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.

Du solltest nach der Idee in deinem Kopf suchen können, nicht nur nach dem genauen Tabellennamen, an den du dich gerade erinnerst. Semantische Suche findet die passende Tabelle, Spalte oder Routine anhand einer Beschreibung – „wo speichern wir gekündigte Abonnements“ –, statt von dir zu verlangen, dass du die Antwort schon kennst.

Warum einfache Suche nicht ausreicht

Textsuche scheitert in beide Richtungen. Suche customer in einem Schema, das es nennt party und du bekommst nichts; suche date und du bekommst vierhundert Spalten. Keines der beiden Ergebnisse verrät dir, wo sich das Gesuchte befindet.

Wie es funktioniert: zwei Suchen, zusammengeführt

SQLly führt einen lokalen Katalog Liste deiner Schemaobjekte und durchsucht sie gleichzeitig auf zwei Arten:

  • Volltext (BM25) - schnell, exakt und stark, wenn dir das Wort einfällt. Diese Hälfte steckt heute schon in der Schemasuche.
  • Vektorähnlichkeit - Einbettungen der Beschreibung jedes Objekts, sodass „gekündigte Abonnements“ eine churn_events Tabelle vorschlagen, die keine Wörter mit deiner Abfrage teilt.

Die beiden Score-Sätze sind im Rohzustand nicht vergleichbar - BM25-Scores und Kosinusähnlichkeit liegen auf unterschiedlichen Skalen, daher wird jede für sich normalisiert und dann vermischt, wobei beide Hälften ungefähr gleich stark gewichtet sind. Jedes Ergebnis führt seine Score-Aufschlüsselung mit, sodass sich ein verdächtiger Treffer erklären lässt, statt ihn verteidigen zu müssen.

Der Vektoranteil ist optional und bleibt lokal. Embeddings erzeugt der Anbieter, den du konfiguriert hast – ein Modell auf dem Gerät über Ollama oder MLX, oder gar keins. Ohne Embedding-Anbieter bleibt die Suche reine Volltextsuche, statt in Raterei abzugleiten: Hybrid wird nur eingeschaltet, wenn es tatsächlich Embeddings gibt.

Daten durchsuchen, nicht nur das Schema

Dieselbe Mechanik zeigt auf Werte wie auf Namen - sie findet which Tabelle einen von dir eingefügten mysteriösen Bezeichner enthält. Dieser Teil ist aus dem offensichtlichen Grund eng begrenzt: Daten zu durchsuchen, um eine Suche zu beantworten, ist teuer, und das in der Produktion ohne Aufforderung zu tun, wäre unhöflich.

Geplant. Katalog, Volltextindex, Vektorstore und hybride Zusammenführung sind gebaut und getestet; was fehlt, ist die Suchoberfläche in der App und die Abgrenzung zur Datensuche.