Membuat SQL dengan memasukkan sampel baris ke model berisiko membocorkan data dan tetap bisa mengarang nama kolom. Otomasi ini bekerja hanya dari schema.
sonnet3 hariPostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Mengapa subagent ini
Membuat SQL dengan memasukkan sampel baris ke model berisiko membocorkan data dan tetap bisa mengarang nama kolom. Otomasi ini bekerja hanya dari schema.
Ia mengambil definisi tabel dan kolom Anda, menyusun draf query, lalu mem-parsing-nya untuk memastikan setiap field yang dirujuk benar-benar ada sebelum mengembalikan apa pun. Data baris tidak pernah sampai ke model. Anda mendapat query yang bersih dan valid plus daftar tabel dan join yang digunakan.
Cara kerjanya
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.
Hasilkan kandidat kueri SQL dari permintaan menggunakan konteks skema tersebut.
pending
Analisis kueri dengan SQLGlot untuk memastikan hanya kolom yang ada yang dirujuk dan secara sintaksis valid.
pending
Kembalikan kueri yang telah divalidasi beserta daftar tabel dan join yang digunakannya.
pending
Contoh 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.