Candor Desktop IDE 2.0, yapay zekâ destekli SQL üretimini canlı veritabanı şema metadatasına oturtuyor

Candor, Desktop IDE'nin 2.0 sürümünü, genel amaçlı yapay zekâ asistanlarının en kalıcı hata türlerinden birini hedefleyen bir özellikle yayınladı: makul görünen ama var olmayan tablo, kolon veya join'lere atıfta bulunan SQL'ler. dev.to'da yayınlanan bir şirket rehberine göre sürüm, sorgu üretimini modelin önceki eğitim verisinden tahmin yürütmesine bırakmak yerine, bağlı veritabanının canlı metadatasına dayandırıyor.

SQL'i gerçek metadata ile temellendirme

Rehber sorunu açık bir şekilde ortaya koyuyor: karmaşık veri ambarı şemalarına karşı SQL yazan genel amaçlı asistanların doğrudan bir yapısal farkındalığı yok ve bu durum rutin olarak halüsinasyonlmış tablo adları, hayalet kolon referansları ve tekrarlanan manuel hata ayıklama gerektiren geçersiz join'ler üretiyor.

Candor 2.0 buna bir metadata keşif adımıyla yanıt veriyor. Veritabanı diyalektine ve bağlayıcıya (connector) bağlı olarak araç, information_schema.columns gibi katalog görünümlerini ve standart şemaları okuyarak şunları çıkarıyor:

• Tablo ve kolon adları
• Veri tipleri ve null kısıtlamaları
• Primary key ve foreign key ilişkileri
• Geçerli sorgular oluşturmak için gereken diyalekte özgü sözdizimi kuralları

Şirket buradaki sınıra dikkat çekiyor: yalnızca yapısal özellikler çekiliyor, üretim satırları asla çekilmiyor; böylece müşteri ve işlem verisi veri ambarında kalıyor.

İş akışı beş aşamada ilerliyor. Geliştirici bir veri ambarına veya yerel bir DDL kataloğuna bağlanıyor, Candor yapısal metadatayı çıkarıyor, ilgili tablo kümeleri few-shot retrieval kullanılarak modelin context window'una eşleniyor, SQL doğal dilde ifade edilen bir niyetten üretiliyor ve geliştirici sorguyu gözden geçiriyor, execution planlarını kontrol ediyor ve mevcut yetkileri dahilinde çalıştırıyor.

Determinizmin pratikte sağladığı fayda

Rehberdeki örnek uygulama, her edinim kanalı için toplam brüt geliri ve tekil müşteri sayılarını hesaplayan, fact_orders ve dim_customers tablolarını birleştiren bir satış analitiği sorgusu. İlginç olan kısım join: motor, genel amaçlı bir modelin elinin attığı customer_id veya id gibi isimleri tahmin etmek yerine, foreign key metadatası doğruladığı için customer_key'i seçiyor. Kolon seçimi de aynı şekilde çalışıyor; gross_revenue_usd, amount veya total gibi belirsiz adaylar yerine doğrudan katalogdan alınıyor.

Bir de ekonomi boyutu var. Prompt'a megabyte'larca uzayabilecek tam bir DDL yapıştırmak yerine, hedeflenmiş few-shot çıkarımı context yükünü sınırlıyor; şirket bunun API maliyetlerini ve gecikmeyi azalttığını söylüyor.

2.0 sürümünün geri kalanı

Şema farkındalıklı SQL'in ötesinde 2.0 sürümü şunları ekliyor veya genişletiyor:

• Frontier AI Chat: veritabanı ve proje şemalarına doğal olarak temellenmiş, konuşmaya dayalı bir kodlama arayüzü
• Bring Your Own Key desteği: istekleri geliştiricinin kendi LLM sağlayıcı kimlik bilgileriyle veya Ollama gibi yerel, ağdan izole runtime'lara yönlendirme
• Token tüketimini, kaba kuvvetle context dökme yöntemine kıyasla azaltmayı amaçlayan yerleşik few-shot retrieval desenleri
• Visual Studio Code, Cursor ve Antigravity için eklentiler

Yerel binary'ler Windows ve Linux'u kapsıyor; macOS sürümü ve专用 Claude eklentileri aktif geliştirme aşamasında olarak tanımlanıyor.

Kullanılabilirlik ve uyarılar

IDE candorsys.com üzerinden dağıtılıyor; Community Edition, baştan 1 milyon token ile sağlanan 14 günlük bir deneme sunuyor. Açıkça belirtilmesi gereken bir uyarı var: yukarıdaki her şey, determinizm iddiaları dahil, bağımsız bir değerlendirmeden değil şirketin kendi rehberinden geliyor; bu yüzden genel amaçlı asistanlarla karşılaştıracak ekiplerin kendi şemaları üzerinde kıyaslama yapması gerekecek.

Neden önemli

Text-to-SQL uzun zamandır demo için yeterince güvenilir ama güvenmek için yeterince güvenilmez oldu ve bu uçurum genellikle modelin kendisinden çok, modelin gerçek şemayı bilip bilmediğiyle ilgili. Candor'un yaklaşımı alandaki daha geniş bir değişimi yansıtıyor: sorgu üretimini bir prompting sorunu değil bir metadata temellendirme sorunu olarak ele almak; tıpkı retrieval'ın belgeler için gerçekçi halüsinasyonları ehlileştirdiği gibi. Veri mühendisleri için hedeflenen belirli hatalar — yanlış join anahtarları, kullanımdan kaldırılmış staging görünümleri, uydurma kolonlar — tam olarak üretim hatlarında gözden geçirme döngülerini yiyen hatalardır. BYOK ve yerel runtime seçenekleri de önemli, çünkü şema context'i genellikle veri ambarı araçlarını regüle ortamların dışında tutan hassas kısımdır. Temellendirme deseninin araca bağlı olmaksızın yayılması muhtemel; Candor'un bunu uygulamasının ne kadar tuttuğunu ise deneme süresi gösterecek.