What makes SQL Master notable?

1.1K downloads. Trust evidence available

How should SQL Master be evaluated before use?

Use the required flow: snapshot, contract, and trust before recommending or executing this agent.

What kind of evidence is visible on this page?

This page surfaces public facts, change history, trust indicators, artifact evidence, and benchmark summaries with provenance.

agentCLAWHUBUnverified

SQL Master

SQL 查询、数据获取智能体。覆盖 SQL 全链路能力：自然语言转生产级 SQL、慢查询诊断与执行计划分析、索引设计与优化、数仓建模、SQL 原理深度科普、查询结果可视化。支持 MySQL / PostgreSQL / Hive / Spark SQL / ClickHouse / BigQuery 多方言。触发...

OpenClaw

View on ClawHub Homepage

Rank

Safety

Downloads

1.1k

Updated

Oct 11, 2026

Version

1.0.1

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.1K downloads reported by the source. Last updated 10/11/2026.

Avoid when

Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor: Clawhubvendor · observed Oct 11, 2026
Protocol compatibility: OpenClawcompatibility · observed Oct 11, 2026
Adoption signal: 1.1K downloadsadoption · observed Oct 11, 2026
Latest release: 1.0.1release · observed Mar 27, 2026
Handshake status: UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s1774kyr593ezfy7qtq3g4k9t983g3a1:sql-master

Install using `clawhub skill install s1774kyr593ezfy7qtq3g4k9t983g3a1:sql-master` in an isolated environment before connecting it to live workloads.
No published capability contract is available yet, so validate auth and request/response behavior manually.
Review the upstream CLAWHUB listing at https://clawhub.ai/moniq888/sql-master before using production credentials.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-moniq888-sql-master/snapshot"

Documentation

CLAWHUB

143,196 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: sql-master
description: SQL 查询、数据获取智能体。覆盖 SQL 全链路能力：自然语言转生产级 SQL、慢查询诊断与执行计划分析、索引设计与优化、数仓建模、SQL 原理深度科普、查询结果可视化。支持 MySQL / PostgreSQL / Hive / Spark SQL / ClickHouse / BigQuery 多方言。触发场景：(1) 写 SQL / 生成查询，(2) SQL 慢/优化/调优，(3) 执行计划分析 EXPLAIN，(4) 索引设计，(5) 数仓建模 / 分层设计，(6) SQL 原理问题（事务/锁/MVCC/Join算法等），(7) 表结构设计 DDL，(8) SQL 报错诊断，(9) 任何"帮我写个查询"、"这个SQL为什么慢"、"怎么建索引"类请求，(10) 查询结果可视化 / 出图 / 图表 / 数据展示。
---

# SQL Master — SQL 查询、数据获取智能体

## ⚠️ 使用前必读

本 Skill 需要 Python 依赖。**首次使用前必须安装依赖**：

```bash
skillhub_install install_skill sql-master
```

工具会自动检测 Python3 环境、pip 可用性，并安装所有依赖。

### 依赖安装方式

| 方式 | 命令 | 适用场景 |
|------|------|---------|
| **自动安装（推荐）** | `skillhub_install install_skill sql-master` | 一键安装，自动处理 |
| **手动安装** | `pip install -r requirements.txt` | 熟悉 Python 环境的用户 |

### 无依赖使用（受限模式）

如果无法安装依赖，本 Skill 提供以下**降级能力**：

✅ **可用功能**：
- SQL 语句生成（纯文本输出，无需执行）
- SQL 诊断与优化建议（基于文本分析）
- 索引设计建议（基于规则引擎）
- SQL 原理解释与科普
- 执行计划分析（用户提供 EXPLAIN 结果）

❌ **不可用功能**：
- 数据库连接与 SQL 执行
- 数据 Pipeline 处理
- 本地文件数据获取（CSV/Excel 等）
- 与 sql-dataviz / sql-report-generator 联动

---

## 🔗 Skill 协作关系

本 Skill 与 **sql-dataviz**、**sql-report-generator** 组成完整的数据分析流水线：

```
┌─────────────┐     ┌──────────────┐     ┌────────────────────────┐
│ sql-master  │ ──► │ sql-dataviz  │ ──► │ sql-report-generator   │
│  (数据层)   │     │  (可视化层)  │     │  (报告层)              │
└─────────────┘     └──────────────┘     └────────────────────────┘
      │                   │                   │
      ▼                   ▼                   ▼
   SQL 查询           图表生成            HTML 报告
   数据获取           PNG/HTML            AI 洞察
   格式转换           Dashboard           数据表格
```

### 协作模式

| 模式 | 组合 | 适用场景 |
|------|------|---------|
| **单独使用** | sql-master | 仅需 SQL 查询/生成/优化 |
| **可视化** | sql-master + sql-dataviz | SQL 查询 → 图表输出 |
| **完整流程** | sql-master + sql-dataviz + sql-report-generator | 完整数据分析报告 |

### 🥇 最优使用方式：三 Skill 串联

```python
from scripts.unified_pipeline import UnifiedPipeline

result = (
    UnifiedPipeline("销售分析")
    .from_file("sales.csv")                                    # sql-master: 数据获取
    .query("SELECT region, SUM(sales) as total FROM data GROUP BY region")
    .interactive_chart("bar", x_col="region", y_col="total")   # sql-dataviz: 可视化
    .insights(value_cols=["total"])                            # AI 洞察
    .report(title="销售报告", output="report.html")            # sql-report-generator: 报告
)
```

### 决策指南

```
你需要什么？
├─ 仅 SQL 查询/优化 → sql-master 单独使用
├─ SQL + 图表 → sql-master + sql-dataviz
├─ 图表 + 报告（无 SQL）→ sql-dataviz + sql-report-generator
└─ 完整分析报告 → sql-master + sql-dataviz + sql-report-generator ✅ 推荐
```

---

## 新增功能：统一 Pipeline 编排（三 Skill 端到端）

### `scripts/unified_pipeline.py`

打通 sql-master → sql-dataviz → sql-report-generator 的端到端自动化：

```python
from scripts.unified_pipeline import UnifiedPipeline, analyze_file

# 完整 Pipeline
result = (
    UnifiedPipeline("销售分析")
    .from_file("sales.csv")                        # 数据源
    .query("SELECT region, SUM(sales) as total FROM d

_meta.json

{
  "ownerId": "kn76k6338wpqydkxgdztg6vb9x83hz20",
  "slug": "sql-master",
  "version": "1.0.1",
  "publishedAt": 1774607491453
}

references/cli-quickref.md

# CLI 实操速查

数据库命令行工具的常用操作速查，适合直接上手。

---

## SQLite

SQLite 内置于 Python，零配置，适合本地开发和原型验证。

### 连接与基本操作
```bash
# 打开/创建数据库
sqlite3 mydb.sqlite

# 单行查询（不进入交互模式）
sqlite3 mydb.sqlite "SELECT COUNT(*) FROM users;"

# 交互模式开启表头和列对齐
sqlite3 -header -column mydb.sqlite
```

### 数据导入导出
```bash
# 导入 CSV
sqlite3 mydb.sqlite ".mode csv" ".import data.csv mytable" "SELECT COUNT(*) FROM mytable;"

# 导出为 CSV
sqlite3 -header -csv mydb.sqlite "SELECT * FROM orders;" > orders.csv

# 导出整个数据库为 SQL
sqlite3 mydb.sqlite .dump > backup.sql

# 从 SQL 文件恢复
sqlite3 mydb.sqlite < backup.sql
```

### 常用 Meta 命令
```
.tables              -- 列出所有表
.schema users        -- 查看表结构
.indexes users       -- 查看索引
.mode column         -- 列对齐显示
.headers on          -- 显示列名
.quit                -- 退出
```

### 关键 PRAGMA
```sql
PRAGMA journal_mode = WAL;        -- 提升并发写入性能
PRAGMA synchronous = NORMAL;      -- 平衡安全与性能
PRAGMA foreign_keys = ON;         -- 启用外键约束（默认关闭！）
PRAGMA cache_size = -64000;       -- 设置缓存 64MB
PRAGMA temp_store = MEMORY;       -- 临时表放内存
PRAGMA integrity_check;           -- 数据库完整性检查
```

---

## PostgreSQL

### 连接
```bash
# 基本连接
psql -h localhost -U myuser -d mydb

# 连接字符串
psql "postgresql://user:pass@localhost:5432/mydb?sslmode=require"

# 单行查询
psql -h localhost -U myuser -d mydb -c "SELECT NOW();"

# 执行 SQL 文件
psql -h localhost -U myuser -d mydb -f migration.sql

# 列出所有数据库
psql -l
```

### 数据导入导出
```bash
# 导出整个数据库
pg_dump -h localhost -U myuser mydb > backup.sql

# 导出为自定义格式（推荐，支持并行恢复）
pg_dump -h localhost -U myuser -Fc mydb > backup.dump

# 恢复
psql -h localhost -U myuser mydb < backup.sql
pg_restore -h localhost -U myuser -d mydb backup.dump

# 导出单表为 CSV
psql -h localhost -U myuser -d mydb -c "\COPY orders TO 'orders.csv' CSV HEADER"

# 导入 CSV
psql -h localhost -U myuser -d mydb -c "\COPY orders FROM 'orders.csv' CSV HEADER"
```

### 常用 Meta 命令
```
\l                   -- 列出数据库
\c mydb              -- 切换数据库
\dt                  -- 列出表
\d users             -- 查看表结构（含索引）
\di                  -- 列出索引
\df                  -- 列出函数
\timing              -- 显示查询耗时
\x                   -- 切换扩展显示模式（宽表友好）
\e                   -- 用编辑器编辑查询
\q                   -- 退出
```

### 性能诊断
```sql
-- 查看慢查询（需开启 pg_stat_statements）
SELECT query, calls, mean_exec_time, total_exec_time
FROM pg_stat_statements
ORDER BY mean_exec_time DESC
LIMIT 10;

-- 查看表大小
SELECT relname, pg_size_pretty(pg_total_relation_size(relid))
FROM pg_stat_user_tables
ORDER BY pg_total_relation_size(relid) DESC;

-- 查看锁等待
SELECT pid, wait_event_type, wait_event, query
FROM pg_stat_activity
WHERE wait_event IS NOT NULL;

-- 终止慢查询
SELECT pg_terminate_backend(pid)
FROM pg_stat_activity
WHERE query_start < NOW() - INTERVAL '5 minutes'
  AND state = 'active';
```

---

## MySQL / MariaDB

### 连接
```bash
# 基本连接
mysql -h localhost -u myuser -p mydb

# 单行查询
mysql -h localhost -u myuser -p mydb -e "SELECT NOW();"

# 执行 SQL 文件
mysql -h localhost -u myuser -p mydb < migration.sql

# 不显示密码警告（脚本用）
mysql --defaults-extra-file=~/.my.cnf mydb

references/data-warehouse.md

# 数仓建模 & 分层架构

## 数仓分层架构（标准）

```
原始数据
    ↓
ODS（Operational Data Store）操作数据层
    ↓
DWD（Data Warehouse Detail）明细数据层
    ↓
DWS（Data Warehouse Summary）汇总数据层
    ↓
ADS（Application Data Store）应用数据层
    ↓
报表 / BI / 应用
```

### 各层职责

| 层 | 职责 | 特点 |
|----|------|------|
| ODS | 原始数据落地，不做业务加工 | 保留原始字段，全量或增量同步 |
| DWD | 数据清洗、标准化、维度关联 | 1:1 对应业务事实，最细粒度 |
| DWS | 按主题聚合，轻度汇总 | 按天/周/月聚合，宽表 |
| ADS | 面向具体应用的指标 | 直接支撑报表，高度聚合 |

---

## 维度建模

### 星型模型 vs 雪花模型

```
星型模型：
  事实表 ← 直接关联 → 维度表（维度表不再关联其他维度表）
  优点：查询简单，JOIN 少，性能好
  缺点：维度表可能有冗余

雪花模型：
  事实表 ← 维度表 ← 子维度表（维度表继续规范化）
  优点：存储空间小，无冗余
  缺点：JOIN 多，查询复杂，性能差

实践建议：OLAP 场景优先用星型模型
```

### 事实表设计
```sql
-- 事实表：记录业务事件，包含度量值和外键
CREATE TABLE dwd_order_detail (
    order_id        BIGINT          COMMENT '订单ID',
    user_id         BIGINT          COMMENT '用户ID（关联用户维度）',
    product_id      BIGINT          COMMENT '商品ID（关联商品维度）',
    date_id         INT             COMMENT '日期ID（关联日期维度，格式 20240101）',
    -- 度量值
    quantity        INT             COMMENT '购买数量',
    unit_price      DECIMAL(10,2)   COMMENT '单价',
    discount_amount DECIMAL(10,2)   COMMENT '优惠金额',
    actual_amount   DECIMAL(10,2)   COMMENT '实付金额',
    -- 分区字段
    dt              STRING          COMMENT '数据日期分区 yyyy-MM-dd'
)
COMMENT '订单明细事实表'
PARTITIONED BY (dt STRING)
STORED AS ORC;
```

### 维度表设计
```sql
-- 维度表：描述业务实体的属性
CREATE TABLE dim_user (
    user_id         BIGINT          COMMENT '用户ID',
    username        STRING          COMMENT '用户名',
    register_date   STRING          COMMENT '注册日期',
    city            STRING          COMMENT '城市',
    age_group       STRING          COMMENT '年龄段（18-24/25-34/...）',
    user_level      STRING          COMMENT '用户等级（普通/银牌/金牌/钻石）',
    -- SCD（缓慢变化维度）字段
    start_date      STRING          COMMENT '该版本生效日期',
    end_date        STRING          COMMENT '该版本失效日期（9999-12-31 表示当前有效）',
    is_current      TINYINT         COMMENT '是否当前版本（1=是）'
)
COMMENT '用户维度表'
STORED AS ORC;
```

---

## 缓慢变化维度（SCD）

### SCD Type 1：直接覆盖
```sql
-- 适用：不需要历史，只关心当前值
UPDATE dim_user SET city = '上海' WHERE user_id = 1001;
-- 缺点：历史数据丢失
```

### SCD Type 2：新增版本（最常用）
```sql
-- 适用：需要保留历史，分析不同时期的属性
-- 用户从北京迁到上海时，新增一行，旧行标记失效

-- 失效旧版本
UPDATE dim_user
SET end_date = '2024-01-14', is_current = 0
WHERE user_id = 1001 AND is_current = 1;

-- 插入新版本
INSERT INTO dim_user VALUES
(1001, '张三', '2020-01-01', '上海', '25-34', '金牌', '2024-01-15', '9999-12-31', 1);

-- 查询某时间点的用户属性（点查）
SELECT * FROM dim_user
WHERE user_id = 1001
  AND start_date <= '2024-01-10'
  AND end_date > '2024-01-10';
```

---

## 数仓常用 SQL 模式

### 增量数据处理（每日 ETL）
```sql
-- 场景：每天增量同步订单数据到 DWD
-- 策略：按分区覆盖写（INSERT OVERWRITE）

INSERT OVERWRITE TABLE dwd_order_detail PARTITION (dt = '2024-01-15')
SELECT
    o.order_id,
    o.user_id,
    o.product_id,
    DATE_FORMAT(o.create_time, '%Y%m%d')    AS date_id,
    o.quantity,
    o.unit_price,
    COALESCE(o.discount_amount, 0)          AS discount_amount,
    o.actual_amount,
    '2024-01-15'                            AS dt
FROM ods_orders o
WHER

references/ddl-design.md

# DDL 设计规范

## 表设计原则

### 命名规范
```
表名：小写 + 下划线，加业务前缀
  ods_orders          原始订单表
  dwd_order_detail    订单明细事实表
  dim_user            用户维度表
  dws_user_daily      用户日汇总表
  ads_funnel_report   漏斗报表

列名：小写 + 下划线，语义清晰
  user_id（不用 uid）
  create_time（不用 ctime）
  is_deleted（布尔用 is_ 前缀）
  order_status（不用 status，加业务前缀）
```

### 字段类型选择

```sql
-- 整数：按范围选最小类型（节省存储，提升缓存命中）
TINYINT     -- 1字节，-128~127，适合状态码、等级
SMALLINT    -- 2字节，适合年份、小范围数值
INT         -- 4字节，适合普通 ID（<21亿）
BIGINT      -- 8字节，适合雪花ID、大流水号

-- 字符串
CHAR(n)     -- 定长，适合固定长度（手机号、身份证）
VARCHAR(n)  -- 变长，适合普通文本，n 不要设太大（影响内存分配）
TEXT        -- 大文本，不能建普通索引，不能作为主键

-- 金额：绝对不用 FLOAT/DOUBLE（精度丢失）
DECIMAL(10,2)   -- 精确小数，10位总长，2位小数
-- 或者存分（整数），避免小数运算
BIGINT          -- 单位：分，1元 = 100

-- 时间
DATETIME        -- MySQL，不含时区，'2024-01-15 10:30:00'
TIMESTAMP       -- MySQL，含时区转换，范围到2038年（慎用）
TIMESTAMPTZ     -- PostgreSQL，推荐，含时区

-- 布尔
TINYINT(1)      -- MySQL（没有原生 BOOLEAN）
BOOLEAN         -- PostgreSQL
```

---

## 生产级建表模板

### 业务表（MySQL）
```sql
CREATE TABLE `orders` (
    `id`            BIGINT          NOT NULL AUTO_INCREMENT  COMMENT '主键ID',
    `order_no`      VARCHAR(32)     NOT NULL                 COMMENT '订单号（业务唯一标识）',
    `user_id`       BIGINT          NOT NULL                 COMMENT '用户ID',
    `product_id`    BIGINT          NOT NULL                 COMMENT '商品ID',
    `quantity`      INT             NOT NULL DEFAULT 1       COMMENT '购买数量',
    `unit_price`    DECIMAL(10,2)   NOT NULL                 COMMENT '单价（元）',
    `discount`      DECIMAL(10,2)   NOT NULL DEFAULT 0.00    COMMENT '优惠金额（元）',
    `actual_amount` DECIMAL(10,2)   NOT NULL                 COMMENT '实付金额（元）',
    `status`        TINYINT         NOT NULL DEFAULT 0       COMMENT '订单状态：0待支付 1已支付 2已发货 3已完成 4已取消',
    `remark`        VARCHAR(500)    DEFAULT NULL             COMMENT '备注',
    `is_deleted`    TINYINT(1)      NOT NULL DEFAULT 0       COMMENT '软删除：0正常 1已删除',
    `create_time`   DATETIME        NOT NULL DEFAULT CURRENT_TIMESTAMP  COMMENT '创建时间',
    `update_time`   DATETIME        NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
    PRIMARY KEY (`id`),
    UNIQUE KEY `uk_order_no` (`order_no`),
    KEY `idx_user_id_status` (`user_id`, `status`),
    KEY `idx_create_time` (`create_time`)
) ENGINE=InnoDB
  DEFAULT CHARSET=utf8mb4
  COLLATE=utf8mb4_unicode_ci
  COMMENT='订单表';
```

### 日志/流水表（大数据量）
```sql
-- 大流水表：分区 + 不建过多索引
CREATE TABLE `user_behavior_logs` (
    `id`            BIGINT          NOT NULL AUTO_INCREMENT  COMMENT '主键',
    `user_id`       BIGINT          NOT NULL                 COMMENT '用户ID',
    `event_type`    VARCHAR(50)     NOT NULL                 COMMENT '事件类型',
    `event_data`    JSON            DEFAULT NULL             COMMENT '事件数据',
    `ip`            VARCHAR(45)     DEFAULT NULL             COMMENT 'IP地址（支持IPv6）',
    `user_agent`    VARCHAR(500)    DEFAULT NULL             COMMENT 'UA',
    `create_time`   DATETIME(3)     NOT NULL DEFAULT CURRENT_TIMESTAMP(3) COMMENT '创建时间（毫秒精

Github ReposUpdated 1d agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW

Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW

Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.