// pour les passionnés

Ce qui fonctionne réellement sous le capot

Pas de discours marketing au-delà de ce point. C'est la véritable architecture - les crates, les structures de données, les décisions de conception - pour le client SQLly GPUI, qui est celui en développement actif et celui dont provient chaque capture d'écran sur ce site.

// le frontend

Une interface utilisateur native rendue par GPU, pas un webview

La fenêtre que vous regardez n'est pas Electron et n'est pas un moteur de navigateur portant un habillage à l'apparence native.

SQLly - éditeur GPUI
Éditeur SQLly rendu nativement via GPUI, affichant la complétion des mots-clés IntelliSense

Chaque pixel ici - la disposition du texte, la fenêtre contextuelle de complétion, la coloration syntaxique - est dessiné par le moteur de rendu accéléré par GPU de GPUI.

🖼️
gpui ✓ fonctionnel

La même approche de rendu que Zed

Le client de SQLly est construit sur GPUI, le framework d'interface en Rust développé pour l'éditeur Zed. C'est une boîte à outils accélérée par GPU, hybride entre mode retenu et mode immédiat - pas un DOM, pas de vues AppKit en dessous, juste du dessin en Rust directement sur le GPU.

🧩
sqlly-datatable ✓ fonctionnel

La grille de résultats a son propre crate

Plutôt que d'implémenter la virtualisation de la grille à la main dans l'application, la grille de résultats s'appuie sur un crate dédié publié - sqlly-datatable - gérant la virtualisation, la sélection, le tri et le filtrage en tant que composant autonome.

🖥️
une base de code, trois OS ✓ fonctionnel

macOS, Windows et Linux à partir d'un seul arbre

Le client GPUI cible les trois plateformes de bureau à partir de la même base de code Rust, avec un empaquetage par OS : un .app bundle sur macOS (Apple Silicon uniquement), un .desktop entrée sur Linux, et un natif .exe sur Windows.

// open source, fonctionnant dans votre navigateur

Essayez sqlly-datatable - la grille de résultats réelle, en WebAssembly

La grille de résultats a son propre crate open-source, et son application exemple se compile en WebAssembly sur le backend web de GPUI - dessinée par le même moteur de rendu GPU que l'application de bureau, pas de captures d'écran : le vrai composant tourne dans un canvas WebGPU. Nous hébergeons désormais cette version en direct dans la documentation, où elle ne se charge que quand vous l'ouvrez et se décharge dès que vous la quittez, si bien que la charge utile WebAssembly ne reste jamais inactive en arrière-plan.

Nécessite un navigateur compatible WebGPU (Chrome/Edge 113+, ou Safari/Firefox récents). Fonctionne entièrement sur votre machine - rien n'est envoyé ailleurs.

// analyser le SQL, comme il faut

Deux analyseurs lexicaux, des analyseurs syntaxiques sensibles aux dialectes et un arbre fidèle aux étendues du texte

SQL n'est pas un seul langage. T-SQL, Postgres, MySQL, Oracle, SQLite, ClickHouse et DuckDB ne sont pas d'accord sur les guillemets, les commentaires et la moitié de leur syntaxe - et Redis n'est pas du tout du SQL - donc la première étape du pipeline traite le dialecte comme un paramètre de première classe, et non comme un détail ajouté après coup.

🔤
sqlly-sqllex ✓ fonctionnel

Un analyseur lexical piloté par une table de dialectes

Les règles de tokenisation - styles de guillemets, syntaxe des commentaires, ensembles d'opérateurs - sont déterminées par des tables par dialecte plutôt que par des branches codées en dur, donc ajouter ou corriger un dialecte ne signifie pas forker le lexer.

🌳
sqlly-sqlparse ✓ fonctionnel

Analyseurs à récupération d'erreurs, par dialecte

Chaque dialecte pris en charge dispose de son propre analyseur tolérant aux erreurs, qui reste fidèle aux étendues du texte source - l'arborescence analysée conserve les positions exactes du source, de sorte qu'IntelliSense et les diagnostics pointent précisément le bon caractère même quand la requête autour est mal formée.

🧭
sqlly-tokenizer ✓ fonctionnel

Un deuxième scanner, plus rapide - et c'est voulu

Un tokenizer séparé à passe unique alimente le modèle d'objets en surcouche du système de fichiers (voir ci-dessous). Il est volontairement plus simple et plus rapide que la pile complète lexer/parser, car il s'exécute sur chaque fichier d'un dépôt schema-as-code, et pas seulement sur la requête en cours d'édition.

📡
sqlly-lsp ✓ fonctionnel

Un véritable serveur de langage T-SQL

Au sommet de la pile de l'analyseur se trouve une véritable implémentation LSP sur JSON-RPC/stdio - survol, diagnostics, jetons sémantiques et complétion - de sorte que la même intelligence qui alimente l'éditeur est accessible par tout client compatible LSP.

// le moteur du modèle de schéma

Deux collecteurs, un instantané atomique

C'est la partie qui fait que l'astuce « les fichiers locaux peuvent surpasser la base en ligne » du guide DBA fonctionne réellement - et reste rapide.

// 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
🔀
collecte parallèle ✓ fonctionnel

Base de données et système de fichiers, collectés simultanément

sqlly-modelengine lance un collecteur de base de données et un collecteur de système de fichiers en parallèle, chacun étiqueté avec un compteur de génération, puis les fusionne via une barrière avant que quoi que ce soit en aval ne voie le résultat.

⏳
obsolescence par horodatage + hachage ✓ fonctionnel

La fraîcheur est mesurée, pas supposée

La fusion compare les horodatages de modification et les hachages de contenu entre ce que rapporte la base de données réelle et ce qui est sur le disque, si bien qu’un fichier local ne l’emporte sur la base de données que s’il est réellement plus récent - pas simplement présent.

📸
instantanés préparés par génération ✓ fonctionnel

Les lecteurs ne voient jamais un modèle incohérent

Le modèle fusionné s’installe en un seul instantané atomique par génération. L’autocomplétion et la validation lisent toujours un modèle complet et cohérent en interne - soit la génération précédente, soit la nouvelle, jamais une reconstruction partielle en cours.

🌫️
régions incomplètes ✓ fonctionnel

La confiance est suivie en tant que données, et non comme une supposition

Lorsque le modèle ne peut pas être entièrement validé - un croquis approximatif de DDL, une migration en cours d'édition - le moteur marque cette région avec des métadonnées explicites Provenance et Fidelity métadonnées et y exécute la complétion via un chemin de validation distinct à deux portées, plutôt que de promouvoir silencieusement une supposition au rang de fait.

// la pile IA sur l'appareil

Inférence de modèle en local, avec repli facultatif sur le cloud

L'histoire de l'IA a vraiment plusieurs étages - de l'inférence entièrement locale au fournisseur cloud que vous choisissez explicitement. Voici ce qui est réel aujourd'hui dans le client GPUI, clairement étiqueté.

⚡
complétion FIM ◐ en cours

Autocomplétion fill-in-the-middle

La complétion FIM en style code est conçue pour fonctionner avec un petit modèle local (classe Qwen2.5-Coder) pour des suggestions en ligne pendant la saisie. Le rendu du prompt, le catalogue des modèles/tokens et les préférences sont entièrement portés et testés unitairement ; le transport de génération en streaming est la partie encore en cours de câblage.

🗣️
panneau de chat IA ◐ en cours

Un panneau d'assistant avec une véritable architecture

Le panneau IA est une interface de chat structurée, reprise de l'ancienne version - pas une coquille vide - pour poser des questions sur votre schéma et recevoir du SQL généré en retour. Le panneau et son état sont réels ; le câblage du fournisseur derrière lui est en cours de raccordement.

🦙
ollama ◐ en cours

Apportez votre propre modèle local via Ollama

Si vous utilisez déjà des modèles via Ollama, SQLly se connecte directement à celui-ci pour les questions/réponses sur le schéma, les embeddings et la recherche. La machine à états de santé/d'installation est portée et alimente l'interface utilisateur ; la couche de gestion des processus qui trouve et lance ollama est en cours de finalisation.

🧭
sqlly-mlx ◐ en cours

Un sidecar MLX pour Apple Silicon

L'inférence locale sur Apple Silicon passe par un petit processus sidecar MLX externe avec lequel SQLly communique via HTTP, ce qui garde le runtime ML lourd hors du processus principal de l'application. Les types de valeurs et la remontée de santé sont en place ; le lancement et la gestion du sidecar sont en cours.

🗃️
cache vectoriel local ○ prévue

Recherche vectorielle sur appareil (LanceDB)

Le plan est un magasin de vecteurs entièrement local pour la recherche de schémas et d'embeddings via LanceDB. Aujourd'hui, ce crate est un stub délibéré : chaque appel renvoie une erreur claire et honnête au lieu de ne rien faire en silence, tandis que le reste du pipeline, lui, est terminé.

☁️
repli sur le cloud ◐ en cours

Fournisseurs cloud, facultatifs et explicites

Lorsque vous choisissez d'utiliser des modèles hors appareil, le sélecteur de fournisseur de cloud (OpenRouter, OpenAI, Claude) et son panneau de préférences sont en place - rien ne quitte votre machine à moins que vous ne le dirigiez vous-même. Le transport HTTP derrière le sélecteur est en cours d'intégration.

Pourquoi signaler ce qui n'est pas terminé ? Parce que l'alternative serait une page de fonctionnalités qui cesse discrètement d'être vraie dès que quelqu'un lit le code source. L'interface de sélection de modèle, par exemple, est plus avancée dans l'ancienne application Swift que dans GPUI aujourd'hui - nous préférons vous le dire plutôt que de vous laisser le découvrir.
// tout le reste dans le moteur

Le reste de l'espace de travail Rust

Le moteur est divisé en crates ciblés plutôt qu'en un monolithe - la plupart étant accessibles sans interface via sqlly-cli pour le scripting ou les tests sans l'UI du tout.

CrateCe qu'il possède
sqlly-coreProfils de connexion, modèles de commande/événement, sessions, préférences de l'application, instantanés de récupération après crash.
sqlly-enginesLes pilotes natifs derrière un unique trait de transport : SQL Server via TDS (basé sur Tiberius), PostgreSQL, MySQL/MariaDB, SQLite, libSQL/Turso via Hrana, DuckDB en processus, ClickHouse via HTTP, Oracle via Instant Client et Redis via RESP.
sqlly-queryExécution et streaming des requêtes, mécanique de la complétion IntelliSense, historique des requêtes, intégration du tokenizer.
sqlly-metadataExplorateur d'objets et modèles de métadonnées de catalogue.
sqlly-scriptingMise entre guillemets des identifiants, génération de scripts et catalogue consultable de modèles de scripts.
sqlly-plansAnalyse du plan d'exécution (ShowPlan XML) et avertissements du plan.
sqlly-adminSauvegarde/restauration, moniteur d'activité, édition de table, magasin des requêtes, événements étendus, import/export, comparaison de schéma et génération SQL par le concepteur.
sqlly-securityFournisseurs d'authentification SQL et Entra, abstractions de stockage de secrets, SQL du catalogue de sécurité.
sqlly-catalogCartes d'objets, recherche hybride texte intégral + vectorielle sur le schéma, et invalidation du cache IA.
sqlly-testkitConteneur SQL Server et utilitaires de test (fixtures/fichiers de référence) utilisés dans toute la suite de tests interne du workspace.
📝
modèles ✓ fonctionnel

Un véritable catalogue de modèles de scripts

Le système de modèles utilise le même <name,type,default> syntaxe des espaces réservés SSMS qu'utilisent les modèles - volontairement familière plutôt qu'un nouveau DSL à apprendre de zéro.

🔬
split_statements ✓ fonctionnel

Scripts par lots, une instruction à la fois

Le lexer expose un séparateur d'instructions utilisé par le chemin de révision de mutation, de sorte qu'un script multi-instructions peut être analysé - et vérifié pour la sécurité - instruction par instruction au lieu d'être considéré comme un bloc opaque.

// testé, pas seulement rapide

Les affirmations de performance sont étayées par la suite de tests

✅
✓ fonctionnel

Un test de budget de latence pour l’autocomplétion

Le crate IntelliSense inclut un test affirmant que les complétions mises en cache restent en dessous d'un budget de latence explicite - les régressions de performance sur le chemin de complétion échouent au CI, elles ne sont pas simplement remarquées par un utilisateur des mois plus tard.

✅
✓ fonctionnel

Tests d'intégration avec de véritables sous-processus

Au-delà des tests unitaires, le moteur CLI est testé avec de véritables tests d'intégration de sous-processus qui définissent de réelles variables d'environnement et effectuent des assertions sur les journaux corrélés - couvrant la corrélation ping/réponse, la détection de requêtes sans réponse et le nettoyage des journaux lors de l'arrêt propre.

✅
✓ fonctionnel

Fixtures golden sur un vrai SQL Server

sqlly-testkit lance réellement un conteneur SQL Server pour les tests d'intégration, de sorte que les couches de requêtes et de métadonnées sont testées contre un vrai moteur, et non seulement des réponses simulées.

Voilà pour la visite.

Si vous remarquez ici quelque chose qui a dérivé par rapport à la source - la base de code avance vite - dites-le-nous. Nous préférons corriger la page plutôt que de la laisser devenir obsolète en silence.