AI已能产出可运行的 SQL，但可运行不等于可审计。
在复杂查询上，公开评测显示最先进模型在 BIRD-bench 等基准上的执行准确率常在六成左右徘徊，远未达到可直接评审通过的程度。典型偏差不在语法，而在窗口边界、分区键、聚合口径等较复杂逻辑，尤以会话化、时序 gap、动态透视等场景尤甚。SQL需多层嵌套 CTE 与窗口累加，关联条件隐蔽，改一处需从最内层逐层验证是否影响外层。
后果是三重成本叠加：难以 review、难以单步调试、难以跨库移植。代码确实能跑，但逻辑是否对，还需要把嵌套在脑子里完整重跑一遍才能确认。
LLM 直出 SQL 的确定性问题
问题的根因不在 AI 能力，而在范式。让概率模型直接承担终态 SQL 的生成，把“规划”与“生成”绑在同一次采样中，确定性无从保证。
看个例子：一张状态流水表，每行记录一个 ID 在某时刻的状态 NewStatus，需求是取出每个 ID 在 ConfirmationStarted 之前最近的那条 Closed。
直接让 AI 产出这条 SQL，常见结果为多层嵌套：
WITH t2 AS (
SELECT CreatedAt, ID, NewStatus
, 1 + SUM(CASE
WHEN NewStatus = 'ConfirmationStarted' THEN 1
ELSE 0
END) OVER (PARTITION BY ID ORDER BY ID ASC, CreatedAt ASC ROWS UNBOUNDED PRECEDING) AS seg
FROM mytable
)
SELECT ID, MAX(CreatedAt) AS CreatedAt
FROM (
SELECT CreatedAt, ID, NewStatus, seg
FROM (
SELECT CreatedAt, ID, NewStatus, seg
FROM (
SELECT CreatedAt, ID, NewStatus, seg
FROM t2
WHERE NewStatus = 'Closed'
) t_1
WHERE seg = 1
) t_2
WHERE ID IN (
SELECT ID
FROM (
SELECT ID
FROM t2
WHERE NewStatus = 'Closed'
AND seg = 1
) t_3
GROUP BY ID
)
) t_4
GROUP BY ID
ORDER BY ID
这段 SQL 能跑对，但要逐层展开才能验证逻辑是否正确，这就是让 AI 直接产终态 SQL 的代价：每一步都藏在嵌套里，无法单步审计。
要恢复确定性，需将规划与生成分离。
架构总览：规划与生成分离
把一次性的 Prompt→SQL 黑盒拆为 Prompt→Workflow→SQL 白盒，Workflow 即契约。
三个环节：
Planner：人或 LLM 产出自然语言步骤集，负责把口语需求拆解为顺序步骤
Workflow：DSL 契约，结构清晰、问题分解、人类可读、每步可执行预览、本身就是可执行的文档。同一 Workflow 永远对应同一结果
Compiler：确定性编译器，按固定规则将 Workflow 翻译为目标方言的原生 SQL。一份 Workflow 可编译为 MySQL、PostgreSQL、Snowflake、BigQuery 的原生 SQL
契约作用在于约束两端。LLM 的输出受 DSL 约束，不直接产出SQL；编译器的输入即 Workflow，不做猜测。同一 Workflow 今天与明天编译，结果完全一致。Workflow 本身成为可审计的逻辑文档，审查者无需猜测 AI 意图，只需审阅步骤。
SQLazy正是这种架构的具体实现：LLM只规划步骤，编译器确定性生成SQL。
关键设计
三个设计点共同支撑确定性与可审计性。
设计 1 ：步骤 DSL 与单步调试
步骤按人类思考顺序组织，错在第 2 步就只改第 2 步。每步可独立执行并预览中间表，边界偏差在中间结果中直接显现，无需在最终结果中反推。以分段为例，执行后立即看到分段列的取值，分段是否按预期切分当场可判。
设计 2 ：确定性编译
编译器按固定规则翻译，非概率生成。Workflow 中的排序、筛选、分段、聚合等操作，分别一一对应到 ORDER BY、WHERE、SUM(CASE WHEN) OVER(PARTITION BY) 分段、GROUP BY 等 SQL 语法，无幻觉，可复现。同一 Workflow 跨次执行、跨机器执行始终一致，满足受监管场景对可追溯的要求。
设计 3： 变更审计与版本化
Workflow是纯文本契约，天然可进 Git 做版本管理。逻辑变更只改对应步骤，SQL 由编译器自动重建，逻辑与 SQL 不会脱节。每次变更可 diff、可评审、可回滚，历史清晰可查，监管审计只需翻 Git 提交记录。
实例验证与适用范围
用前面的例子验证一下。
源数据 mytable：
期望结果仅两行（147→2022-06-25，1645→2023-04-29），其余 Closed 要么过早，要么在 ConfirmationStarted 之后。
在 SQLazy 中，同一逻辑按顺序写作 Workflow：
第 1 步 sort ID, CreatedAt asc 按 ID 与时间排序，确保时序正确。sort对应 ORDER BY。
第 2 步 segment condition (NewStatus = "ConfirmationStarted") partition ID as seg 按 ConfirmationStarted 切段，partition ID保证每 ID 独立分段。执行后多出一列 seg，seg=1 即目标区间，无需手写SUM(CASE WHEN ...) OVER。分段对不对，点开 t2 看 seg 列即可。
第 3 步 filter (NewStatus = "Closed" and seg = 1) 只保留目标区间内的 Closed。filter对应 WHERE。
第 4 步 summarize max CreatedAt as CreatedAt; group ID 按 ID 分组取最大时间，即最近一条。summarize对应 GROUP BY 与聚合。
Workflow写完点编译，按固定规则产出的 SQL（与前面的 SQL 相比步骤更清晰）：
WITH t2 AS (
SELECT CreatedAt, ID, NewStatus
, 1 + SUM(CASE
WHEN (NewStatus = 'ConfirmationStarted') THEN 1
ELSE 0
END) OVER (PARTITION BY ID ORDER BY ID ASC, CreatedAt ASC ROWS UNBOUNDED PRECEDING) AS seg
FROM mytable
)
SELECT ID, MAX(CreatedAt) AS CreatedAt
FROM (
SELECT CreatedAt, ID, NewStatus, seg
FROM t2
WHERE (NewStatus = 'Closed'
AND seg = 1)
) t_3
GROUP BY ID
ORDER BY ID
同一 Workflow 多次编译结果完全一致，切换方言无需改 Workflow。
适用范围同样需要诚实说明。简单 CRUD 直接写 SQL 更合适，为三五行逻辑引入 Workflow 并不划算；宏与循环等能力尚在路线图中。SQLazy 的定位是复杂分析逻辑的设计与验证，随后嵌入 dbt 等工作流，而非替代。
产品与开源的边界：SQLazy 的语法与示例开源，编译器与 IDE 为商业闭源并提供免费版；IDE 支持本地 / 私有化部署，契合企业对数据出境与离线使用的要求。
AI writes the logic. A compiler writes the SQL.
