Η δημιουργία SQL τροφοδοτώντας δείγματα εγγραφών σε ένα μοντέλο διαρρέει δεδομένα και πάλι επινοεί ονόματα στηλών. Αυτή η αυτοματοποίηση δουλεύει μόνο από το schema.
sonnet3 ημέρεςPostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Γιατί αυτός ο subagent
Η δημιουργία SQL τροφοδοτώντας δείγματα εγγραφών σε ένα μοντέλο διαρρέει δεδομένα και πάλι επινοεί ονόματα στηλών. Αυτή η αυτοματοποίηση δουλεύει μόνο από το schema.
Παίρνει τους ορισμούς πινάκων και στηλών, συντάσσει το query και μετά το αναλύει για να επιβεβαιώσει ότι κάθε πεδίο που αναφέρεται υπάρχει πραγματικά, πριν επιστρέψει οτιδήποτε. Κανένα δεδομένο εγγραφής δεν φτάνει ποτέ στο μοντέλο. Παίρνεις ένα καθαρό, έγκυρο query μαζί με τη λίστα των πινάκων και των joins στα οποία βασίζεται.
Πώς λειτουργεί
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.
Δημιουργήστε ένα υποψήφιο ερώτημα SQL από το αίτημα, χρησιμοποιώντας μόνο το πλαίσιο του σχήματος.
pending
Ανάλυση του ερωτήματος με SQLGlot για να επιβεβαιωθεί ότι αναφέρεται μόνο σε υπάρχουσες στήλες και είναι συντακτικά έγκυρο.
pending
Επιστροφή του επικυρωμένου ερωτήματος μαζί με τη λίστα των πινάκων και των συρράξεων (joins) που χρησιμοποιεί.
pending
Δείγμα εξόδου
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.