu podsouváte ukázkové řádky, uniká data a přesto si vymýšlí názvy sloupců. Tahle automatizace pracuje pouze se schématem.
sonnet3 dnyPostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Proč tento subagent
Generování SQL tak, že modelu podsouváte ukázkové řádky, uniká data a přesto si vymýšlí názvy sloupců. Tahle automatizace pracuje pouze se schématem.
Vezme definice vašich tabulek a sloupců, navrhne dotaz a pak ho zparsuje, aby ověřila, že každé odkazované pole skutečně existuje, než cokoli vrátí. Žádná data z řádků se k modelu nikdy nedostanou. Dostanete čistý, platný dotaz plus seznam tabulek a joinů, na které se spoléhá.
Jak běží
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Vygenerujte kandidátní SQL dotaz z požadavku s využitím pouze kontextu této schématu.
pending
Zanalyzujte dotaz pomocí SQLGlot, abyste potvrdili, že odkazuje pouze na existující sloupce a je syntakticky správný.
pending
Vraťte ověřený dotaz spolu se seznamem tabulek a joinů, které používá.
pending
Ukázkový výstup
json
// Sample output
// (generated when the pipeline finishes)
Given only a database schema, produce a syntactically valid SQL query that references existing columns and no invented fields.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.