Intelligenz
Werkzeuge, mit denen SQLly deine Datenbank in einfacher Sprache erklären kann, ohne so zu tun, als wüsste es mehr, als es tatsächlich tut.
Ein Schema kann dir sagen, wie eine Spalte heißt; was sie bedeutet, sagt es dir nicht immer. Bei SQLlys Intelligence-Arbeit geht es darum, diese Lücke sorgfältig zu schließen. Die Live-Vervollständigungsfunktionen mit Wertbezug befinden sich unter IntelliSense › Datenkenntnis; dieser Abschnitt behandelt die auf einem Sprachmodell aufgebauten Schichten.
Alles basiert auf deinem Katalog
Keine Funktion hier lässt ein Modell über deine Datenbank rätseln. SQLly hat einen durchsuchbaren Katalog deiner Schemaobjekte und stellt für jede Frage einen begrenzten Ausschnitt daraus zusammen: die als relevant eingestuften Objekte, gekürzt auf ein Token-Budget, mit der Liste dessen, was enthalten war, die zusammen mit der Antwort zurückkommt. So kommt eine Antwort mit ihrer eigenen Quellenangabe, du kannst sehen, aus welchen Tabellen und Spalten sie erstellt wurde.
Wenn eine deterministische Prüfung stattdessen antworten kann, läuft sie zuerst, und das Modell bekommt ihre Befunde. Die SQL-Überprüfung führt zum Beispiel den parserbasierten Validator aus und bittet dann das Modell, jeden echten Befund zu erklären und zu beheben, weshalb die Erläuterung über deine Abfrage spricht und nicht über SQL im Allgemeinen.
Welches Modell es ausführt
| Wo es ausgeführt wird | Optionen |
|---|---|
| Auf dem Gerät | Ollama auf jeder Plattform oder die MLX Laufzeit auf Apple Silicon. Nichts verlässt deinen Rechner. |
| Dein eigener Endpunkt | Jede OpenAI- oder Anthropic-kompatible Basis-URL - ein selbst gehostetes Gateway, ein Modellserver in deinem LAN. SQLly kennzeichnet ein Profil, das auf localhost zeigt, als local. |
| Cloud, auf Wunsch | OpenRouter, OpenAI, Anthropic, Gemini oder DeepSeek. Jeder ist ein benanntes Anbieterprofil mit seinem eigenen Modell, Kontextfenster, Denk-Level und optionalem Proxy – und sein Schlüssel wird als geheime Referenz gespeichert, nicht in der Konfigurationsdatei. |
local oder cloud.Erst ausprobieren, dann vertrauen
das KI-Playground lässt dich jedes Anbieterprofil mit einem Prompt versehen und vergleichen, was zurückkommt, dieselbe Frage, derselbe Katalogkontext, anderes Modell, mit dem Token-Limit unter deiner Kontrolle. So findest du auf ehrliche Weise heraus, ob ein kleines lokales Modell für die Aufgabe reicht, bevor du es in deine tägliche Arbeit einbindest.
In diesem Abschnitt
- Abfragezusammenfassung auf dem Gerät in Arbeit
- Hol dir eine Vorschau in einfacher Sprache von einem Modell, das du kontrollierst, bevor du jede Klausel selbst parsen musst.
- Automagische String-Dokumentation geplant
- Verfolge einen unerklärlichen Wert durch die DDL und hinterlasse eine nützliche Notiz für die nächste Person, vielleicht für dein zukünftiges Ich.
- Native grep-ai-Suche geplant
- Durchsuche dein Schema und deine Daten nach Absicht, nicht nur nach den genauen SQL-Wörtern, die du dir zufällig merkst.
- Entscheidungsmodell
- Ein optionales schnelles Cloud-Modell beantwortet winzige Auswahl-Fragen, damit mehrere Funktionen einen klugen ersten Vorschlag anbieten können.
- MCP-Server für Coding-Agenten
- Lass Claude Code, Cursor, VS Code und Windsurf deine gespeicherten Verbindungen über MCP nur lesend nutzen, ohne dass Passwörter geteilt werden.