SQL zu erzeugen, indem man dem Modell Beispielzeilen vorlegt, gibt Daten preis und erfindet trotzdem Spaltennamen. Diese Automation arbeitet allein mit dem Schema.
sonnet3 TagePostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Warum dieser Subagent
SQL zu erzeugen, indem man dem Modell Beispielzeilen vorlegt, gibt Daten preis und erfindet trotzdem Spaltennamen. Diese Automation arbeitet allein mit dem Schema.
Sie nimmt Ihre Tabellen- und Spaltendefinitionen, entwirft die Abfrage und parst sie dann, um vor der Ausgabe zu bestätigen, dass jedes referenzierte Feld tatsächlich existiert. Keine einzige Zeile erreicht jemals das Modell. Sie erhalten eine saubere, gültige Abfrage plus die Liste der Tabellen und Joins, auf die sie sich stützt.
So läuft er
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.
Aus der Anfrage allein anhand dieses Schemakontexts eine SQL-Abfrage erzeugen.
pending
Die Abfrage mit SQLGlot parsen, um zu bestätigen, dass sie nur existierende Spalten referenziert und syntaktisch gültig ist.
pending
Die geprüfte Abfrage zusammen mit der Liste der verwendeten Tabellen und Joins zurückgeben.
pending
Beispiel-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.