Inteligência
Ferramentas que ajudam o SQLly a explicar seu banco de dados em linguagem simples sem fingir que sabe mais do que realmente sabe.
Um esquema pode dizer como a coluna se chama; nem sempre consegue dizer o que ela significa. O trabalho de inteligência do SQLly é fechar essa lacuna com cuidado. Os recursos de autocomplete ao vivo que enxergam valores ficam em IntelliSense › Conhecimento dos dados; esta seção cobre as camadas construídas em um modelo de linguagem.
Tudo está fundamentado no seu catálogo
Nenhum recurso aqui pede que um modelo adivinhe o seu banco de dados. O SQLly mantém um catálogo dos seus objetos de esquema e, para cada pergunta, monta uma fatia limitada dele: os objetos classificados como relevantes, reduzidos a um orçamento de tokens, com a lista do que foi incluído trazida de volta junto com a resposta. Assim, uma resposta vem com a própria citação, você pode ver de quais tabelas e colunas ela foi construída.
Quando uma verificação determinística pode responder em vez disso, ela vai primeiro e o modelo obtém suas conclusões. Revisão de SQL, por exemplo, executa o validador baseado em parser e depois pede ao modelo para explicar e tratar cada descoberta real, razão pela qual a narrativa fala sobre sua consulta e não sobre SQL em geral.
Qual modelo o executa
| Onde ele é executado | Opções |
|---|---|
| No dispositivo | Ollama em qualquer plataforma, ou o MLX runtime no Apple Silicon. Nada sai da máquina. |
| Seu próprio endpoint | Qualquer URL base compatível com OpenAI ou Anthropic - um gateway auto-hospedado, um servidor de modelo na sua LAN. O SQLly rotula um perfil apontando para localhost como local. |
| Nuvem, se você pedir | OpenRouter, OpenAI, Anthropic, Gemini ou DeepSeek. Cada um é um perfil de provedor com seu próprio modelo, janela de contexto, nível de raciocínio e proxy opcional - e sua chave armazenada como referência secreta, não no arquivo de configuração. |
local ou cloud.Experimentar antes de confiar
O Playground de IA permite que você aponte cada perfil de provedor para um prompt e compare o que retorna, mesma pergunta, mesmo contexto de catálogo, modelo diferente, com o limite de tokens sob seu controle. É a maneira honesta de descobrir se um pequeno modelo local é bom o suficiente para o trabalho antes de integrá-lo ao seu trabalho diário.
Nesta seção
- Resumo de consultas no dispositivo em andamento
- Obtenha uma prévia em linguagem simples de uma consulta de um modelo que você controla, antes de ter que decifrar cada cláusula por conta própria.
- Documentação automágica de strings planejado
- Rastreie um valor sem explicação pelo DDL e deixe uma nota útil para a próxima pessoa, talvez você mesmo no futuro.
- Pesquisa nativa grep-ai planejado
- Pesquise no esquema e nos dados pela intenção, não apenas pelas palavras SQL exatas de que você se lembra.
- Modelo de decisão
- Um modelo rápido opcional na nuvem que responde a perguntas pequenas de escolha única, para que vários recursos possam oferecer um primeiro palpite inteligente.
- Servidor MCP para agentes de codificação
- Deixe Claude Code, Cursor, VS Code e Windsurf usar suas conexões salvas em modo somente leitura via MCP, sem compartilhar senhas.