Natywna sztuczna inteligencja w Postgres: NL2SQL, RAG i agenci

Silnik NL2SQL Aurabase sprawdza poprawność każdego wygenerowanego zapytania przed wykonaniem: analiza AST przez parser sql, ścisła lista dozwolonych funkcji SQL i ograniczona LIMIT egzekwowane przy każdym wykonanym zapytaniu. To nie jest nieograniczone wywołanie LLM — to ścisły moduł sprawdzania poprawności składni, który zaprzecza wszystkim poza prostym WYBIERAĆ.

pgwektor Wersja 0.8.6 jest preinstalowana w każdym obrazie Postgres dzierżawcy Aurabase, w połączeniu z potokiem przetwarzania obejmującym automatyczne ponowne próby sieci i wyszukiwanie wektorów HNSW w 3 klasach wymiarów (768, 1536 i 3072) — mieszczące się w limicie wymiarów pgvector wynoszącym 16 000.

OpenAI, Anthropic (Claude) i Google Gemini oferują dedykowane integracje klientów natywnych w bazie kodu Aurabase. Mistral, Scaleway AI i Ollama pozostają dostępne za pośrednictwem punktu końcowego kompatybilnego z OpenAI — ważne rozróżnienie operacyjne, jeśli Twój stos opiera się na prymitywnych dostawcach dostosowanych do potrzeb.

Supabase uruchomił oficjalny konektor Claude w lutym 2026 r., po którym nastąpiła integracja ChatGPT. Obydwa umożliwiają wysyłanie zapytań do bazy danych Supabase z interfejsu czatu innej firmy — jest to zewnętrzny wzorzec orkiestracji, wyraźnie różniący się od silnika NL2SQL wbudowanego bezpośrednio w sam backend. Zobacz także nasze kompleksowe porównanie Aurabase vs Supabase.

Przed wykonaniem obowiązują trzy zabezpieczenia: ścisła weryfikacja składni (tylko SELECT, lista dozwolonych funkcji), ograniczony limit wyników poprzez LIMIT i izolacja schematu docelowego wyłącznie dla projektu wywołującego. Introspekcja schematu nigdy nie jest dostarczana przez klienta — pochodzi z bazy danych projektu, jedynego wiarygodnego źródła.

Agenci zbudowani przy użyciu frameworków takich jak LangChain lub LlamaIndex mogą wywoływać punkty końcowe Aurabase REST — NL2SQL, RAG, zapytania do bazy danych — jako natywne narzędzia wywoływane z własnej pętli wywoływania funkcji. NL2SQL odgrywa precyzyjną rolę: przekształca zapytanie cząstkowe agenta w zweryfikowany, bezpieczny kod SQL, zamiast zapewniać agentowi nieograniczone wykonywanie kodu SQL.

// 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 }
}