一段 AI 生成的 SQL，没人敢说“我看懂了”
先看这段 SQL，目标是“找出连续三个月交易额递增的信用卡客户”：
WITH ranked AS (
SELECT customer_id, month, amount,
LAG(amount,1) OVER(PARTITION BY customer_id ORDER BY month) as prev_1,
LAG(amount,2) OVER(PARTITION BY customer_id ORDER BY month) as prev_2
FROM transactions
)
SELECT customer_id, COUNT(*) FROM ranked
WHERE amount > prev_1 AND prev_1 > prev_2
AND prev_1 IS NOT NULL AND prev_2 IS NOT NULL
GROUP BY customer_id HAVING COUNT(*) >= 3
语法完全正确，能跑出结果。但你说它逻辑对吗？没人敢立刻回答。
这是当今数据分析师和开发者的日常：把一个任务丢给 AI，几秒钟后它吐出一段几十行的 SQL，复制粘贴，跑通了，但心里真的踏实吗？现代 AI 能生成可运行的 SQL，但经常无法信任。
AI 给出的 SQL 是个黑盒。代码看起来对、执行起来不报错、返回一个漂亮的结果，但做的事情跟用户想要的压根不是一回事。关键是你只有在它跑完之后才发现错了，review 阶段靠人肉在脑子里执行 SQL，等于把 AI 的活又干了一遍。
更糟的是：即便 AI 生成 SQL 的“准确率”达到 90%，使用者怎么知道这一次有没有落在那 10% 里？数据决策不是抽奖。一个语义跑偏的 SQL，执行成功返回一个漂亮的结果，但根本不是用户想问的，这种错误语法层面检查不出来，而代码 review 阶段去验证它，成本极高：你得一层层拆开 CTE，逐段执行，对比中间结果，才能确认逻辑是否正确。
问题出在哪？
当前 AI 编程有一个基本过程：由人写清楚 spec，AI 才能产出可用代码。
这不是 AI“能不能”的问题，而是当前技术条件下的硬约束。胡乱写两句目标，除非是人人都会写的通用公共任务（比如“写一个冒泡排序”），否则没有哪个 AI 能凭空生成可用的工程代码。真实的 AI 编程流程是：人写 spec → AI 生成代码 → 人 review → 修改 spec → AI 重新生成。spec 是起点，也是贯穿始终的约束。
但 spec 写得再清楚，AI 仍然可能犯错，只是概率高低的问题。spec 写得模糊，AI 猜错的概率就高；写得清楚，犯错的概率降低，但不会归零。因为 AI 本质上在做“猜测”，从输入到输出，它是在概率空间里搜索最可能的答案，而不是在逻辑空间里推导必然的结果。
那怎么办？有没有办法把“猜测”变成“确定”？
答案是：让 spec 规范到可以编译的程度。一旦 spec 可以被编译器解析和执行，就不再需要 AI 来“猜”代码了。编译器是确定性的，同样的输入永远产生同样的输出，不存在“这次对了、下次错了”的问题。你不是在“降低幻觉率”，而是绕过了幻觉产生的环节。
所以整个逻辑链很清楚了：AI 编程需要 spec → spec 写得清楚能降低幻觉率 → 但无法根除 → 把 spec 规范到可编译的程度 → 编译器替代 AI 生成代码 → 幻觉问题自然消失。
可编译的伪代码：spec 的一种进化形态
传统上，程序员写的需求文档是自然语言 + 图表 + 伪代码，给人读的。AI 时代，spec 可以进化成一种同时具备两个特征的新形态：
人类可读：不用懂目标语言（SQL、Java、Python），扫一眼就知道逻辑是什么。
机器可编译：有固定的语法结构，可以确定性地转换成最终代码，不依赖 AI 猜测。
这就是“可编译的伪代码”，一种更规范的 spec。它与传统伪代码的区别在于：传统伪代码不编译，只给人看；可编译的伪代码既能给人看，也能被编译器理解并生成目标代码。
这种 spec 的价值在于：它把 AI 的 "创作空间" 压缩到了最小。AI 不需要 "理解" 业务逻辑、不需要 "设计" 实现方案、不需要 "猜测" 正确的代码，只需要将口语化 spec 翻译规范的 spec。翻译的犯错空间远小于 "从自然语言直接生成代码"。
更重要的是：人可以在编译执行之前确认 spec 是否正确。每一步的逻辑都可以单独验证，错误在执行前被拦截，而不是执行后再 Debug。
SQLazy 的 workflow：可编译的伪代码
SQLazy 把这个理念落到了复杂 SQL 开发领域。它的 workflow 就是一份可编译的伪代码，开发者用自然语言分步描述数据查询逻辑，每一步都可预览中间结果，确认无误后由编译器确定性生成 SQL
还是上面那个需求：“找出连续三个月交易额递增的信用卡客户”。用 SQLazy 的 workflow 写：
不用懂 SQL，看这 4 步就知道逻辑是什么。每一步都能预览中间结果：
sort：按客户和月份排序
segment：标记交易额下降的记录，生成连续上升区间编号
summarize：统计每个区间包含多少个月份
filter：筛选出连续月份 >=3 的客户
再举一个真实场景的例子。一张表记录了多个账户的时间区间，每个账户有多条记录，区间之间可能存在重叠。需求是合并每个账户内所有重叠的区间。用 SQLazy 实现，只需要 4 步：
sort account_id, start_date：按账户和开始日期排序
compute end_date[:-1] max as prev_max：计算当前行之前所有行的最大结束日期
segment condition start_date > prev_max as gid：按条件分段，生成组号
summarize start_date min as start_date, end_date max as end_date：按账户和组号汇总
确认上述逻辑后，SQLazy 编译器自动生成原生 SQL，100% 准确，不存在幻觉问题。如果目标数据库从 MySQL 换成 Oracle，只需切换一个选项，编译器自动适配 SQL 方言。
SQLazy 的 workflow 就是 spec，编译器就是保证代码质量的最后一道闸门。
在这个过程中，AI 的角色也被重新定义了，在以往做法中 AI 负责从自然语言直接生成最终 SQL，高难度、高幻觉率；而在 SQLazy 中，AI 只做一件事：把用户口语化的步骤描述转译成规范的 workflow 语法。前者是“决策”，后者是“翻译”。即便 AI 转译有偏差，你在 workflow 层面一眼就能发现，纠正成本几乎为零。
借助 LLM 把自然语言转成 SQLazy 语法
AI 编程的幻觉之所以成为问题，不是因为 AI 偶尔犯错。真正的问题在于：在以往模式下，AI 的错是 "执行后" 才能发现的。代码已经生成，甚至运行完了，你才发现结果不对，纠错成本极高。
SQLazy 这种可编译的伪代码把 "发现错误" 的时机从执行后移到了执行前。人类在 spec 层面确认逻辑，编译器再生成最终代码。AI 的犯错空间被压缩到 "翻译" 这个环节，翻译结果人类可以即时校验，从而解决 AI 编程的幻觉问题。
这不是让程序员回到 "写文档" 的时代。这是重新划分人与 AI 的分工：人负责设计（用结构化的 spec 描述 "要做什么"），AI 负责翻译（把口语化的 spec 转成标准 spec），编译器负责执行（保证产出确定性）。
AI 编程的下一个阶段，可能不是让 AI 写更长的代码，而是让人类写出更清晰的 spec。
