At generere SQL ved at sende eksempelrækker til en model lækker data og hallucinerer stadig kolonnenavne. Den her automatisering arbejder udelukkende ud fra skemaet.
sonnet3 dagePostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Hvorfor denne subagent
At generere SQL ved at sende eksempelrækker til en model lækker data og hallucinerer stadig kolonnenavne. Den her automatisering arbejder udelukkende ud fra skemaet.
Den tager dine tabel- og kolonnedefinitioner, udarbejder forespørgslen og parser den derefter for at bekræfte, at alle refererede felter faktisk findes, før den returnerer noget. Ingen rækkedata når nogensinde modellen. Du får en ren, gyldig forespørgsel plus listen over de tabeller og joins, den bygger på.
Sådan kører den
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.
Generer et kandidat SQL-query baseret på forespørgslen og udelukkende dette schemas kontekst.
pending
Parser query'et med SQLGlot for at bekræfte, at det kun refererer til eksisterende kolonner og er syntaktisk korrekt.
pending
Returnér det validerede query sammen med en liste over de tabeller og joins, det bruger.
pending
Eksempel på output
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.