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.
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.
Cada pixel aqui - layout de texto, o popup de autocompletar, o destaque de sintaxe - é desenhado pelo próprio renderizador acelerado por GPU do GPUI.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
| Crate | O que ele possui |
|---|---|
| sqlly-core | Perfis de conexão, modelos de comando/evento, sessões, preferências do app, snapshots de recuperação de falhas. |
| sqlly-engines | Os 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-query | Execução/streaming de consultas, a infraestrutura de autocompletar do IntelliSense, histórico de consultas e a integração com o tokenizador. |
| sqlly-metadata | Object Explorer e modelos de metadados de catálogo. |
| sqlly-scripting | Aspas de identificadores, geração de script e catálogo navegável de modelos de script. |
| sqlly-plans | Análise de plano de execução (ShowPlan XML) e avisos de plano. |
| sqlly-admin | Backup/restauração, monitor de atividades, edição de tabelas, query store, eventos estendidos, importação/exportação, comparação de esquemas e geração de SQL pelo designer. |
| sqlly-security | Provedores de autenticação SQL e Entra, abstrações de armazenamento de segredos, SQL do catálogo de segurança. |
| sqlly-catalog | Objetos em «cards», busca híbrida de texto completo + vetores sobre o esquema e invalidação de cache de IA. |
| sqlly-testkit | Container do SQL Server e helpers de teste fixture/golden-file usados na própria suíte de testes do workspace. |
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.
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.
As afirmações de desempenho são respaldadas pela suíte de testes
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.
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.
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.