SQL Master — SQL 查询、数据获取智能体

SQL Master — SQL 查询、数据获取智能体 是什么

覆盖从自然语言到生产级 SQL、慢查询与 EXPLAIN、索引和表结构、数仓建模、数据库原理及查询结果可视化。

适用场景

适合 MySQL、PostgreSQL、Hive、Spark SQL、ClickHouse、BigQuery 的查询、调优、报错诊断和数据管道。

核心能力与工作机制

清单要求标明方言版本、NULL 和边界、取舍与最小复现；附数据库和文件连接器、统一 Pipeline、静态/交互图表及洞察报告。

执行流程

先收集数据库版本、schema、索引、数据量、频率和性能目标；确定生成、优化、设计或诊断模式，给 SQL 与测试数据，执行前审查，再分析计划和结果。

输入与输出

需要方言版本、表结构、样例数据、现有 SQL/EXPLAIN、业务口径和性能目标。输出 SQL、DDL、索引建议、诊断报告、可复现数据、查询结果、图表或 HTML 报告。

依赖、账号与权限

纯文本生成可无依赖；实际连接和 Pipeline 需要对应数据库驱动、Python 数据库环境和最小权限凭据。

副作用、限制与风险

错误 SQL 可能全表扫描、锁表、泄露数据或修改生产；查询计划会随版本、统计信息和数据分布变化。只读模式仍可能消耗大量资源；若执行 DDL/DML 会真实改变数据库。

不适用边界

不能在缺少 schema 与执行计划时承诺性能，也不得默认使用高权限生产凭据或执行破坏性 SQL。

失败处理与验收

先在最小数据和事务或只读副本复现，检查方言、类型、统计信息和索引；失败后回滚并保留计划对比。用 EXPLAIN ANALYZE、结果集对账、边界用例和性能基线验证正确性与收益。

适合谁使用

适合数据分析师、后端工程师、DBA 和数仓开发者。

来源、版本与许可

本条目依据 SkillHub 热门榜、发布者详情和版本 1.0.0 的完整 SKILL.md 整理，核验日期为 2026 年 9 月 21 日。完整 SKILL.md 未声明许可证，公开可下载不代表可以任意复制、修改或再分发。 SkillHub 当前两套安全扫描状态为 benign、benign；该状态只是平台信号，不能替代对脚本、凭据、网络请求、数据外送与后续版本的人工审查。

常见问题

1. SQL Master — SQL 查询、数据获取智能体 主要解决什么问题？

覆盖从自然语言到生产级 SQL、慢查询与 EXPLAIN、索引和表结构、数仓建模、数据库原理及查询结果可视化。适合 MySQL、PostgreSQL、Hive、Spark SQL、ClickHouse、BigQuery 的查询、调优、报错诊断和数据管道。是否采用它，应以实际任务边界和可核验材料为准，不要因为榜单热度而跳过来源审查。

2. 开始前需要准备什么？

需要方言版本、表结构、样例数据、现有 SQL/EXPLAIN、业务口径和性能目标。准备阶段不要代替用户猜测关键事实；缺少会改变路线、费用或权限的输入时，应先补齐再执行。

3. 它怎样完成任务并交付结果？

先收集数据库版本、schema、索引、数据量、频率和性能目标；确定生成、优化、设计或诊断模式，给 SQL 与测试数据，执行前审查，再分析计划和结果。每个阶段都要保留输入、决策、输出和检查点，不能把计划、预览或排队状态描述成最终交付。

4. 需要哪些工具、账号或权限？

纯文本生成可无依赖；实际连接和 Pipeline 需要对应数据库驱动、Python 数据库环境和最小权限凭据。凭据应放在安全环境中，并按最小权限授权；账号、网络或本地依赖不满足时应明确停止条件。

5. 它会产生哪些外部操作或副作用？

只读模式仍可能消耗大量资源；若执行 DDL/DML 会真实改变数据库。涉及外部写入、上传、发送、付费或持久配置时，应在实际动作前说明影响范围并取得相应确认。

6. 哪些情况不适合使用？

不能在缺少 schema 与执行计划时承诺性能，也不得默认使用高权限生产凭据或执行破坏性 SQL。超出来源明确能力、专业资质或授权范围时，应切换到更合适的工具或交给专业人员处理。

7. 失败或结果异常时怎样恢复？

先在最小数据和事务或只读副本复现，检查方言、类型、统计信息和索引；失败后回滚并保留计划对比。恢复时优先查询已有任务、日志或备份，避免无上限重试、重复扣费、重复发送或覆盖唯一原件。

8. 如何验收结果并控制风险？

用 EXPLAIN ANALYZE、结果集对账、边界用例和性能基线验证正确性与收益。验收应基于真实文件、页面、任务终态或权威来源，并把未能实际检查的部分明确标记出来。