SQL
PulseAugur coverage of SQL — every cluster mentioning SQL across labs, papers, and developer communities, ranked by signal.
- developed by International Organization for Standardization 100%
- used by Databricks 80%
- uses large-language models 80%
- used by Python 70%
- used by PowerShell 70%
- used by Text To Sql 70%
- used by web crawler 70%
- used by BigQuery 70%
- used by Snowflake 70%
- partners with Snowflake 70%
- used by Javascript 70%
- used by DagsHub 70%
21 天有情绪数据
-
社交媒体投票询问用户职业和技术偏好
此条目是一则社交媒体帖子，要求用户投票选出他们偏好的选择，并在评论中说明原因。它包含各种与职业和技术相关的标签，例如 #LinkedIn、#SoftwareEngineer、#AI、#WebDevelopment 和 #CloudComputing。
-
保护 ChatGPT-SQL 连接：超越基础集成
将 ChatGPT 连接到 SQL 数据库非常简单，但确保此集成的安全性和可靠性需要一个强大的控制平面。关键安全措施包括默认设置为只读访问、实施范围限定的凭据、定义批准的视图或语义层，以及设置查询限制和超时。此外，清晰拒绝不安全查询、全面的审计日志、答案来源追溯以及写入操作的单独批准工作流对于安全的人工智能数据工作流至关重要。
-
Supabase 数据库错误导致多起事件中数据静默失败
一位开发者遇到了 Supabase 的一个反复出现的问题，即数据库查询会静默失败，返回不正确或不完整的数据，但不会引发任何异常。在一周内，这种模式出现在四起独立的事件中，涉及默认 SQL 函数授权、ON DELETE SET NULL 级联、RLS 递归以及因回退到按 ctid 排序而导致查询结果上限为 1000 行等问题。在每种情况下，数据库都会执行查询，返回 200 状态码，但提供误导性数据，绕过了应用程序日志和错误跟踪。
-
Databricks Genie 推出，支持自然语言数据查询
Databricks 已将其对话式分析平台 Databricks Genie 正式推出并扩展为一个产品系列。Genie 允许业务用户使用自然语言查询企业数据，无需具备 SQL 专业知识。该平台利用大型语言模型将简单的英语问题转化为 SQL 查询，为非技术用户提供了一种更易于访问的数据洞察方式。
-
LLM 生成的技能并未可靠提升 AI 数据科学家的能力
一篇新的研究论文探讨了 LLM 生成技能对 AI 数据科学家的有效性。研究发现，与各种数据科学任务（包括数据准备、提取、分析和报告）的标准提示相比，使用完整的 LLM 生成技能并未能可靠地提高性能。即使消融了这些生成技能的组件，也未观察到显著的性能提升。该研究建议，在数据科学工作流中，应谨慎对待将单一 LLM 生成技能作为默认提示策略。
-
Upscene 开发 AI 工具以加速 SQL 开发
Upscene 正在开发 AI 工具以增强 SQL 开发，旨在使该过程更快、更高效。他们的方法侧重于数据库感知的 AI，它能理解 SQL 和数据库结构的细微差别。这项技术旨在协助开发人员完成工作的各个方面，有可能简化常见任务并提高整体生产力。
-
开发者警告不要将大型语言模型视为数据库，提倡使用检索增强生成（RAG）
一位开发者分享了他们构建一个由大型语言模型驱动的内部文档查询系统的经验，强调了将大型语言模型视为确定性数据库的陷阱。他们解释说，将数据塞入提示会导致“中间丢失”效应和概率性错误等问题，使系统不可靠。解决方案是采用检索增强生成（RAG）架构，将知识检索与大型语言模型的推理能力分开，从而提高了更新速度、可审计性和整体可靠性。
-
AI agents need better data relationships, not just bigger models
企业级AI解决方案尽管拥有大量数据和先进模型，却常常在回答基本的业务问题时遇到困难。其核心问题不在于模型的性能或数据的可用性，而在于它们不理解数据表之间的关系。这些关系代表了关键的业务知识，没有它们，AI代理就会猜测，导致结果不准确并需要大量的验证工作。作者认为，提升AI理解数据关联性的能力，比仅仅增加模型的大小或能力，是更大的机遇。
-
Amazon QuickSight 支持多数据集关系，实现灵活的数据建模
Amazon QuickSight 推出了名为“多数据集关系”的新功能，允许用户定义不同数据集之间的逻辑连接。这消除了预先展平数据的需求，实现了在运行时进行联接，从而保留了数据的原生粒度并简化了数据管理。该功能支持星型、雪花型和星座型等各种数据建模模式，为复杂的分析场景提供了更大的灵活性。
-
Amazon Quick Sight 通过多数据集主题增强分析功能
Amazon Quick Sight 推出了多数据集主题（Multi-Dataset Topics）功能，允许分析团队将来自多个数据集的数据合并到一个主题中。这一增强功能使用户能够在不要求数据工程师预先连接数据的情况下，跨不同数据源提出复杂的业务问题。该功能支持两种主要方法：定义显式关系键或为生成式AI引擎提供语义上下文以自动生成SQL查询。
-
Amazon QuickSight 将业务上下文集成到数据集中，并通过新的 Topic 功能统一多个数据集
Amazon QuickSight 正在通过两项新功能增强其数据管理能力：数据集丰富 (Dataset Enrichment) 和多数据集 Topics (multi-dataset Topics)。数据集丰富允许将业务上下文（如列描述和同义词）直接嵌入到数据集中，从而创建单一事实来源。现在处于公开预览版的多数据集 Topics 允许用户在单个 Topic 中定义多达 12 个数据集之间的关系，使 AI 驱动的聊天代理能够遍历这些关系…
-
SQL、Pandas 和 AI Agent 在解决分析问题方面的比较
对 SQL、Pandas 和 AI Agent 的比较揭示了它们在解决分析问题方面的有效性。该分析在三个不同的问题和八个维度上衡量了执行时间和 Agent 提示。研究结果旨在阐明哪种工具在各种分析任务中表现最佳。
-
2026年数据工程师路线图：超越ETL，迈向LLM管道
2026年成为一名数据工程师需要掌握超越传统ETL的现代技能，重点关注流数据、云优化以及理解管道如何支持LLM应用。该路线图强调掌握SQL的高级函数，使用Python进行数据迁移而非复杂的数据科学，并熟练掌握Linux命令行工具。它还强调数据建模的重要性，特别是维度建模和现代列式仓库青睐的反范式方法，以确保数据被视为产品。
-
新的基准和框架解决了文本到SQL的可靠性和AI功能问题 · 跟踪4个来源
研究人员开发了新的基准和框架来解决大型语言模型（LLM）在文本到SQL任务中的可靠性和能力问题。Spider 2.0-AIFunc是一个新的基准，它扩展了现有的文本到SQL评估，纳入了Snowflake等平台上可用的AI原生SQL函数，揭示了专有模型和开源模型之间的性能差距。同时，SAGE框架自动化了对LLM生成的SQL中潜在漏洞的发现，突出了模型的脆弱性，并通过微调提出了修复途径。另一项研究侧重于通过预测重复的LLM调用何时收敛到一…
-
新算法优化数据仓库中LLM在SQL中的使用
研究人员开发了新的算法SUPG-IT和GAMCAL，以优化大型语言模型（LLM）在数据仓库SQL查询中的使用。这些流式模型级联旨在通过将大部分数据路由到更快的代理模型，仅将不确定的情况升级到更昂贵的Oracle模型，从而降低计算成本。SUPG-IT在精确率和召回率上提供联合概率保证，而GAMCAL则平衡了分类误差和Oracle成本。这两种方法在六个基准测试中都表现出色，取得了高F1分数，并与现有方法相比显著减少了Oracle调用次数。
-
新基准测试评估用于 SQL 查询保真度的合成表格数据
研究人员推出了 TabQueryBench，这是一个新的基准测试，旨在评估合成表格数据在分析查询方面的保真度。与关注统计相似性的现有方法不同，TabQueryBench 使用 SQL 查询来评估合成数据在保留数据分析所需结构方面的效果。对大量数据集和生成模型的实验显示，尽管当前模型在统计相似性方面表现良好，但在以查询为中心的保真度方面仍有不足，RealTabFormer 表现最佳，但保真度仅达到 0.75。该基准测试还突显了生成模型在…
-
Barracuda 使用 Databricks Genie 进行 AI 安全日志分析
Barracuda 已将 Databricks 的 Genie AI 技术集成到其 Managed XDR 服务中，使安全分析师能够使用自然语言查询日志，而非 SQL。这项新功能“AI 驱动的日志搜索”允许任何团队成员快速查找来自 WatchGuard、Fortinet、Palo Alto、Microsoft 365 和 AWS 等各种供应商的、不同格式的安全日志信息。该系统利用 Databricks 的 Unity Catalog …
-
构建安全高效的自然语言到SQL系统
本文详细介绍了如何使用Python构建一个健壮的自然语言到SQL（NL2SQL）系统，强调了超越基本LLM调用的生产就绪功能。它强调了模式注入对于效率的重要性，使用紧凑的表示而不是原始DDL来减少令牌数量和成本。该指南还强调了安全架构的必要性，包括SQL验证器和只读执行器，以防止破坏性查询并处理模式漂移和方言不匹配等问题。
-
开发者使用 LLM 和护栏构建安全的 Text-to-SQL 应用
一位开发者创建了一个 text-to-SQL 应用程序，允许用户使用自然语言查询数据库。该应用程序利用 Hugging Face 的 LLM 将用户问题转换为 SQL 查询。至关重要的是，该系统包含一个强大的护栏层，用于在执行前验证生成的 SQL，从而防止注入攻击等潜在安全风险。整个过程都封装在 Streamlit 界面中，提供了一种用户友好的方式来与数据库进行交互。
-
STRATOS框架弥合了气象数据的符号-数字鸿沟
研究人员开发了STRATOS，一个旨在处理来自Copernicus等来源的复杂时空气象数据的新的文本到SQL框架。该系统通过将自然语言查询映射到本地化本体并解析空间实体来解决“符号-数字”鸿沟。STRATOS还优化了昂贵的空间谓词，将查询执行时间从几小时显著缩短到几秒钟。为了评估其性能，创建了一个新的STRATOS评估工作负载，其中包含由领域专家开发的超过7,500个复杂查询对。