// para os nerds

O que realmente está rodando por baixo dos panos

Sem verniz de marketing a partir deste ponto. Esta é a arquitetura real - os crates, as estruturas de dados, as decisões de design - para o cliente GPUI do SQLly, que é o que está em desenvolvimento ativo e de onde vem cada captura de tela neste site.

// o frontend

Uma interface nativa renderizada por GPU, não uma webview

A janela que você está vendo não é Electron e não é um motor de navegador com uma capa de aparência nativa.

SQLly - editor GPUI
Editor do SQLly renderizado nativamente via GPUI, mostrando o autocompletar de palavras-chave do IntelliSense

Cada pixel aqui - layout de texto, o popup de autocompletar, o destaque de sintaxe - é desenhado pelo próprio renderizador acelerado por GPU do GPUI.

🖼️
gpui ✓ funcional

A mesma abordagem de renderização do Zed

O cliente do SQLly é construído sobre o GPUI, o framework de UI em Rust escrito para o editor Zed. É um toolkit híbrido retido/imediato, acelerado por GPU - não é um DOM, nem views AppKit por baixo, é Rust desenhando direto na GPU.

🧩
sqlly-datatable ✓ funcional

A grade de resultados é seu próprio crate

Em vez de implementar a virtualização da grade à mão no próprio app, a grade de resultados usa uma crate dedicada publicada - sqlly-datatable - cuidando da virtualização, da seleção, da ordenação e da filtragem como um componente independente.

🖥️
uma base de código, três sistemas operacionais ✓ funcional

macOS, Windows e Linux a partir de uma única árvore

O cliente GPUI cobre as três plataformas desktop a partir da mesma base de código Rust, com empacotamento por sistema operacional: um .app bundle no macOS (apenas Apple Silicon), um .desktop uma entrada no Linux, e um nativo .exe no Windows.

// código aberto, rodando no seu navegador

Tente sqlly-datatable - a grade de resultados real, como WebAssembly

A grade de resultados é seu próprio crate de código aberto, e seu aplicativo de exemplo compila para WebAssembly no backend web da GPUI - desenhado pelo mesmo renderizador de GPU que o aplicativo desktop usa, sem capturas de tela, o componente real rodando em um canvas WebGPU. Agora hospedamos essa versão ao vivo na documentação, onde ela carrega apenas quando você a abre e descarrega no momento em que você sai, então a carga de WebAssembly nunca fica ociosa em segundo plano.

Necessita de um navegador compatível com WebGPU (Chrome/Edge 113+, ou Safari/Firefox recentes). Executa inteiramente no seu computador - nada é enviado para lugar algum.

// analisando SQL, corretamente

Dois analisadores léxicos, analisadores sintáticos que reconhecem o dialeto e uma árvore fiel aos trechos do código-fonte

SQL não é uma linguagem só. T-SQL, Postgres, MySQL, Oracle, SQLite, ClickHouse e DuckDB divergem em aspas, comentários e metade da sintaxe - e o Redis não é SQL de jeito nenhum - então o começo do pipeline trata o dialeto como um parâmetro de primeira classe, não como um detalhe para depois.

🔤
sqlly-sqllex ✓ funcional

Um lexer guiado por tabelas de dialeto

Regras de tokenização - estilos de aspas, sintaxe de comentários, conjuntos de operadores - são orientadas por tabelas por dialeto em vez de ramificações gravadas no código, então adicionar ou corrigir um dialeto não significa fazer um fork do lexer.

🌳
sqlly-sqlparse ✓ funcional

Recuperação de parsers, por dialeto

Cada dialeto suportado tem seu próprio parser com recuperação de erros, que preserva fielmente as posições do texto-fonte - ou seja, a árvore analisada mantém as posições exatas do código-fonte, então o IntelliSense e os diagnósticos podem apontar o caractere exato mesmo quando a consulta em volta está malformada.

🧭
sqlly-tokenizer ✓ funcional

Um segundo scanner, mais rápido - de propósito

Um tokenizador separado, de passagem única, alimenta o modelo de objetos de sobreposição do sistema de arquivos (veja abaixo). Ele é mais simples e rápido de propósito do que a pilha completa de lexer/parser, porque roda sobre todos os arquivos de um repositório de esquema como código, não apenas a consulta que você está editando no momento.

📡
sqlly-lsp ✓ funcional

Um verdadeiro Servidor de Linguagem T-SQL

No topo da pilha de parser há uma implementação de LSP de verdade sobre JSON-RPC/stdio - hover, diagnósticos, tokens semânticos e autocomplete - então a mesma inteligência que alimenta o editor fica acessível a qualquer cliente que fale LSP.

// o motor do modelo de esquema

Dois coletores, um instantâneo atômico

Esta é a parte que faz o truque de «arquivos locais podem superar o banco de dados real» do guia de DBA realmente funcionar - e continuar 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
🔀
coleta paralela ✓ funcional

Banco de dados e sistema de arquivos, coletados em paralelo

sqlly-modelengine executa um coletor de banco de dados e um coletor de sistema de arquivos em paralelo, cada um marcado com um contador de geração, e então os integra de volta através de uma fusão de barreira antes que qualquer coisa a jusante veja o resultado.

⏳
obsolescência por carimbo de data/hora + hash ✓ funcional

A atualidade é medida, não presumida

A mesclagem compara os carimbos de data/hora de modificação e os hashes de conteúdo entre o que o banco de dados ativo reporta e o que está no disco, então um arquivo local só sobrescreve o banco de dados quando é realmente mais novo - não apenas por estar presente.

📸
snapshots preparados por geração ✓ funcional

Leitores nunca veem um modelo pela metade

O modelo mesclado entra em vigor como um snapshot atômico por geração. IntelliSense e validação sempre leem um modelo completo e internamente consistente - da geração anterior ou da nova, nunca uma reconstrução parcial em andamento.

🌫️
regiões incompletas ✓ funcional

A confiança é registrada como dado, não como palpite

Onde o modelo não pode ser totalmente validado - um esboço aproximado de DDL, uma migração em edição - o mecanismo marca essa região com metadados explícitos Provenance e Fidelity metadados e executa o autocompletado com base neles por um caminho de validação distinto de dois escopos, em vez de transformar silenciosamente um palpite em fato.

// a pilha de IA no dispositivo

Inferência com modelos locais e nuvem como fallback opcional

A história da IA é realmente feita em camadas - da inferência totalmente local a um provedor de nuvem que você escolhe explicitamente. Aqui está o que já é real hoje no cliente GPUI, claramente rotulado.

⚡
autocomplete FIM (fill-in-the-middle) ◐ em andamento

Autocompletar fill-in-the-middle executado totalmente no dispositivo por

O autocompletar FIM no estilo de código foi feito para rodar com um modelo local pequeno (da classe do Qwen2.5-Coder) para sugestões inline enquanto você digita. A renderização de prompts, o catálogo de modelos/tokens e as preferências estão totalmente portados e com testes unitários; o transporte da geração em streaming é a parte que ainda está sendo ligada.

🗣️
painel de chat de IA ◐ em andamento

Um painel de assistente com arquitetura de verdade

O painel de IA é uma superfície de chat estruturada e portada - não um stub - para fazer perguntas sobre seu esquema e receber SQL gerado de volta. O painel e seu estado são reais; a infraestrutura do provedor por trás dele está sendo conectada agora.

🦙
ollama ◐ em andamento

Traga seu próprio modelo local via Ollama

Se você já roda modelos pelo Ollama, o SQLly se conecta direto a ele para Q&A de esquema, embeddings e busca. A máquina de estados de saúde/instalação foi portada e comanda a interface; a camada de gerenciamento de processos que encontra e inicia ollama está sendo finalizada.

🧭
sqlly-mlx ◐ em andamento

Um sidecar MLX para Apple Silicon

A inferência local no Apple Silicon roda por meio de um pequeno processo sidecar externo de MLX com o qual o SQLly conversa via HTTP — mantendo o runtime pesado de ML fora do processo principal do app. Os tipos de valor e o relatório de saúde já estão prontos; iniciar e gerenciar o sidecar está a caminho.

🗃️
cache de vetores local ○ planejado

Busca vetorial no dispositivo (LanceDB)

O plano é um armazenamento de vetores totalmente local para busca de esquema/embedding via LanceDB. Hoje esse crate é um stub deliberado - cada chamada retorna um erro claro e honesto em vez de não fazer nada em silêncio - enquanto o resto do pipeline ao redor já está pronto.

☁️
fallback na nuvem ◐ em andamento

Provedores de nuvem, opt-in e explícitos

Quando você escolhe acessar modelos além do dispositivo, o seletor de provedor de nuvem (OpenRouter, OpenAI, Claude) e seu painel de preferências estão disponíveis - nada sai da sua máquina a menos que você direcione para lá. O transporte HTTP por trás do seletor está sendo configurado.

Por que destacar o que não está concluído? Porque a alternativa é uma página de recursos que para de ser verdade em silêncio no momento em que alguém lê o código-fonte. A interface de seleção de modelos, por exemplo, está mais adiantada no aplicativo Swift legado do que no GPUI hoje - preferimos contar isso a deixar você descobrir por conta própria.
// todo o resto no motor

O resto do workspace Rust

O mecanismo é dividido em crates focados em vez de um monólito - a maioria acessível sem interface através de sqlly-cli para criar scripts ou testar sem a interface.

CrateO que ele possui
sqlly-corePerfis de conexão, modelos de comando/evento, sessões, preferências do app, snapshots de recuperação de falhas.
sqlly-enginesOs drivers nativos por trás de um trait de transporte: SQL Server sobre TDS (baseado em Tiberius), PostgreSQL, MySQL/MariaDB, SQLite, libSQL/Turso sobre Hrana, DuckDB em processo, ClickHouse sobre HTTP, Oracle através do Instant Client e Redis sobre RESP.
sqlly-queryExecução/streaming de consultas, a infraestrutura de autocompletar do IntelliSense, histórico de consultas e a integração com o tokenizador.
sqlly-metadataObject Explorer e modelos de metadados de catálogo.
sqlly-scriptingAspas de identificadores, geração de script e catálogo navegável de modelos de script.
sqlly-plansAnálise de plano de execução (ShowPlan XML) e avisos de plano.
sqlly-adminBackup/restauração, monitor de atividades, edição de tabelas, query store, eventos estendidos, importação/exportação, comparação de esquemas e geração de SQL pelo designer.
sqlly-securityProvedores de autenticação SQL e Entra, abstrações de armazenamento de segredos, SQL do catálogo de segurança.
sqlly-catalogObjetos em «cards», busca híbrida de texto completo + vetores sobre o esquema e invalidação de cache de IA.
sqlly-testkitContainer do SQL Server e helpers de teste fixture/golden-file usados na própria suíte de testes do workspace.
📝
templates ✓ funcional

Um catálogo de modelos de script de verdade

O sistema de templates usa a mesma <name,type,default> sintaxe de placeholder SSMS templates usam - deliberadamente familiar em vez de uma DSL inédita que você teria de aprender do zero.

🔬
split_statements ✓ funcional

Scripts em lote, uma instrução de cada vez

O lexer expõe um separador de instruções usado pelo caminho de revisão de mutação, de modo que um script com múltiplas instruções possa ser analisado - e verificado quanto à segurança - instrução por instrução em vez de como um único bloco opaco.

// testado, não apenas rápido

As afirmações de desempenho são respaldadas pela suíte de testes

✅
✓ funcional

Um teste de orçamento de latência para o autocompletar

O crate do IntelliSense inclui um teste que garante que as sugestões de autocompletar em cache fiquem dentro de um orçamento explícito de latência - regressões de desempenho no caminho do autocompletar derrubam o CI, em vez de serem notadas por um usuário meses depois.

✅
✓ funcional

Testes de integração com subprocessos reais

Além de testes unitários, o mecanismo da CLI é exercitado com testes de integração em subprocessos reais, que definem variáveis de ambiente de verdade e verificam logs correlacionados - cobrindo correlação ping/resposta, detecção de pedidos sem resposta e corte de logs no desligamento.

✅
✓ funcional

Fixtures golden-file contra um SQL Server real

sqlly-testkit inicializa um contêiner real de SQL Server para testes de integração, então as camadas de consulta e metadados são testadas contra um motor real, não apenas respostas simuladas.

Esse é o tour.

Se você notar algo aqui que não bate mais com o código - a base muda rápido - nos avise. Preferimos corrigir a página a deixá-la ficar desatualizada em silêncio.