Générer du SQL en donnant des lignes d'exemple à un modèle laisse fuiter des données et invente quand même des noms de colonnes. Cette automatisation travaille à partir du seul schéma.
sonnet3 joursPostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Pourquoi ce sous-agent
Générer du SQL en donnant des lignes d'exemple à un modèle laisse fuiter des données et invente quand même des noms de colonnes. Cette automatisation travaille à partir du seul schéma.
Elle part de vos définitions de tables et de colonnes, rédige la requête, puis l'analyse pour confirmer que chaque champ référencé existe réellement avant de renvoyer quoi que ce soit. Aucune donnée de ligne n'atteint jamais le modèle. Vous obtenez une requête propre et valide, plus la liste des tables et des jointures sur lesquelles elle repose.
Comment il s'exécute
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.
Génération d'une requête SQL candidate à partir de la demande, en s'appuyant uniquement sur ce contexte de schéma.
pending
Analyse de la requête avec SQLGlot pour confirmer qu'elle ne référence que des colonnes existantes et qu'elle est syntaxiquement valide.
pending
Renvoi de la requête validée, accompagnée de la liste des tables et des jointures qu'elle utilise.
pending
Exemple de sortie
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.