一句话看懂：一个名为 Sqlsure 的开源工具公开发布，专门用于检测 AI 生成的 SQL 语句中由“扇出双倍计数”（fan-out double-counting）引发的错误。在 Spider 和 BIRD 两大权威 SQL 基准测试的 2568 条人工编写标准答案中，它成功标记出 45 条有误语句，且无一误报，甚至依据自己检查出的错误证明了 BIRD 官方标准答案存在 8 倍的计数偏差。
事件核心：发生了什么
Sqlsure 是针对一个特定但高发的 SQL 语义漏洞——当多表 JOIN 出现在含有聚合函数（如 SUM）的查询中时，SUM 的值会因关联的行数倍增而被成倍放大，导致查询语法正确但结果完全错误。这种错误在 AI 生成的 SQL 中尤为常见，且传统测试方法难以捕捉。Sqlsure 利用现成的数据模型规则文件（如 dbt 的 unique/relationships 测试、主外键声明或 OSI 语义模型 YAML）作为规则书，对 SQL 进行确定性语义检查。它提供了三种使用方式：作为 CI 管线中的命令行工具（CLI）、作为 MCP 服务器供 AI Agent 调用（在 Agent 执行查询前先调用 check_sql，若拒绝则返回机器可读的修复提示——作者在基准测试中验证，按提示逐字修改即可 10/10 一次性修复问题），以及作为 Python 库集成到现有的 Text-to-SQL 生成器中。该项目于近日在 Hacker News 上通过 Show HN 形式公开。
为什么重要
当前 AI 生成 SQL 的主要瓶颈已从“能否写出来”转向“写出来是否可靠”。Text-to-SQL 模型在数百个基准测试中报告了极高的准确率，但这些基准测试大多依赖与训练数据同源的受限数据集。Sqlsure 的发现表明，即便在专家编写的“金牌”答案中也存在严格的数据语义错误，且这些错误在传统基准评估中完全不可见。该工具提供了一种可添加到 CI 流程中的确定性检查机制，使得 AI Agent 在执行数据库写入或报表查询前，能自动拦截特定类别的高危语义错误。这直接解决了 AI 生成代码在实际生产环境中“不可信”的核心痛点，尤其对将 AI 嵌入数据分析、BI 工具和自动化工作流的团队具有实用价值。
对用户/开发者/创作者的影响
对于正在使用或计划使用 AI 来生成 SQL 报表查询的数据团队和 BI 工具开发者，Sqlsure 提供了一种零成本的预检手段。开发者只需将现有的主外键约束声明或 dbt 测试文件配置为规则书，即可在 CI 管线（使用 CLI）或在 Agent 调用（使用 MCP 服务器）中部署检查。对于 AI Agent 的开发者而言，MCP 接口返回的修复提示经过验证具有极高的可用性（10/10一键修复），这意味着可以构建“先生成 SQL → 自动检查 → 自动修复 → 再执行”的闭环，极大降低运维事故风险。对于普通用户在生成报表或数据看板时，该工具能够避免因为查询错误而导致报表数据“无端翻倍”这类难以追踪的静默数据错误。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Sqlsure 是否会被主流 Text-to-SQL 框架（如 LangChain、Vanna、DB-GPT）官方集成或推荐作为标准预检流程。第二，该工具仅针对“扇出型双倍计数”这类聚合 JOIN 错误，未来是否扩展到更多种类的语义错误（如 NULL 处理、WHERE 逻辑遗漏），以及规则书是否支持更丰富的业务规则描述。第三，Sqlsure 在 Spider 和 BIRD 基准测试中揭示了官方标准答案的确实错误，这一发现是否会被基准维护方采纳并修订，从而推动基准测试本身的质量提升。
来源：hackernews
