Was tatsächlich unter der Haube läuft
Ab hier kein Marketing-Geschwafel mehr. Das ist die echte Architektur – die Crates, die Datenstrukturen, die Designentscheidungen – des SQLly-GPUI-Clients, der aktiv entwickelt wird und von dem jeder Screenshot auf dieser Seite stammt.
Eine GPU-gerenderte native UI, kein Webview
Das Fenster, das du vor dir hast, ist weder Electron noch eine Browser-Engine mit nativ aussehender Haut.
Jeder Pixel hier - Textlayout, das Autovervollständigungs-Popup, die Syntaxhervorhebung - wird von GPUIs eigenem GPU-beschleunigtem Renderer gezeichnet.
Derselbe Rendering-Ansatz wie Zed
Der Client von SQLly baut auf GPUI auf, dem Rust-UI-Framework, das für den Zed-Editor geschrieben wurde. Es ist ein GPU-beschleunigtes Hybrid-Toolkit aus retained und immediate mode – kein DOM, keine AppKit-Views darunter, einfach Rust, das direkt auf die GPU zeichnet.
Das Ergebnisraster ist ein eigenes Crate
Statt die Grid-Virtualisierung inline von Hand zu bauen, nutzt das Ergebnisraster ein eigenes, veröffentlichtes Crate - sqlly-datatable - das Virtualisierung, Auswahl, Sortierung und Filterung als eigenständige Komponente abdeckt.
macOS, Windows und Linux aus einem einzigen Quellbaum
Der GPUI-Client deckt alle drei Desktop-Plattformen aus derselben Rust-Codebasis ab, mit Packaging pro Betriebssystem: ein .app Bundle auf macOS (nur Apple Silicon), ein .desktop Eintrag auf Linux und ein natives .exe auf Windows.
Versuch sqlly-datatable - das tatsächliche Ergebnisraster, als WebAssembly
Das Ergebnisraster ist eine eigene Open-Source-Crate, und seine Beispiel-App wird auf GPUIs Web-Backend zu WebAssembly kompiliert - gezeichnet von demselben GPU-Renderer, den die Desktop-App nutzt, keine Screenshots, sondern die echte Komponente, laufend in einer WebGPU-Canvas. Wir hosten diesen Live-Build jetzt in der Dokumentation, wo er nur lädt, wenn du ihn öffnest, und wieder entladen wird, sobald du ihn verlässt, sodass das WebAssembly-Payload nie untätig im Hintergrund liegt.
Benötigt einen WebGPU-fähigen Browser (Chrome/Edge 113+ oder ein aktuelles Safari/Firefox). Läuft komplett auf deinem Rechner – nichts wird irgendwohin gesendet.
Zwei Lexer, dialektbewusste Parser und ein span-getreuer Baum
SQL ist keine einzige Sprache. T-SQL, Postgres, MySQL, Oracle, SQLite, ClickHouse und DuckDB sind sich uneinig bei Quoting, Kommentaren und der halben Syntax - und Redis ist überhaupt kein SQL - daher behandelt der Anfang der Pipeline den Dialekt als Parameter erster Klasse, nicht als Nebensache.
Ein über Dialekttabellen gesteuerter Lexer
Tokenisierungsregeln - Anführungsstile, Kommentarsyntax, Operatorsätze - stecken in Tabellen pro Dialekt statt in fest codierten Verzweigungen, sodass das Hinzufügen oder Korrigieren eines Dialekts nicht bedeutet, den Lexer zu forken.
Fehlertolerante Parser, pro Dialekt
Jeder unterstützte Dialekt erhält seinen eigenen fehlertoleranten Parser, der positionsgenau zum Quelltext bleibt – das heißt, der geparste Baum behält die exakten Quellpositionen, sodass IntelliSense und Diagnosen auf genau das richtige Zeichen zeigen können, selbst wenn die umgebende Abfrage fehlerhaft ist.
Ein zweiter, schnellerer Scanner – absichtlich
Ein separater Single-Pass-Tokenizer treibt das Dateisystem-Overlay-Objektmodell an (siehe unten). Er ist bewusst einfacher und schneller als der komplette Lexer/Parser-Stack, weil er über jede Datei in einem Schema-as-Code-Repository läuft, nicht nur über die Abfrage, die Sie gerade bearbeiten.
Ein echter T-SQL Language Server
Auf dem Parser-Stack sitzt eine echte LSP-Implementierung über JSON-RPC/stdio – Hover, Diagnosen, semantische Tokens und Autovervollständigung – sodass dieselbe Intelligenz, die den Editor antreibt, von jedem LSP-kompatiblen Client genutzt werden kann.
Zwei Collectoren, eine atomare Momentaufnahme
Das ist der Teil, der den Trick „lokale Dateien schlagen die Live-Datenbank“ im DBA-Handbuch wirklich funktionieren lässt - und schnell bleibt.
// conceptual shape, not literal source generation += 1; let db_task = spawn(collect_from_database(generation)); let fs_task = spawn(collect_from_filesystem(generation)); let (db, fs) = join(db_task, fs_task).await; let merged = merge_by_provenance(db, fs); // newer mtime/hash wins snapshot.swap(merged); // atomic - readers never see a half-built model
Datenbank und Dateisystem, gleichzeitig gesammelt
sqlly-modelengine führt einen Datenbankkollektor und einen Dateisystemkollektor parallel aus, jeweils mit einem Generationszähler markiert, und führt sie dann über eine Barrieren-Zusammenführung wieder zusammen, bevor irgendetwas Downstream das Ergebnis sieht.
Frische wird gemessen, nicht angenommen
Der Merge vergleicht Änderungszeitpunkte und Inhalts-Hashes zwischen dem, was die Live-Datenbank meldet, und dem, was auf der Festplatte liegt, sodass eine lokale Datei die Datenbank nur überschreibt, wenn sie wirklich neuer ist – nicht nur, weil sie da ist.
Leser sehen nie ein halb fertiges Modell
Das zusammengeführte Modell wird pro Generation als ein einziger atomarer Snapshot eingespielt. IntelliSense und Validierung lesen immer ein vollständiges, in sich konsistentes Modell – entweder die vorherige Generation oder die neue, nie einen gerade laufenden Teilumbau.
Vertrauen wird als Daten verfolgt, nicht als Vermutung
Wo das Modell nicht vollständig validiert werden kann – eine grobe DDL-Skizze, eine Migration mitten in der Bearbeitung – kennzeichnet die Engine diesen Bereich mit expliziten Provenance und Fidelity Metadaten und durchläuft für die Vervollständigung einen eigenen Validierungspfad mit zwei Gültigkeitsbereichen, statt eine Vermutung stillschweigend zur Tatsache zu erklären.
Lokale Modellinferenz, mit der Cloud als optionaler Fallback
Die KI-Story ist wirklich mehrstufig – von komplett lokaler Inferenz bis zu einem Cloud-Anbieter, den du ausdrücklich selbst wählst. Hier steht, was heute im GPUI-Client schon real ist, klar gekennzeichnet.
Fill-in-the-Middle-Autovervollständigung
Die FIM-Vervollständigung im Code-Stil ist dafür ausgelegt, mit einem kleinen lokalen Modell (Qwen2.5-Coder-Klasse) für Inline-Vorschläge während der Eingabe zu laufen. Die Prompt-Darstellung, der Modell-/Token-Katalog und die Einstellungen sind vollständig portiert und mit Unit-Tests abgedeckt; der Streaming-Transport für die Generierung ist das Teilstück, das noch angebunden wird.
Ein Assistenten-Panel mit echter Architektur
Das KI-Panel ist eine portierte, strukturierte Chat-Oberfläche – kein Platzhalter –, um Fragen zu deinem Schema zu stellen und generiertes SQL zurückzubekommen. Panel und Zustand sind echt; die Anbieter-Anbindung dahinter wird gerade verdrahtet.
Bring dein eigenes lokales Modell über Ollama mit
Fährst du deine Modelle schon über Ollama, hängt sich SQLly direkt daran an, für Schema-Q&A, Embeddings und Suche. Die Health-/Installations-Zustandsmaschine ist portiert und steuert die UI; die Prozessverwaltungsschicht, die ollama wird gerade fertiggestellt.
Ein MLX-Sidecar für Apple Silicon
Lokale Inferenz auf Apple Silicon läuft über einen kleinen externen MLX-Sidecar-Prozess, mit dem SQLly über HTTP spricht - so bleibt die schwere ML-Laufzeit aus dem Hauptprozess der App raus. Die Werttypen und das Health-Reporting sind da; das Starten und Verwalten des Sidecars ist in Arbeit.
Vektorsuche auf dem Gerät (LanceDB)
Der Plan ist ein vollständig lokaler Vektorspeicher für Schema-/Embedding-Suche über LanceDB. Im Moment ist dieses Crate ein beabsichtigter Stub – jeder Aufruf liefert einen klaren, ehrlichen Fehler, statt stillschweigend nichts zu tun –, während der Rest der Pipeline darum herum fertig ist.
Cloud-Anbieter, freiwillig und ausdrücklich
Wenn du über die Modelle auf dem Gerät hinausgehen willst, stehen die Cloud-Anbieter-Auswahl (OpenRouter, OpenAI, Claude) und ihr Einstellungsbereich bereit – nichts verlässt deinen Rechner, es sei denn, du lenkst es selbst dorthin. Der HTTP-Transport hinter der Auswahl wird gerade angebunden.
Der Rest des Rust-Arbeitsbereichs
Die Engine ist in fokussierte Crates gegliedert statt ein Monolith zu sein — die meisten lassen sich headless erreichen über sqlly-cli zum Skripten oder Testen ganz ohne UI.
| Crate | Was es besitzt |
|---|---|
| sqlly-core | Verbindungsprofile, Befehls- und Ereignismodelle, Sitzungen, App-Einstellungen, Snapshots zur Absturzwiederherstellung. |
| sqlly-engines | Die nativen Treiber hinter einem Transport-Trait: SQL Server über TDS (auf Tiberius basierend), PostgreSQL, MySQL/MariaDB, SQLite, libSQL/Turso über Hrana, DuckDB im Prozess, ClickHouse über HTTP, Oracle über den Instant Client und Redis über RESP. |
| sqlly-query | Abfrageausführung/-streaming, IntelliSense-Vervollständigungslogik, Abfrageverlauf, Tokenizer-Verknüpfung. |
| sqlly-metadata | Objekt-Explorer und Katalog-Metadatenmodelle. |
| sqlly-scripting | Bezeichner-Quoting, Skripterstellung und durchsuchbarer Skriptvorlagen-Katalog. |
| sqlly-plans | Parsing von Ausführungsplänen (ShowPlan XML) und Planwarnungen. |
| sqlly-admin | Backup/Wiederherstellung, Aktivitätsmonitor, Tabellenbearbeitung, Abfragespeicher, erweiterte Ereignisse, Import/Export, Schemavergleich und Designer-SQL-Generierung. |
| sqlly-security | SQL- und Entra-Authentifizierungsanbieter, Secret-Store-Abstraktionen, Sicherheitskatalog-SQL. |
| sqlly-catalog | „Objektkarten“, hybride Volltext- + Vektorsuche über das Schema und Invalidierung des KI-Caches. |
| sqlly-testkit | SQL Server-Container und Fixture-/Golden-File-Test-Hilfen, die in der eigenen Testsuite des Workspaces verwendet werden. |
Ein echter Skriptvorlagen-Katalog
Das Vorlagensystem verwendet dieselbe <name,type,default> Platzhalter-Syntax SSMS Vorlagen verwenden - absichtlich vertraut statt eine neue DSL, die man von Grund auf lernen müsste.
Batch-Skripte, ein Statement nach dem anderen
Der Lexer stellt einen Anweisungs-Splitter bereit, den der Mutation-Review-Pfad nutzt, sodass sich ein Skript mit mehreren Anweisungen Anweisung für Anweisung durchdenken und auf Sicherheit prüfen lässt — statt als ein undurchsichtiger Klumpen.
Die Leistungsangaben werden von der Testsuite untermauert
Ein Latenz-Budget-Test für die Autovervollständigung
Die IntelliSense-Crate enthält einen Test, der sicherstellt, dass zwischengespeicherte Vervollständigungen innerhalb eines expliziten Latenzbudgets bleiben – Performance-Rückgänge auf dem Vervollständigungspfad lassen CI fehlschlagen, statt dass ein Nutzer sie erst Monate später bemerkt.
Integrationstests mit echten Unterprozessen
Über Unit-Tests hinaus wird die CLI-Engine mit Integrationstests mit echten Unterprozessen getestet, die tatsächliche Umgebungsvariablen setzen und auf korrelierte Protokolle prüfen – abgedeckt werden Ping/Antwort-Korrelation, Erkennung unbeantworteter Anfragen und das Kürzen von Protokollen bei kontrolliertem Herunterfahren.
Golden-File-Fixtures gegen einen echten SQL Server
sqlly-testkit startet einen echten SQL Server-Container für Integrationstests, sodass die Abfrage- und Metadatenebenen gegen eine echte Engine getestet werden und nicht nur gegen gemockte Antworten.
Das ist die Tour.
Wenn dir hier etwas aufgefallen ist, das vom Quelltext abgedriftet ist - der Code entwickelt sich schnell weiter - sag uns Bescheid. Lieber korrigieren wir die Seite, als sie stillschweigend veralten zu lassen.