Qué se está ejecutando realmente bajo el capó
A partir de aquí, sin adornos de marketing. Esta es la arquitectura real (los crates, las estructuras de datos, las decisiones de diseño) del cliente GPUI de SQLly, el que está en desarrollo activo y del que provienen todas las capturas de pantalla de este sitio.
Una interfaz nativa renderizada por GPU, no un webview
La ventana que estás viendo no es Electron ni un motor de navegador disfrazado de nativo.
Cada píxel aquí - el diseño del texto, la ventana emergente de autocompletado, el resaltado de sintaxis - lo dibuja el propio renderizador con aceleración GPU de GPUI.
El mismo enfoque de renderizado que Zed
El cliente de SQLly está construido sobre GPUI, el framework de UI en Rust escrito para el editor Zed. Es un kit de herramientas híbrido retenido/inmediato acelerado por GPU: no es un DOM, no hay vistas de AppKit debajo, solo Rust dibujando directamente en la GPU.
La cuadrícula de resultados es su propio crate
En lugar de implementar la virtualización de la cuadrícula a mano dentro del propio código, la cuadrícula de resultados usa un crate publicado dedicado - sqlly-datatable - manejando virtualización, selección, ordenación y filtrado como un componente independiente.
macOS, Windows y Linux desde un solo árbol
El cliente GPUI apunta a las tres plataformas de escritorio desde la misma base de código Rust, con empaquetado por sistema operativo: un .app bundle en macOS (solo Apple Silicon), un .desktop entrada en Linux, y un nativo .exe en Windows.
Probar sqlly-datatable - la cuadrícula de resultados de verdad, como WebAssembly
La cuadrícula de resultados es un crate de código abierto por derecho propio, y su aplicación de ejemplo se compila a WebAssembly sobre el backend web de GPUI - la dibuja el mismo renderizador de GPU que usa la aplicación de escritorio, sin capturas de pantalla: es el componente real funcionando en un canvas de WebGPU. Ahora alojamos esa compilación en vivo en la documentación, donde solo se carga cuando la abres y se libera en cuanto sales, así que el payload de WebAssembly nunca se queda inactivo en segundo plano.
Necesita un navegador compatible con WebGPU (Chrome/Edge 113+, o Safari/Firefox recientes). Se ejecuta completamente en tu máquina: no se envía nada a ningún lado.
Dos analizadores léxicos, analizadores conscientes del dialecto y un árbol fiel a los intervalos
SQL no es un solo idioma. T-SQL, Postgres, MySQL, Oracle, SQLite, ClickHouse y DuckDB discrepan en el entrecomillado, los comentarios y la mitad de su sintaxis - y Redis ni siquiera es SQL - así que la primera etapa del pipeline trata el dialecto como un parámetro de primera clase, no como un detalle secundario.
Un analizador léxico basado en tablas de dialectos
Las reglas de tokenización (estilos de comillas, sintaxis de comentarios, juegos de operadores) se definen en tablas por dialecto en lugar de ramas codificadas a fuego, así que añadir o corregir un dialecto no obliga a duplicar el lexer.
Recuperación de analizadores, por dialecto
Cada dialecto compatible tiene su propio analizador con recuperación de errores que respeta las posiciones del texto fuente - el árbol analizado conserva las posiciones exactas del original, de modo que IntelliSense y los diagnósticos pueden señalar con precisión el carácter correcto aunque la consulta de alrededor esté malformada.
Un segundo escáner más rápido, a propósito
Un tokenizador independiente de una sola pasada alimenta el modelo de objetos de superposición del sistema de archivos (véase más abajo). Es más simple y rápido a propósito que la pila completa de lexer/parser, porque se ejecuta sobre cada archivo de un repositorio de esquema-como-código, no solo sobre la consulta que estás editando.
Un Language Server de T-SQL real
Encima de la pila del parser hay una implementación LSP de verdad, sobre JSON-RPC/stdio - hover, diagnósticos, tokens semánticos y autocompletado - de modo que la misma inteligencia que alimenta al editor queda al alcance de cualquier cliente que hable LSP.
Dos recolectores, una instantánea atómica
Esta es la parte que hace que el truco de «los archivos locales pueden superar a la base de datos en vivo» de la guía del DBA funcione de verdad y siga siendo rápido.
// 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
Base de datos y sistema de archivos, recopilados simultáneamente
sqlly-modelengine ejecuta un recolector de bases de datos y otro de sistema de archivos en paralelo, cada uno etiquetado con un contador de generación, y luego los vuelve a unir mediante una fusión de barrera antes de que nada aguas abajo vea el resultado.
La frescura se mide, no se asume
La fusión compara las marcas de tiempo de modificación y los hashes de contenido entre lo que informa la base de datos activa y lo que hay en el disco, de modo que un archivo local solo sobrescribe la base de datos cuando es realmente más reciente, no solo por estar presente.
Los lectores nunca ven un modelo incompleto
El modelo fusionado entra como una única instantánea atómica por generación. IntelliSense y la validación siempre leen un modelo completo y coherente: la generación anterior o la nueva, nunca una reconstrucción parcial en curso.
La confianza se registra como un dato, no como una suposición
Cuando el modelo no puede validarse por completo - un boceto aproximado de DDL, una migración a medio editar - el motor etiqueta esa región con metadatos explícitos Provenance y Fidelity metadatos y ejecuta el autocompletado contra ella a través de una ruta de validación de dos ámbitos distinta, en lugar de convertir silenciosamente una suposición en un hecho.
Inferencia de modelo local, con la nube como opción de respaldo
La parte de IA funciona por capas de verdad: desde la inferencia totalmente local hasta un proveedor en la nube que eliges explícitamente. Esto es lo que ya es real hoy en el cliente GPUI, claramente etiquetado.
Autocompletado fill-in-the-middle
El autocompletado de código FIM está diseñado para ejecutarse contra un pequeño modelo local (de la clase Qwen2.5-Coder) que da sugerencias en línea mientras escribes. La renderización de prompts, el catálogo de modelos/tokens y las preferencias están completamente portados y cubiertos por pruebas unitarias; el transporte de la generación en streaming es la pieza que aún se está conectando.
Un panel de asistente con arquitectura real
El panel de IA es una superficie de chat estructurada ya portada —no un simple esqueleto— para hacer preguntas sobre tu esquema y recibir SQL generado. El panel y su estado son reales; el cableado con el proveedor se está conectando ahora.
Trae tu propio modelo local a través de Ollama
Si ya ejecutas modelos con Ollama, SQLly se conecta directamente con él para preguntas y respuestas sobre el esquema, embeddings y búsqueda. La máquina de estados de salud/instalación está portada y controla la interfaz; la capa de gestión de procesos que encuentra y lanza ollama se está terminando.
Un sidecar MLX para Apple Silicon
La inferencia local en Apple Silicon funciona mediante un pequeño proceso sidecar externo de MLX con el que SQLly se comunica por HTTP, de modo que el runtime de ML pesado queda fuera del proceso principal de la app. Los tipos de valor y el informe de estado ya están implementados; lanzar y gestionar el sidecar está en camino.
Búsqueda vectorial en el dispositivo (LanceDB)
El plan es un almacén de vectores totalmente local para la búsqueda de esquemas/embeddings mediante LanceDB. Hoy, ese crate es un stub deliberado: cada llamada devuelve un error claro y honesto en lugar de no hacer nada en silencio, mientras el resto de la canalización queda terminado a su alrededor.
Proveedores en la nube, con activación explícita y voluntaria
Cuando eliges ir más allá de los modelos que funcionan en tu equipo, el selector de proveedores de nube (OpenRouter, OpenAI, Claude) y su panel de preferencias ya están en su sitio: nada sale de tu máquina a menos que tú mismo lo envíes allí. El transporte HTTP que hay detrás del selector aún se está conectando.
El resto del espacio de trabajo de Rust
El motor está dividido en crates enfocados en lugar de un monolito; la mayoría son accesibles de manera headless a través de sqlly-cli para scripting o pruebas sin la UI en absoluto.
| Crate | Lo que posee |
|---|---|
| sqlly-core | Perfiles de conexión, modelos de comando/evento, sesiones, preferencias de la aplicación, snapshots de recuperación tras un fallo. |
| sqlly-engines | Los controladores nativos detrás de un rasgo de transporte: SQL Server sobre TDS (basado en Tiberius), PostgreSQL, MySQL/MariaDB, SQLite, libSQL/Turso sobre Hrana, DuckDB en proceso, ClickHouse sobre HTTP, Oracle a través de Instant Client, y Redis sobre RESP. |
| sqlly-query | Ejecución y streaming de consultas, base del autocompletado de IntelliSense, historial de consultas e integración del tokenizador. |
| sqlly-metadata | Explorador de objetos y modelos de metadatos del catálogo. |
| sqlly-scripting | Entrecomillado de identificadores, generación de scripts y el catálogo navegable de plantillas de scripts. |
| sqlly-plans | Análisis de planes de ejecución (ShowPlan XML) y advertencias del plan. |
| sqlly-admin | Copia de seguridad/restauración, monitor de actividad, edición de tablas, almacén de consultas, eventos extendidos, importación/exportación, comparación de esquemas y generación de SQL del diseñador. |
| sqlly-security | Proveedores de autenticación SQL y Entra, abstracciones de almacén de secretos, SQL del catálogo de seguridad. |
| sqlly-catalog | Objetos como «tarjetas», búsqueda híbrida de texto completo + vectores sobre el esquema e invalidación de la caché de IA. |
| sqlly-testkit | Utilidades de prueba para contenedores de SQL Server y para fixtures y golden files, usadas en la propia suite de pruebas del workspace. |
Un catálogo real de plantillas de scripts
El sistema de plantillas usa la misma <name,type,default> sintaxis de marcador de posición SSMS las plantillas usan - deliberadamente familiar en lugar de un DSL novedoso que tendrías que aprender desde cero.
Scripts por lotes, una instrucción a la vez
El lexer expone un separador de instrucciones que usa la ruta de revisión de mutaciones, de modo que un script de varias instrucciones se pueda analizar - y verificar su seguridad - instrucción por instrucción en lugar de como un bloque opaco.
Las afirmaciones de rendimiento las respalda la suite de pruebas
Una prueba de presupuesto de latencia para sugerencias de autocompletado
La biblioteca IntelliSense incluye una prueba que comprueba que los elementos de autocompletado en caché se mantienen dentro de un presupuesto de latencia explícito: una regresión de rendimiento en la ruta del autocompletado hace fallar la CI, en lugar de que la note un usuario meses después.
Pruebas de integración con subprocesos reales
Más allá de las pruebas unitarias, el motor CLI se prueba con pruebas de integración con subprocesos reales que configuran variables de entorno reales y verifican registros correlacionados, cubriendo la correlación de ping/respuesta, la detección de solicitudes no respondidas y el recorte de registros durante el apagado correcto.
Fixtures golden contra un SQL Server real
sqlly-testkit levanta un contenedor real de SQL Server para las pruebas de integración, así que las capas de consulta y metadatos se prueban contra un motor real, no solo contra respuestas simuladas.
Este es el recorrido.
Si ves aquí algo que ya no coincide con la fuente - el código avanza rápido - avísanos. Preferimos arreglar la página antes que dejar que se quede desactualizada en silencio.