人工智能为您编写SQL。sqlsure确保它是正确的。一个查询可以是完全有效的，可以无错误运行，并返回一个默默错误的数字——由于连接而导致的收入重复计算、一个求平均的和、一个患者标识符暴露。数据库无法捕捉到这一点。代码检查工具无法捕捉到这一点。审查自己SQL的LLM也无法捕捉到这一点。sqlsure可以——确定性地，在0.1毫秒内，在查询运行之前。证据，而不是承诺：我们对每个文本到SQL模型进行评分的两个基准的黄金答案运行了sqlsure。2568个专家编写的查询，45个标志，零假警报——包括一个BIRD开发的黄金答案，它在sqlsure针对的确切错误类别中被证明错误8倍，以及一个已上报的模式缺陷。它是如何工作的sqlsure根据您的团队已经声明的事实来判断SQL——dbt唯一测试变成粒度，关系测试变成连接基数，一行元标签标记可以安全求和的内容。不需要学习新语言，也不需要手动维护模型。规则是字典查找，而不是LLM调用：相同的输入，每次都得到相同的裁决，离线处理。每次拒绝都会带有可机器操作的修复，因此AI代理自我修复：草拟→检查→修复→检查→执行。在我们的基准测试中，逐字应用修复有效率达到10/10次。快速入门使用pip安装sqlsure从sqlsure导入SemanticModel，检查违规 = 检查(sql，model) # []意味着语义安全或者克隆并运行30秒的演示：python check.py # 拒绝5个错误查询，1个批准——带有修复的python -m sqlsure.scan path/to/dbt-repo --report report.md # 审核任何dbt库 三个门，一个引擎 1. CI门——当PR重复计算时阻止合并：python -m sqlsure.cli --model model.json query.sql # 在违规时退出1 2. MCP服务器——您的AI代理必须在执行前通过检查：claude mcp add sqlsure -- python -m sqlsure.mcp_server --model /abs/path/model.json 请查看docs/MCP.md以获取工具参考和代理循环模式。 3. 库——在任何文本到SQL产品或代理框架中嵌入check()。一个嵌入式SemanticGate包装Vanna/WrenAI风格的生成器；一个语义评估指标对NL2SQL输出进行评分，其中执行精度是盲目的。 规则（v0.1） 规则 严重性 捕获 FANOUT错误 在一对多连接后可加性度量的SUM/COUNT CHASM错误 两个或多个粉碎连接互相相乘 ADDITIVITY错误 非可加测量的SUM（比率、平均值） SEMI_ADDITIVE错误 在其快照维度上的余额/普查求和 JOIN_KEY错误 在没有声明关系的列上连接 CROSS_JOIN错误 没有谓词的连接 WEIGHTED_AVG警告 平均值在粉碎中悄悄重新加权 UNDECLARED_JOIN警告 在没有声明关系的连接（无法验证 ≠ 安全） SENSITIVE_COLUMN政策 PHI/PII列在查询输出中暴露 当sqlsure无法验证某件事时，它会说“无法验证”——绝不会“看起来不错”。诚实的不确定性是一种特性。 信任属性 确定性——相同的SQL + 相同的规则书 = 相同的裁决，总是；规则是字典查找，可以逐行审计 离线——零网络调用；您的SQL永远不会离开您的机器 无数据访问——解析查询文本；从不连接到数据库 无遥测——从不收集任何信息（SECURITY.md） 供应链——发布仅通过PyPI 分发 从带有公共CI运行的标记提交中信任的发布(OIDC)；两个运行时依赖项 规则书的来源 dbt（今天有效）：manifest.json或schema.yml——团队已经编写的测试变为可执行语义，零配置 普通的PK/FK声明（今天有效——推动基准审计） 现场数据库本身（今天有效）：根本没有语义层？sqlsure.introspect从目录构建规则书——SQLite PRAGMAs或信息模式PK/FK（postgres/mysql）。检查BIRD自己的数据库文件恢复了基准已发布架构中缺失的2个外键（bird-bench/mini_dev#37）来自sqlsure。 introspect导入model_from_sqlite model = model_from_sqlite(“app.db”) # PK -> 粒度，FK -> 连接边 Hand-written JSON——model.example.json OSI和WrenAI MDL（工作加载项在integrations/）：OSI在规范发布的示例上进行了演示；WrenAI MDL在WrenAI自己的发布示例清单上进行了演示——primaryKey → 粒度，关系 joinType + 条件 → 连接边，立方体措施 → 可加性 立方体，Snowflake 语义视图——路线上适配器；引擎仅见一个SemanticModel 在16/16规则测试中验证，100%召回率/0%假阳性在配对基准上（docs/METRICS.md） 真实生产库（Mattermost 的仓库，Fivetran 包，dbt 的jaffle shop）— docs/TEST-REPORTS.md Spider + BIRD黄金查询——上述零噪声外部审计 了解更多 docs/EVIDENCE.md — 它为您做了什么，每项声明链接到可重跑的测量 docs/ARCHITECTURE.md — 它是如何物理工作的，ELI5 → 神级，带有真实的中间输出 docs/FOR-DUMMIES.md — 从零开始的每个概念 docs/INTEGRATIONS.md — GitHub行动、预提交，MCP，S