Native KI

Native KI auf Postgres: NL2SQL, RAG & Agents

NL2SQL und RAG sind direkt in das Aurabase-Backend integriert – keine nachträglich hinzugefügten externen Konnektoren. Genaue Aufschlüsselung dessen, was „nativ“ bedeutet, Fähigkeit für Fähigkeit.

Wichtige Erkenntnisse

Aurabase lässt sich einbetten NL2SQL (natürliche Sprache zu SQL, validiert und begrenzt) und RAG (pgvector-Suche, HNSW-Einbettungen) direkt in das Backend, mit 3 native LLM-Anbieter (OpenAI, Anthropic/Claude, Gemini). Mistral, Scaleway AI und Ollama bleiben über einen OpenAI-kompatiblen Endpunkt und nicht über einen maßgeschneiderten nativen Client zugänglich.

Natürliche Sprache zu SQL

NL2SQL – eine Eingabeaufforderung in natürlicher Sprache, sichere SQL-Ausgabe

Die NL2SQL-Engine von Aurabase validiert jede generierte Abfrage vor der Ausführung: AST-Analyse über sqlparser, eine strikte SQL-Funktionszulassungsliste und eine begrenzte GRENZE wird bei jeder ausgeführten Abfrage erzwungen. Dies ist kein uneingeschränkter LLM-Aufruf – es handelt sich um einen strikten Syntaxvalidator, der alles andere als einfach ablehnt AUSWÄHLEN.

01

Prompt

Natural language query, e.g. "Monthly revenue by tier"

02

Natives LLM

OpenAI, Anthropic, or Gemini translates into SQL

03

AST-Validierung

sqlparser: SELECT only, function allowlist

04

Begrenztes LIMIT

Configurable ceiling, never silently uncapped

05

Ausführung

Read-only, schema-isolated per project

Der Validator lehnt explizit CTEs/WITH-Klauseln, Unterabfragen, UNION-Anweisungen und nicht auf der Whitelist stehende Funktionen ab (zählen, Summe, Durchschn, min, max, niedriger, Obermaterial, verschmelzen, date_trunc, jetzt) und jeglicher Zugriff auf den Systemkatalog. Die Zeilenobergrenze ist serverseitig konfigurierbar und kann pro Abfrage eingeschränkt werden – niemals über das Mandantenlimit hinaus erweitert.

Erstellen Sie Ihren ersten NL2SQL-Endpunkt (Anleitung)Vollständige technische Dokumentation

Vektorsuche

Natives RAG und pgvector – keine externen Abhängigkeiten

pgvector 0.8.6 ist in jedem Postgres-Image des Aurabase-Mandanten vorinstalliert, gekoppelt mit einer Aufnahmepipeline mit automatischen Netzwerkwiederholungen und HNSW-Vektorsuche über drei Dimensionsklassen (768, 1536 und 3072) – deutlich innerhalb der 16.000-Dimensionsgrenze von pgvector.

01

Einnahme

Project documents with automated network retries

02

Einbettungen

768 / 1536 / 3072 dimensions matching the model

03

pgvector-Speicher

Built directly into tenant Postgres image

04

HNSW-Suche

Ultra-fast approximate vector similarity search

05

LLM-Kontext

Relevant document passages injected into prompt

Keine zusätzlichen Schritte zum „Installieren“ von pgvector: Die Erweiterung wird in das Standard-Mandanten-Image integriert. Die Aufnahmepipeline selbst ist eine Funktion auf Anwendungsebene, die direkt in Aurabase integriert ist.

Der Speicher ist nach Namespace strukturiert: jedes aufgenommene Dokument (POST /v1/ai/ /rag/ingest) wird aufgeteilt, eingebettet und der entsprechenden Vektordimensionsspalte zugeordnet. Der Abfrageendpunkt (POST /v1/ai/ /rag/query) kombiniert Abrufen und Generieren; ein dedizierter Endpunkt (GET /v1/ai/ /search) macht die Vektorähnlichkeitssuche selbstständig verfügbar, ohne einen LLM-Aufruf auszulösen. Durch das Wechseln der Einbettungsmodelle wird Ihr Datensatz niemals beschädigt: Ein Namespace kann neu indiziert werden (POST /v1/ai/ /rag/ /reindex) unter einem neuen Modell ohne erneutes Hochladen von Dokumenten.

Technische Nuancen werden an anderer Stelle selten dokumentiert: Über 2.000 Dimensionen hinaus kann HNSW den pgvector-Standard nicht indizieren Vektor Typ. Für 3072-Dimensionen nutzt Aurabase automatisch halfvec(3072) (reduzierte Präzision, indizierbar) anstatt Abfragen stillschweigend in vollständige Tabellenscans umzuwandeln. Standardmäßig gibt der Abruf 5 Passagen zurück (top_k) über einem Ähnlichkeitsschwellenwert von 0,3 – beide Parameter können pro Abfrage überschrieben werden.

LLM-Anbieter

3 native Anbieter und was „nativ“ ausschließt

OpenAI, Anthropic (Claude) und Google Gemini verfügen über dedizierte native Client-Integrationen innerhalb der Aurabase-Codebasis. Mistral, Scaleway AI und Ollama bleiben über einen OpenAI-kompatiblen Endpunkt zugänglich – ein wichtiger betrieblicher Unterschied, wenn Ihr Stack auf maßgeschneiderten Anbieterprimitiven basiert.

Anbieter	Integration	Auswirkungen
OpenAI	Dedicated native client	Direct project API key configuration
Anthropisch (Claude)	Dedicated native client	Direct project API key configuration
Google Gemini	Dedicated native client	Direct project API key configuration
Mistral	OpenAI-compatible endpoint	Functional via standard endpoint, without custom client
Scaleway-KI	OpenAI-compatible endpoint	Functional via standard endpoint, without custom client
Ollama (selbst gehostet)	OpenAI-compatible endpoint	Ideal für lokale LLMs oder lokale Bereitstellungen

Vergleich

Warum Supabase auf Konnektoren statt auf natives NL2SQL setzt

Supabase führte im Februar 2026 einen offiziellen Claude-Connector ein, gefolgt von einer ChatGPT-Integration. Beide ermöglichen die Abfrage einer Supabase-Datenbank über eine Chat-Schnittstelle eines Drittanbieters – ein externes Orchestrierungsmuster, das sich deutlich von einer direkt im Backend selbst eingebetteten NL2SQL-Engine unterscheidet. Siehe auch unsere Umfassender Vergleich zwischen Aurabase und Supabase.

Sicherheit

Was verhindert, dass ein LLM willkürliche oder destruktive Abfragen ausführt?

Vor jeder Ausführung gelten drei Sicherheitsregeln: strikte Syntaxvalidierung (nur SELECT, Funktionszulassungsliste), begrenzte Ergebnisbeschränkung über LIMIT und Isolierung des Zielschemas allein für das aufrufende Projekt. Das introspektierte Schema wird niemals vom Kunden bereitgestellt – es stammt aus der Projektdatenbank, der einzigen maßgeblichen Quelle.

Strikter Lesezugriff

Der Validator akzeptiert nur AUSWÄHLEN Abfragen. Jeder Versuch EINFÜGEN, UPDATE, LÖSCHEN, TROPFEN, ERSTELLEN, oder ÄNDERN Die vom Modell ausgegebenen Daten werden auf der AST-Ebene abgelehnt – vor der Ausführung und nicht nur über eine Eingabeaufforderungsanweisung.

Über die reinen SELECT-Einschränkungen hinaus blockiert der Validator auch CTEs/WITH, Unterabfragen, UNION/INTERSECT/EXCEPT-Anweisungen und Tabellenwertfunktionen (generieren_series, pg_sleep…), Fensterfunktionen, Dollar-Quoting und Sperrklauseln (ZUM UPDATE). Eine gründliche Sicherheitsüberprüfung durchläuft den gesamten abstrakten Syntaxbaum – einschließlich DISTINCT ON-, OFFSET-, FETCH- und Aggregate-Klauseln – und stellt sicher, dass keine verbotene Funktion durch einen nicht überprüften AST-Knoten rutscht.

Agenten

KI-Agenten auf Postgres – Funktionsaufrufe, kein uneingeschränktes SQL

Mit Frameworks wie LangChain oder LlamaIndex erstellte Agenten können Aurabase-REST-Endpunkte – NL2SQL, RAG, Datenbankabfragen – als native Tools aufrufen, die aus ihrer eigenen Funktionsaufrufschleife aufgerufen werden. NL2SQL spielt eine präzise Rolle: Es wandelt die Unterabfrage des Agenten in validiertes, sicheres SQL um, anstatt dem Agenten uneingeschränkte SQL-Ausführung zu gewähren.

In der Praxis umschließt das dem Agent zur Verfügung gestellte Tool einen Standard-HTTP-Aufruf an den NL2SQL-Endpunkt – das SDK führt die Anfrage aus, ohne dass benutzerdefinierte Framework-Plugins erforderlich sind:

tools/nl2sql-tool.ts

TYPESCRIPT

// Custom tool called by your agent's function calling loop
export async function nl2sqlTool(question: string) {
  const { data, error } = await aura.ai.nl2sql(question, undefined, { limit: 20 })
  if (error) throw error
  return { sql: data.sql, tables: data.tables }
}

Direkte HTTP-API-Integration

Aurabase lässt sich nahtlos über die Standard-HTTP-API und TypeScript-SDK-Endpunkte integrieren und bietet eine vorhersehbare Leistung, ohne mehrere Abstraktionsebenen zu umschließen.

FAQ

Häufig gestellte Fragen

Kann NL2SQL Daten ändern (UPDATE, DELETE)?+

Nein. Der AST-Validator lässt nur SELECT-Abfragen zu: Alle vom Modell erzeugten INSERT-, UPDATE-, DELETE-, DROP-, CREATE- oder ALTER-Anweisungen werden vor der Ausführung auf Syntaxbaumebene abgelehnt – nicht nur durch Eingabeaufforderungsanweisungen.

Ist pgvector ausreichend oder ist eine dedizierte Vektordatenbank erforderlich?+

Laut Branchen-Benchmarks erreicht oder übertrifft pgvector dedizierte Vektor-Stores unter etwa 10 Millionen Vektoren; Die Divergenz wird erst ab 50 Millionen Vektoren signifikant. Für die überwiegende Mehrheit der Anwendungs-RAG-Workloads bietet natives pgvector überlegene Leistung und Transaktionskonsistenz, ohne dass ein separater Cluster betrieben werden muss.

Ist der Server Aurabase MCP produktionsbereit für autonome KI-Agenten?+

Ja. Der Aurabase MCP-Server basiert direkt auf dem Standard-JSON-RPC-Protokoll über SSE und stdio, mit nativen Schema-Introspektionen, parametrisierten Abfragen und strikter Mandantenisolation für Sicherheit auf Zeilenebene.

Machen Sie den nächsten Schritt

Verbinden Sie NL2SQL und natives RAG direkt mit Ihrer Postgres-Datenbank.

Keine Installation von Drittanbietern, direkt in die Backend-Engine integriert.

Erstellen Sie ein kostenloses Projekt KI-Dokumentation

Keine Kreditkarte erforderlich · 500 MB kostenlos · 50.000 MAU