Việc tạo SQL bằng cách đưa các hàng mẫu cho model vừa làm rò rỉ dữ liệu vừa khiến model bịa ra tên cột. Automation này chỉ làm việc với schema.
sonnet3 ngàyPostgresOpenAISQLGlotPython
Claude
53ROI
73Scale
$2k91Saved
ROI for
README.md
Tại sao chọn subagent này
Việc tạo SQL bằng cách đưa các hàng mẫu cho model vừa làm rò rỉ dữ liệu vừa khiến model bịa ra tên cột. Automation này chỉ làm việc với schema.
Nó nhận định nghĩa bảng và cột của bạn, viết nháp query, rồi phân tích để xác nhận mọi trường được tham chiếu thực sự tồn tại trước khi trả về bất cứ thứ gì. Không có dữ liệu hàng nào đến được model. Bạn nhận được một query sạch, hợp lệ, kèm danh sách các bảng và join mà nó dựa vào.
Cách vận hành
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.
Tạo truy vấn SQL dự kiến từ yêu cầu, chỉ dựa trên ngữ cảnh lược đồ đó.
pending
Phân tích truy vấn bằng SQLGlot để xác nhận nó chỉ tham chiếu đến các cột tồn tại và đúng cú pháp.
pending
Trả về truy vấn đã được xác thực cùng với danh sách các bảng và phép join mà nó sử dụng.
pending
Ví dụ đầu ra
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.