네이티브 grep-ai 검색

예정됨

기억나는 정확한 SQL 단어뿐만 아니라 의도에 따라 스키마와 데이터를 검색하세요.

머릿속에 있는 아이디어를 검색할 수 있어야 합니다. 우연히 기억해 낸 정확한 테이블 이름만으로 검색이 묶여서는 안 되죠. 의미 검색은 “취소된 구독은 어디에 보관하나요” 같은 설명만으로 관련 테이블, 컬럼, 루틴을 찾아주므로, 이미 답을 알고 있을 필요가 없습니다.

왜 일반 검색만으로는 충분하지 않은가

텍스트 검색은 양쪽 모두에서 실패합니다. 검색 customer 를 검색할 때 그것을 party 그러면 아무것도 나오지 않고, 검색하면 date 그러면 400개의 열이 나옵니다. 어느 쪽 결과도 원하는 것이 어디 있는지 알려주지 않습니다.

작동 방식: 두 검색을 병합

SQLly는 로컬 카탈로그 스키마 객체를 대상으로 동시에 두 가지 방식으로 검색합니다:

  • 전체 텍스트(BM25) - 단어를 기억해 낼 때는 빠르고 정확하고 훌륭합니다. 스키마 검색은 이미 이 절반으로 돌아가고 있습니다.
  • 벡터 유사도 - 각 객체 설명의 임베딩이 있어서 “취소된 구독”이라는 검색이 churn_events 쿼리와 겹치는 단어가 하나도 없는 테이블.

두 점수 집합은 원시 값 그대로는 비교할 수 없습니다. BM25 점수와 코사인 유사도는 척도가 다르기 때문에 각각 따로 정규화한 뒤 섞고, 두 절반의 가중치는 대략 절반씩입니다. 각 결과에는 점수 내역이 붙어 있어서 수상한 결과가 나오면 막아 내는 대신 설명해 줄 수 있습니다.

벡터 쪽은 선택 사항이며 로컬입니다. 임베딩은 설정한 제공자가 만들어 줍니다 - Ollama나 MLX로 구동되는 온디바이스 모델일 수도 있고, 아예 없을 수도 있습니다. 임베딩 제공자가 없으면 검색은 추측으로 흐르지 않고 전체 텍스트 검색만 유지됩니다. 하이브리드 검색은 임베딩이 실제로 존재할 때만 개입합니다.

스키마뿐 아니라 데이터까지 검색

같은 메커니즘이 이름뿐 아니라 값도 가리킵니다 - 다음을 찾아냅니다 어느 테이블에 붙여넣은 정체불명의 식별자가 들어 있을 때입니다. 이 부분은 당연한 이유에서 조심스럽게 제한됩니다. 검색 하나에 데이터를 훑는 비용이 크고, 부탁받지도 않은 채 프로덕션에서 그러는 건 무례한 일이니까요.

계획됨. 카탈로그, 전체 텍스트 색인, 벡터 저장소, 하이브리드 병합은 이미 만들어 테스트를 마쳤고, 남은 것은 앱 안의 검색 UI와 데이터 검색 범위입니다.