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%
- instance of Bird 90%
- uses large-language models 80%
- used by Python 70%
- used by DagsHub 70%
- used by Gotit.pub 70%
- used by Databricks 70%
- used by PostgreSQL 70%
- instance of ScienceCast 70%
- used by web crawler 70%
- used by Text-to-SQL for Korean Language based on Multilingual BERT 70%
- used by BigQuery 70%
29 天有情绪数据
-
SQL 数据库在 AI 代理记忆方面优于向量存储
虽然许多 AI 开发人员正在采用向量数据库来存储 LLM 记忆，但本文认为，对于大多数代理工作负载而言，传统的 SQL 数据库更高效、更简单。向量存储可能会引入延迟、运营开销以及不可预测的召回问题，尤其是在向量数量低于数千万的规模下。相反，SQL 数据库为结构化和时间数据提供了精确、有范围且确定的召回，使其成为需要基于时间或标签等标准获取特定信息的代理的更优选择。
-
AI审查机器人因服务器超时而静默失败，而非模型弱点
一个由AI驱动的审查机器人经历了72小时的故障，在此期间它错误地报告所有拉取请求“未检测到问题”。问题不在于AI模型的性能，而是服务器超时配置导致机器人返回空响应，这些空响应随后被解释为成功审查。修复措施包括对空响应实施更严格的错误处理，添加金丝雀代码片段以验证模型功能，以及记录原始模型输出以进行更好的调试。
-
Databricks通过新功能简化SQL到Lakehouse的迁移
Databricks推出了新的SQL功能，旨在简化遗留数据仓库存储过程到其Lakehouse平台的迁移。这些增强功能旨在减少在Python和Apache Spark等语言中进行昂贵重写的需求，使SQL开发人员能够以最小的改动维护其现有的业务逻辑。关键改进包括对临时表和游标的支持，直接解决了常见的迁移障碍，并实现了与Unity Catalog等工具的更好集成，以增强治理和可发现性。
-
Claude 助力生成和优化 SQL 查询
本文探讨了如何利用 Claude 自动生成和优化 SQL 查询。它提供了一个将自然语言问题转化为高效准确 SQL 语句的实用指南。此外，该指南还涵盖了改进现有缓慢 SQL 查询性能的方法。
-
StocksTalk：语音代理将口头金融查询转换为SQL
研究人员开发了StocksTalk，一个语音驱动的对话代理，旨在将口头金融查询转换为可执行的结构化查询，用于市场数据分析。该系统集成了语音识别、基于LLM的SQL生成和交互式验证，以提高金融筛选的准确性和透明度。在150个口头提示的基准测试评估表明，与标准的LLM方法相比，StocksTalk在约束提取、SQL可执行性和多轮稳定性方面表现更优。
-
Windmill 使 Python、TypeScript、SQL 脚本成为 AI 驱动的工作流
Windmill 是一个开源平台，允许用户将用 Python、TypeScript 或 SQL 编写的脚本转化为自动化工作流、计划任务和内部应用程序。该平台支持集成 AI 驱动的步骤，从而实现更复杂的自动化功能。
-
2026年AI工具和技能：超越ChatGPT熟练度
来自Medium的两篇文章讨论了2026年所需的关键AI工具和技能，强调像ChatGPT这样的通用工具的熟练度已不再足够。文章强调了理解特定平台和框架的重要性，例如Claude、OpenAI的产品、Google的AI计划，以及LangChain和LlamaIndex等工具。它们还提到了Python、Javascript和SQL等编程语言作为AI工作的基础。
-
作者认为，LLM 应该生成代码，而不是运行定期分析
作者认为，由于大型语言模型（LLM）固有的不一致性，直接使用 LLM 进行计划的定期分析存在问题。当 LLM 生成分析提示时，即使输入相同，结果也可能不同，这使得无法区分数据中的真实变化和由 LLM 输出变化引起的变化。为解决此问题，作者提出了一种分阶段的方法，即在“构建时”使用 LLM 进行探索和代码生成，然后由人工审查和版本控制生成的代码。然后，由计划程序确定性地执行此编码的指标定义，并在下游再次使用 LLM 进行解释。
-
数据分析师的 SQL 窗口函数模式
本文探讨了数据分析师在工作中经常使用的七种重要的 SQL 窗口函数模式。文章重点介绍了常见的查询，并讨论了这些函数中的默认帧子句有时可能导致意外结果或错误。
-
作者提倡使用明确的语言而非自然语言进行自动化代码生成
作者提出，自动编程应放弃自然语言接口，转而采用明确的规范语言，并将其与SQL进行类比。这种方法旨在使软件代码成为一次性制品，通过强大的自动化从不断变化的需求中定期重新生成。核心思想是，通过使用结构化、明确的语言，代码重新生成过程可以变得更可靠、更具可扩展性，从而避免自然语言处理固有的歧义。
-
新基准揭示LLM在真实医疗计算中的局限性
一个新的基准MedMCP-Calc已被开发出来，用于评估大型语言模型（LLM）在真实医疗计算器场景中的表现。该基准集成了模型上下文协议（MCP），包含四个临床领域的118个任务，模拟了如EHR数据采集和多步计算等真实世界的自适应过程。评估显示，即使是Claude Opus 4.5等先进模型在选择合适的计算器、执行基于SQL的数据库交互以及利用外部工具进行数值任务方面也存在困难。为了解决这些局限性，开发了经过微调的模型CalcMate，…
-
LLM框架增强电池储能系统监控
研究人员开发了一个新框架，该框架使用大型语言模型（LLM）来辅助监控集成到配电网中的电池储能系统（BESS）。该系统将自然语言操作员的问题翻译成SQL查询，以访问遥测数据，然后将这些数据与工程约束进行分析。该框架已通过仿真得到验证，证明其能够识别电压违规、无功功率问题和有功功率跟踪性能，从而增强BESS的运行分析。
-
新的AI分析工具提供透明数据交互及SQL引用
一款新的自托管AI分析工具已被开发出来，允许用户通过编写SQL查询来与他们的数据进行交互。该工具通过展示其整个工作流程并引用用于每个声明的特定查询来提供透明度。这种方法与许多现有的“与您的数据聊天”工具形成对比，后者在没有明确来源的情况下提供自信的答案。
-
10个真实AI编码项目，助您作品集更上一层楼
本文列出了10个旨在提升开发者求职作品集的真实项目创意。文章强调了构建超越基础应用的实质性项目的重要性，并建议2026年的雇主将寻求更复杂、更实用的技能展示。推荐的项目涉及多种技术和云平台。
-
LLM 代理会因工具模式和系统上下文产生隐藏成本
两位开发者强调了使用大型语言模型 (LLM) 及其相关工具所带来的显著且常被忽视的成本。一位作者发现，他们的代理的实际 token 使用量远高于提示的 token 计数，这主要是由于系统脚手架和上下文组装，而这些默认情况下是不可见的。另一位开发者发现，MCP 代理中工具的广泛 JSON 模式定义消耗了不成比例的 token，导致成本高昂。两位作者都提出了解决方案，包括修改 API 调用以输出详细的使用数据以及实施模式修剪或压缩技术以减…
-
新的图推理代理增强了AI对混合知识图谱的导航能力
研究人员开发了一种图推理代理（GRA），旨在导航和查询混合知识图谱，这些图谱将文本概念与关系表相结合。GRA利用一套通用工具在运行时发现领域特定的信息，在一个工业基准测试中，其准确性更高，输入的token数显著减少，从而优于全上下文代理。这一进展突显了选择性导航结构化数据对于提高代理性能的有效性，并表明可靠的工具驱动能力是其成功的关键。
-
Seedfast 工具使 AI 代理能够生成关系数据库测试数据
像 Claude Code 和 Cursor 这样的 AI 编码助手在生成连贯的关系数据库测试数据方面常常遇到困难，因为它们在处理外键和唯一键等约束方面存在局限性。一个名为 Seedfast 的新工具通过读取实时 PostgreSQL 模式并根据单一自然语言请求生成有效、连接的行来解决这个问题。这种方法将模式内省和约束感知生成的复杂任务委托给专用工具，使 AI 代理能够专注于描述意图。
-
Spark 流处理管道因状态管理导致结果延迟 93 分钟
一个 Spark SQL 流处理管道经历了显著的延迟，尽管触发器间隔为 10 秒，但结果却延迟了 93 分钟。问题源于 `dropDuplicates` 操作，该操作在流处理模式下（与批处理不同）必须在其状态存储中无限期地保留所有已见订单 ID。这导致状态存储达到 146GB，触发器执行耗时 11 分钟。核心问题在于缺乏关于迟到重复订单如何到达的明确数据契约，这凸显了 Spark 统一 DataFrame 模型中，有界批处理输入与无界…
-
Databricks 通过 SQL 将 AI Functions 集成到数据仓库中
Databricks 推出了 AI Functions，这是一项新功能，允许用户使用标准的 SQL 查询将 AI 模型直接集成到他们的数据仓库中。这种方法无需单独的笔记本、API 或复杂的数据管道，使用户能够与结构化数据一起处理 PDF 和客户反馈等非结构化数据。AI Functions 旨在简化文档智能、情感分析、内联翻译、分类、销售通话数据提取和生成式草稿等任务，所有这些都在 Databricks Lakehouse 环境中通过 …
-
生成式AI助力受监管行业理解遗留代码
受监管行业因无法理解其中嵌入的复杂逻辑而难以现代化遗留系统。这种因员工退休而加剧的知识差距，对报告准确性、运营韧性和审计准备情况构成风险。传统的手动代码分析缓慢、昂贵且容易出现不一致。一个由生成式AI支持的架构正在开发中，旨在加速代码理解、重建数据沿袭，并将技术逻辑转化为各种利益相关者易于理解的文档。