> SQL Databases _

Оптимизируйте структуру SQL-базы данных с помощью автоматизированного проектирования таблиц. Этот модуль предоставляет четкие правила и рекомендации для создания эффективных и масштабируемых схем данных, обеспечивая целостность и производительность ваших приложений. Избегайте распространенных ошибок проектирования и ускорьте разработку, следуя проверенным практикам. Проектирование таблиц основано на принципах нормализации до 3NF, с последующей, обдуманной денормализацией только в случаях, когда это оправдано улучшением производительности запросов к базе. Используйте BIGINT GENERATED ALWAYS AS IDENTITY для первичных ключей, TIMESTAMPTZ для хранения времени событий и NUMERIC для денежных значений, чтобы обеспечить точность и эффективность. Модуль помогает создавать надежные реляционные СУБД, оптимизируя пути доступа к данным с помощью индексов и обеспечивая семантическую целостность с помощью ограничений NOT NULL и DEFAULT. Внедрите лучшие практики для повышения производительности и упрощения обслуживания вашей базы данных PostgreSQL.

Оптимизируйте производительность вашей SQL-базы данных с помощью postgres-best-practices – практичного руководства от Supabase. Этот ресурс содержит проверенные рекомендации по оптимизации структуры и запросов к базе, что критически важно для эффективной работы реляционной СУБД. postgres-best-practices охватывает восемь ключевых категорий, ранжированных по степени влияния на производительность, включая оптимизацию запросов к базе, управление подключениями и вопросы безопасности, включая Row-Level Security (RLS). Используйте эти правила при проектировании схем, создании индексов и решении проблем с производительностью. Этот установленный из GitHub набор лучших практик предоставляет четкие инструкции для автоматизации оптимизации и проектирования схемы, обеспечивая максимальную эффективность вашей реляционной СУБД. Идеально подходит для тех, кто работает с SQL-базой данных и стремится к повышению её производительности.

Решение сложных задач извлечения данных из баз данных, особенно SQL, требует специализированного подхода. Этот модуль предоставляет AI-агент, построенный на базе LangChain и LangGraph, для автоматизации и оптимизации процесса написания запросов, разбивая их на управляемые этапы и упрощая взаимодействие с данными. Он эффективно использует возможности искусственного интеллекта для анализа структуры базы данных и генерации оптимальных запросов. Модуль включает в себя планировщик для декомпозиции сложных запросов, файловую систему для доступа к данным и возможность создания под-агентов для решения специфических задач. Это позволяет обрабатывать запросы, требующие объединения данных из нескольких таблиц и выполнения сложных агрегаций, значительно повышая эффективность работы с SQL базами данных. Использование большой языковой модели обеспечивает гибкость и адаптивность к различным типам запросов. Ключевые особенности включают в себя автоматическое определение необходимых таблиц, построение структуры JOIN на основе связей между таблицами и генерацию запросов с учетом фильтров, группировок и сортировки. Результатом является повышение производительности и снижение вероятности ошибок при работе с данными, благодаря автоматизации процесса написания запросов и использованию принципов Agentic AI.

What-If Oracle – это open-source решение для структурированного анализа альтернативных сценариев развития событий. Инструмент позволяет моделировать сложные системы, визуализировать разветвленные временные линии и оценивать последствия различных решений, обеспечивая глубокое понимание потенциальных будущих состояний. Он особенно полезен для исследователей и специалистов, которым необходимо учитывать неопределенность и принимать обоснованные решения в условиях высокой волатильности. В основе What-If Oracle лежит парадигма "What-If Statement", рассматривающая спекулятивные вопросы как фундаментальную операцию моделирования. Используя Python и интеграцию с Claude AI, система позволяет пользователям формулировать точные вопросы, разбивать сложные компоненты на более мелкие и создавать детализированные модели. Это инструмент разработчика, предназначенный для решения задач в области биоинформатики и научных вычислений. What-If Oracle способствует автоматизации процесса анализа сценариев, позволяя быстро создавать и оценивать множество альтернативных будущих состояний. Функциональность включает в себя построение карт временных линий, визуализацию вероятностей и анализ влияния различных факторов. Подробное описание принципов и методологии представлено в опубликованных научных работах (DOI: 10.5281/zenodo.18736841, DOI: 10.5281/zenodo.18807387).

MongoDB – это мощное open-source решение для хранения и обработки данных, предназначенное для современных приложений, требующих гибкости и масштабируемости. Оно позволяет разработчикам создавать приложения с нетрадиционной структурой данных, эффективно решая задачи, связанные с хранением больших объемов информации и обеспечением высокой производительности. Как инструмент разработчика, MongoDB предоставляет богатый набор функций для работы с данными, включая поддержку различных типов данных, индексирование, агрегацию и репликацию. Оптимизация схем и запросов, а также эффективное управление развертыванием – ключевые аспекты успешной работы с этой базой данных. Автоматизация рутинных операций, таких как управление MongoDB развертываниями и оптимизация запросов, значительно упрощает администрирование и повышает эффективность работы команды. Использование explain("executionStats") позволяет выявлять и устранять узкие места в производительности, гарантируя оптимальную работу приложения.

postgres-expert – это open-source решение для автоматизации и оптимизации работы с базами данных PostgreSQL. Проект предоставляет комплексный инструмент разработчика, использующий искусственный интеллект для решения сложных задач, связанных с проектированием схем, оптимизацией запросов и настройкой производительности. В основе postgres-expert лежит фреймворк агентов, позволяющий автоматизировать рутинные операции, такие как создание индексов, проектирование схем и оптимизация SQL запросов. Использование LLM обеспечивает интеллектуальный анализ и адаптацию к специфическим требованиям вашей инфраструктуры. Благодаря автоматизации задач, связанных с PostgreSQL, postgres-expert позволяет командам разработчиков и администраторов баз данных сосредоточиться на стратегических задачах, значительно повышая эффективность и снижая операционные издержки.

OpenCode Bridge решает проблему затрудненного взаимодействия между OpenCode и клиентскими приложениями, предоставляя эффективный инструмент для командной разработки игр и геймдева. Он обеспечивает удобный доступ к данным и упрощает коммуникацию, предлагая альтернативу решениям, требующим более сложной настройки. Модуль использует Rust, SQLite, JSON и Tauri для реализации трех ключевых механизмов: вызов CLI для выполнения запросов, прямой доступ к базе данных SQLite для управления сессиями и сообщениями, а также MCP bridge для двусторонней связи в реальном времени. Это позволяет интегрировать OpenCode в существующие рабочие процессы и игровой движок. Благодаря CLI вызову, доступу к базе данных и MCP bridge, OpenCode Bridge позволяет разработчикам эффективно управлять сессиями, получать данные и обеспечивать взаимодействие в реальном времени, что существенно ускоряет процесс разработки игр и геймдева.

Surreal-Sync решает проблему архивации и резервного копирования данных, обеспечивая полное и инкрементное обновление информации со множества источников в SurrealDB. Инструмент позволяет централизованно хранить все версии навыков, представленных на платформах, таких как clawhub.com, гарантируя целостность и доступность данных. В основе работы лежат механизмы Change Data Capture (CDC) для эффективной синхронизации. Surreal-Sync – это CLI-инструмент, поддерживающий различные источники данных, включая MongoDB, MySQL, PostgreSQL, Neo4j и файлы JSONL. Для работы с PostgreSQL доступны методы на основе триггеров и логической репликации (с плагином wal2json). Синхронизация данных осуществляется как полным перебором, так и инкрементным способом, что позволяет оптимизировать процесс и минимизировать нагрузку на исходные базы данных. Поддерживается работа с Apache Kafka с дедупликацией сообщений. Инструмент использует SQL-база данных для хранения информации о состоянии синхронизации и позволяет выполнять сложные запросы к базе для мониторинга и управления процессом. Surreal-Sync предоставляет гибкие возможности для работы с реляционной СУБД и другими типами хранилищ, обеспечивая надежную и масштабируемую систему резервного копирования и синхронизации данных, включая данные из openclaw.

OpenViking представляет собой базу данных контекста, предназначенную для AI-агентов, решающую проблему фрагментации данных, характерную для традиционных векторных хранилищ. Она предлагает унифицированную файловую систему для иерархической доставки контекста и управления сессионной памятью, что существенно повышает эффективность работы большой языковой модели. OpenViking обеспечивает структурированное хранение информации в L0/L1/L2 иерархии, позволяя осуществлять наблюдаемые траектории извлечения данных и поддерживать саморазвивающуюся сессионную память. Используя Python, Rust, Go и JSON, база данных интегрируется с OpenAI API для оптимизации взаимодействия с искусственным интеллектом. Установка OpenViking включает в себя установку Python пакета через pip или опциональную Rust CLI. Требования к окружению включают Python 3.10+, Go 1.22+ и GCC 9+/Clang 11+ для расширений ядра, обеспечивая надежную и масштабируемую платформу для разработки AI-агентов.

Упростите создание и управление серверами MCP (Managed Custom Process) с помощью create-mcp-server. Этот инструмент решает проблему избыточного потребления токенов при интеграции AI-агентов, позволяя создавать постоянные серверы для повторного использования. Работа с ним значительно экономит ресурсы и оптимизирует взаимодействие агентов с вашими сервисами. create-mcp-server – это удобная терминальная утилита и CLI-инструмент, написанная на Go и использующая mcpheroctl для автоматизации процесса настройки и управления серверами MCP. Инструмент предлагает автоматическое предложение инструментов и обеспечивает создание постоянных серверов, что упрощает интеграцию и повышает эффективность. Для работы с create-mcp-server требуется установленный и аутентифицированный mcpheroctl. Используйте командную строку для запуска и управления серверами, значительно сокращая затраты на токены и оптимизируя взаимодействие AI-агентов с вашими приложениями.

Concierge SDK решает проблему разработки и развертывания серверов Model Context Protocol (MCP) и агентных приложений, предоставляя комплексный фреймворк и инструменты для упрощения этого процесса. Он позволяет быстро создавать и интегрировать инструменты, необходимые для взаимодействия с AI агентами, обеспечивая гибкость и масштабируемость. В основе Concierge SDK лежит Python и включает в себя фреймворк для создания MCP серверов, декораторы для инструментов и интеграцию с бэкендом состояний (например, PostgreSQL). Для удобства работы предусмотрена командная строка и терминальная утилита, что позволяет эффективно управлять сервером и инструментами, используя CLI-инструмент. Используя Concierge SDK, разработчики могут легко создавать как простые серверы с базовыми инструментами, так и сложные приложения с динамической перезагрузкой инструментов и поддержкой состояний. Технологии, такие как FastMCP и Sentence Transformers, обеспечивают высокую производительность и эффективность.

test-with-postgres обеспечивает надежную среду для автоматизированного тестирования, требующего SQL-база данных. Модуль упрощает интеграцию с PostgreSQL, позволяя разработчикам сосредоточиться на создании качественного децентрализованного облачного хранилища object-storage Storj v3. Он решает проблему необходимости сложной настройки окружения для модульного тестирования. Для запуска тестов требуется работающая реляционная СУБД PostgreSQL. Модуль предоставляет скрипты для автоматического запуска контейнера Docker с PostgreSQL, включая создание тестовой базы данных teststorj. Альтернативно, можно использовать скрипт testsuite/postgres-dev.sh для автоматической настройки окружения. Тестирование включает выполнение запросов к базе и проверку корректности работы компонентов. Модуль предназначен для использования в среде разработки и автоматизированной сборки, обеспечивая воспроизводимость результатов и стабильность процесса тестирования.

Serverpod-database предоставляет удобный и эффективный способ работы с SQL-база данных в экосистеме Flutter и Dart. Модуль интегрирован в Serverpod, обеспечивая бесшовную разработку серверных приложений и веб-сервисов, ориентированных на мобильные платформы. Автоматическая генерация ORM кода на основе моделей, определенных в .spy.yaml, значительно упрощает взаимодействие с данными. Функциональность модуля включает в себя полный набор операций CRUD (Create, Read, Update, Delete) для работы с данными. Вы можете легко выполнять запросы к базе с использованием интуитивно понятного API, который позволяет создавать сложные фильтры и агрегации. Поддерживается работа с реляционная СУБД типа PostgreSQL. Преимуществом является возможность использования fluent API для фильтрации данных, что позволяет создавать сложные условия поиска, включая сравнения, проверки на равенство и наличие/отсутствие связанных записей. Автоматическая генерация кода и удобный API делают Serverpod-database отличным выбором для разработчиков, стремящихся к высокой производительности и удобству при работе с данными.

Оптимизируйте производительность и безопасность ваших SQL-база данных. Этот ресурс предоставляет проверенные рекомендации по написанию эффективных запросов к базе и обеспечению целостности данных в реляционной СУБД. Избегайте распространенных ошибок, влияющих на скорость работы и стабильность системы. Ключевые аспекты включают в себя улучшение качества запросов к базе посредством использования общих табличных выражений (WITH) для повышения читаемости, ранней фильтрации данных с помощью предложения WHERE перед JOIN, а также анализа планов выполнения запросов с помощью EXPLAIN и EXPLAIN ANALYZE. Обеспечьте безопасность SQL-база данных с помощью параметризованных запросов к базе, транзакций для критических операций и тщательного тестирования изменений в непроизводственной среде. Придерживайтесь стандартизированных соглашений об именовании, таких как snake_case, для повышения согласованности и удобства сопровождения реляционной СУБД.

DBHub – это MCP-сервер, разработанный для эффективной работы с SQL-база данных, обеспечивающий минимальную зависимость и экономию токенов при взаимодействии с реляционной СУБД. Он поддерживает популярные системы управления базами данных, включая Postgres, MySQL, SQL Server, MariaDB и SQLite, позволяя разработчикам и аналитикам быстро получать доступ к данным и выполнять сложные запросы к базе. Использование DBHub предполагает последовательность действий: сначала исследование структуры базы данных с помощью инструмента search_objects, затем выполнение SQL запросов с помощью execute_sql. Такой подход, известный как "explore-then-query", позволяет избежать распространенных ошибок, связанных с неполным пониманием схемы, и оптимизировать использование токенов. Для работы с несколькими базами данных DBHub предоставляет отдельные инструменты, например, search_objects_prod_pg и execute_sql_staging_mysql, что позволяет точно выбирать источник данных. Этот подход гарантирует точность и эффективность при работе с различными реляционными СУБД и SQL-база данных.

— name: blockchain-indexing description: Index blockchain data (blocks, transactions, logs, tokens) to PostgreSQL/SqlServer/SQLite with progress tracking, reorg handling, and hosted services (.NET/C#). Use this skill when the user asks about blockchain indexing, block processing, event log crawling, database storage for blockchain data, token transfer indexing, balance aggregation, or chain reorganisation handling. user-invocable: true — # […]

postgis-skill – это набор практических навыков и инструментов для эффективной работы с пространственными данными в SQL-базе данных PostGIS, расширении для реляционной СУБД PostgreSQL. Он позволяет решать сложные задачи геопространственного анализа и управления данными, обеспечивая высокую производительность и точность. Модуль акцентирует внимание на написании понятного и документированного SQL-кода, включая подробные комментарии к каждому запросу и временным таблицам (CTE). Это гарантирует возможность воспроизведения и понимания логики работы в будущем, а также упрощает отладку и поддержку. Использование PL/pgSQL и функций PostGIS, таких как ST_Segmentize, позволяет создавать сложные пространственные операции. Особое внимание уделяется оптимизации производительности, включая создание BRIN-индексов для больших таблиц и использование опции including для ускорения поиска по ключевым полям. Вся документация поддерживается в актуальном состоянии, что облегчает интеграцию и использование модуля в различных проектах, связанных с геоинформационными системами (GIS) и пространственными запросами к базе.

Разработка функциональности для проектирования структуры базы данных. Автоматическое включение навыка для разработки серверной части. Применимо к: проектировщику структуры базы данных. Является частью категории навыков "Разработка серверной части". Используйте, когда работаете с функциональностью проектировщика структуры базы данных. Активируется фразами, такими как "проектировщик структуры базы данных", "проектировщик баз данных", "база данных".

Этот процесс используется, когда вам необходимо работать над проектированием структуры базы данных. Этот навык предоставляет всестороннее руководство и автоматизацию для проектирования структуры и внесения изменений в нее. Активируется фразами, такими как "разработать структуру", "создать миграцию" или "моделировать базу данных".

Этот процесс используется, когда вам необходимо работать со сравнением схем. Этот инструмент предоставляет возможность сравнения и синхронизации схем баз данных с подробными инструкциями и автоматизацией. Активируйте его с помощью таких фраз, как "сравнить схемы", "получить разницу между базами данных" или "синхронизировать схемы баз данных".

Этот процесс используется, когда вам необходимо работать с индексами базы данных. Этот навык предоставляет всесторонние рекомендации и автоматизацию для проектирования и оптимизации индексов. Активируется фразами, такими как "создать индексы", "оптимизировать индексы" или "улучшить производительность запросов".

Этот процесс используется, когда вам необходимо выполнять операции с базами данных. Этот навык предоставляет комплексное руководство и автоматизацию для управления и оптимизации баз данных. Активируется фразами, такими как "управление базой данных", "оптимизация базы данных" или "конфигурация базы данных".

Оптимизация операций оптимизатора SQL-запросов. Автоматически активируется для навыка "Анализ данных". Применяется к: оптимизатору SQL-запросов. Является частью категории навыков "Анализ данных". Используйте, когда работаете с функциональностью оптимизатора SQL-запросов. Активируется при использовании фраз, таких как "оптимизатор SQL-запросов", "SQL-оптимизатор", "SQL".

Используйте эту функцию, когда вам необходимо работать с моделированием данных NoSQL. Эта функция предоставляет комплексные рекомендации и автоматизацию для проектирования баз данных NoSQL. Активируйте ее с помощью фраз, таких как "моделирование данных NoSQL", "проектирование структуры документов" или "оптимизация схемы NoSQL".

Ускорьте разработку и оптимизируйте производительность приложений, снизив нагрузку на SQL-базу данных. Redis-cache-manager автоматизирует управление кэшем, позволяя избежать часто возникающих проблем при работе с большим количеством запросов к базе и обеспечивая более быстрый отклик. Интеграция с реляционной СУБД становится более эффективной благодаря интеллектуальному управлению кэшем. Модуль предоставляет пошаговые инструкции, готовые конфигурации и соблюдение отраслевых стандартов, что упрощает развертывание и поддержку в производственной среде. Автоматизируйте рутинные задачи, генерируйте готовый к использованию код и конфигурации, а также получайте рекомендации по лучшим практикам. Redis-cache-manager – это надежный инструмент для разработчиков, стремящихся к оптимизации производительности и снижению затрат на обслуживание инфраструктуры.

Визуализатор схемы базы данных – это инструмент, позволяющий наглядно представить структуру SQL-базы данных и реляционной СУБД. Он упрощает понимание взаимосвязей между таблицами и атрибутами, что особенно полезно при работе со сложными схемами и оптимизации запросов к базе. Инструмент автоматизирует процесс создания диаграмм, отображающих структуру данных, включая типы данных, ключи и связи. Это значительно ускоряет анализ и разработку, снижая вероятность ошибок при внесении изменений в существующую структуру. Предоставляет готовые конфигурации и пошаговые инструкции, соответствующие отраслевым стандартам, для создания и управления визуализациями, что облегчает интеграцию в существующие процессы разработки и развертывания.

Используйте эту функцию для переноса определенных таблиц PostgreSQL в гипертаблицы Timescale/TimescaleDB с оптимальной конфигурацией и последующей проверкой. **Активируется, когда пользователь запрашивает:** - Перенос или преобразование таблиц PostgreSQL в гипертаблицы. - Выполнение переноса в гипертаблицы с минимальным временем простоя. - Планирование переноса с использованием стратегии "синий-зеленый" для больших таблиц. - Проверка успешности переноса в гипертаблицу. - Настройка сжатия после переноса. **Предварительные условия:** Таблицы уже определены как потенциальные кандидаты (используйте сначала функцию "find-hypertable-candidates", если это необходимо). **Ключевые слова:** перенос в гипертаблицу, преобразование таблицы, Timescale, TimescaleDB, перенос с использованием стратегии "синий-зеленый", перенос на месте, create_hypertable, проверка переноса, настройка сжатия. Пошаговое планирование переноса, включая: выбор столбца для разделения, расчет интервала чанков, обработку первичных ключей/ограничений, выполнение переноса (на месте или с использованием стратегии "синий-зеленый") и запросы для проверки производительности.

Для обеспечения корректной работы интеграционных тестов, особенно при работе с файловыми системами и необходимостью выполнения запросов к базе данных, требуется локальный запуск Elasticsearch. Этот модуль автоматизирует этот процесс, избегая ручной настройки и гарантируя доступность кластера. Он особенно полезен, когда требуется взаимодействие с данными, хранящимися в формате, требующем анализа, подобно тому, как это делает SQL-база данных. Модуль проверяет текущее состояние Elasticsearch посредством curl. Если кластер уже запущен и доступен по адресу http://localhost:9200 (пользователь elastic, пароль changeme), запуск игнорируется. В противном случае, запускается локальный экземпляр Elasticsearch с использованием скрипта start-local, что позволяет избежать необходимости в отдельной реляционной СУБД для тестовых целей. Для запуска используйте команду curl -fsSL https://elastic.co/start-local | ES_LOCAL_PASSWORD="changeme" sh -s -- -v 9.3.1 внутри директории IGNORE_ME проекта. Версия Elasticsearch может быть изменена в соответствии с версией, указанной в файле pom.xml проекта. Это гарантирует совместимость и стабильную работу с данными, требующими сложных запросов к базе.

rag-skills предоставляет готовые шаблоны и контрольные списки для проверки кода, оптимизированные специально для компонента RAG. Решение позволяет быстро и эффективно интегрировать возможности SQL-база данных, используя принципы работы с реляционной СУБД и обеспечивая возможность выполнения сложных запросов к базе данных. Модуль предназначен для разработчиков, работающих с LlamaFarm и стремящихся к стандартизации и повышению качества RAG-компонентов. Он включает в себя структурированный набор практик, охватывающих обработку документов, работу с векторными хранилищами (например, ChromaDB) и интеграцию с очередями задач (Celery). Благодаря готовым решениям и акценту на лучших практиках Python, rag-skills значительно ускоряет разработку и поддержку AI-проектов, включая развертывание моделей, агентов и конвейеров, как локально, так и удаленно.

Оптимизируйте производительность ваших приложений, работающих с MongoDB, используя проверенные практики проектирования схемы и стратегии индексирования. Этот модуль предоставляет рекомендации по эффективному использованию MongoDB для сценариев, где требуется высокая скорость выполнения запросов к базе, особенно в ситуациях, когда традиционные SQL-база данных и реляционная СУБД могут оказаться неоптимальными. Освойте стратегии встраивания (embedding) и связывания (referencing) данных, чтобы найти баланс между производительностью чтения и гибкостью схемы. Изучите распространенные шаблоны, такие как "подмножество" (subset) и "корзина" (bucket), для эффективного хранения и извлечения информации, а также способы кэширования предварительно вычисленных значений для снижения нагрузки на систему. Уделите особое внимание созданию индексов для полей, используемых в запросах к базе, сортировках и этапах агрегации. Помните, что этот MCP работает в режиме только для чтения, что влияет на выбор стратегий оптимизации. Эффективное использование индексов критически важно для обеспечения быстродействия, особенно при работе с большими объемами данных, которые обычно обрабатываются не реляционной СУБД.