SQL genereren door voorbeeldrijen aan een model te voeren lekt data en verzint alsnog kolomnamen. Deze automatisering werkt puur op het schema.
sonnet3 dagenPostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Waarom deze subagent
SQL genereren door voorbeeldrijen aan een model te voeren lekt data en verzint alsnog kolomnamen. Deze automatisering werkt puur op het schema.
Hij neemt je tabel- en kolomdefinities, stelt de query op en parset die om te bevestigen dat elk genoemd veld echt bestaat voordat er iets teruggaat. Er bereikt nooit rijdata het model. Je krijgt een schone, geldige query plus de lijst met tabellen en joins waar hij op leunt.
Hoe hij werkt
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.
Genereer op basis van alleen die schemacontext een SQL-query uit het verzoek.
pending
Parse de query met SQLGlot om te bevestigen dat hij alleen bestaande kolommen aanspreekt en syntactisch klopt.
pending
Geef de gevalideerde query terug, samen met de tabellen en joins die hij gebruikt.
pending
Voorbeelduitvoer
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.