原生 grep-ai 搜索
计划中按意图搜索你的模式和数据,而不只是靠你碰巧记得的确切 SQL 词语。
你应该能够搜索脑海中的概念,而不仅仅是恰好记得的确切表名。语义搜索能够根据描述找到相关的表、列或例程——例如“我们在哪里保存已取消的订阅”——而不要求你事先知道答案。
为什么普通搜索不够用
文本搜索在两个方向上都会落空。搜索 customer ,而架构里把它叫作 party 的模式中,你什么都得不到;搜索 date 而你得到的是 400 列。哪种结果都不会告诉你想要的东西在哪儿。
工作原理:两次搜索,合并结果
SQLly 会保留一个本地的 目录 你的 Schema 对象,并会同时用两种方式搜索它:
- 全文检索(BM25) - 快速、精确,记得那个词的时候表现极佳。如今模式搜索靠的就是这一半。
- 向量相似度 - 每个对象的描述都做了嵌入,所以“已取消的订阅”也能匹配到
churn_events与你的查询没有共享任何单词的表。
这两组分数不能直接比较——BM25 分数和余弦相似度不在同一个量级上,因此先各自独立归一化,再混合起来,两部分的权重大致相当。每个结果都附带分数明细,可疑的命中可以说清来由,而不是硬找理由。
向量部分是可选的,并且完全在本地。 嵌入由你配置的提供商生成——通过 Ollama 或 MLX 的本地模型,或者根本没有。没有嵌入提供商时,搜索保持纯全文检索,而不会退化成猜测:只有当嵌入确实存在时才会启用混合搜索。
搜索数据,而不仅仅是模式
同一套机制不只对名称起作用,也能定位值——查找 which 表格保存了你粘贴的神秘标识符。那部分被仔细限制是有明显原因的:扫描数据以回答搜索是昂贵的,而且在未被要求的情况下在生产环境中进行是无礼的。
已计划。目录、全文索引、向量存储和混合合并已经建好并通过测试;剩下的只是应用内的搜索界面和数据搜索的范围。