Inteligencia
Herramientas que ayudan a SQLly a explicar tu base de datos en lenguaje claro sin pretender que sabe más de lo que sabe.
Un esquema puede decirte cómo se llama una columna; no siempre puede decirte qué significa. El trabajo de inteligencia de SQLly consiste en cerrar esa brecha con cuidado. Las funciones de autocompletado en vivo que tienen en cuenta los valores están en IntelliSense › Conocimiento de los datos; esta sección cubre las capas construidas sobre un modelo de lenguaje.
Todo se basa en tu catálogo
Aquí ninguna función le pide a un modelo que adivine tu base de datos. SQLly mantiene un catálogo de tus objetos de esquema y, para cada pregunta, arma una porción acotada de él: los objetos clasificados como relevantes, recortados a un presupuesto de tokens, con la lista de lo que se incluyó, que vuelve junto con la respuesta. Así, cada respuesta viene con su propia cita: puedes ver de qué tablas y columnas se construyó.
Cuando una comprobación determinista puede responder en su lugar, esta va primero y el modelo recibe sus hallazgos. Por ejemplo, la revisión de SQL ejecuta el validador basado en el analizador y luego pide al modelo que explique y aborde cada hallazgo real; por eso el texto habla de tu consulta y no de SQL en general.
Qué modelo lo ejecuta
| Dónde se ejecuta | Opciones |
|---|---|
| En el dispositivo | Ollama en cualquier plataforma, o el MLX runtime en Apple Silicon. Nada sale de tu máquina. |
| Tu propio endpoint | Cualquier URL base compatible con OpenAI o Anthropic - un gateway autoalojado, un servidor de modelos en tu LAN. SQLly etiqueta un perfil que apunta a localhost como local. |
| En la nube, si lo pides | OpenRouter, OpenAI, Anthropic, Gemini o DeepSeek. Cada uno es un perfil de proveedor con su propio modelo, ventana de contexto, nivel de razonamiento y proxy opcional - y su clave guardada como referencia secreta, no en el archivo de configuración. |
local o cloud.Probarlo antes de confiar en él
La Zona de pruebas de IA te permite dirigir cada perfil de proveedor a un prompt y comparar lo que devuelve, misma pregunta, mismo contexto de catálogo, diferente modelo, con el límite de tokens bajo tu control. Es la forma honesta de averiguar si un modelo local pequeño es lo suficientemente bueno para el trabajo antes de integrarlo en tu trabajo diario.
En esta sección
- Resumen de consultas en el dispositivo en curso
- Obtén una vista previa en lenguaje sencillo de una consulta de un modelo que controlas, antes de tener que analizar cada cláusula tú mismo.
- Documentación automágica de cadenas planificado
- Rastrea un valor inexpicable a través del DDL y deja una nota útil para la siguiente persona, quizá tú en el futuro.
- Búsqueda nativa con grep-ai planificado
- Busca en tu esquema y tus datos por intención, no solo por las palabras exactas de SQL que recuerdes.
- Modelo de decisión
- Un modelo rápido opcional en la nube que responde a preguntas pequeñas de selección única para que varias funciones puedan ofrecer una primera suposición inteligente.
- Servidor MCP para agentes de programación
- Permite que Claude Code, Cursor, VS Code y Windsurf usen tus conexiones guardadas en modo solo lectura sobre MCP, sin compartir contraseñas.