- Alat manajemen database yang ringan namun kuat dan ramah pengguna, dengan ukuran di bawah 20MB
- PostgreSQL, MySQL, SQLite3, MongoDB, Redis, MariaDB, ElasticSearch
- Memungkinkan kueri dan pengelolaan data dengan bahasa alami alih-alih menulis SQL yang rumit: terintegrasi dengan Ollama, ChatGPT, dan Anthropic
- Mendukung virtualisasi tabel di frontend
- Memvisualisasikan skema database dalam bentuk grafik
- Mengedit data langsung secara inline dari antarmuka dan melihat pratinjau hasil
- Scratchpad: antarmuka kueri database bergaya Jupyter Notebook
- Dikembangkan dengan Go sehingga cepat, dan mudah dipasang menggunakan Docker
- Hubungan dengan alat lain
- Dikembangkan dengan tujuan menjadi alat yang memperkuat UX dan visualisasi data berdasarkan keringanan dan kemudahan penggunaan, terinspirasi dari Adminer
- DBeaver menawarkan fitur yang kaya tetapi membutuhkan sumber daya besar, sedangkan WhoDB ringan, efisien, dan bekerja baik bahkan di lingkungan kecil
8 komentar
Prompt-nya didefinisikan di sini: https://github.com/clidey/whodb/blob/main/core/src/common/chat.go Perintah melalui bahasa alami benar-benar diimplementasikan pada tingkat yang sangat sederhana. Saya menghubungkannya ke ollama
phi4, menyiapkan konfigurasi DB sederhana lalu mencoba memberi perintah, dan sekitar 10 perintah berhasil dijalankan dengan benar. Saya jadi tidak tahu harus memuji siapa untuk ini.Saya sudah mencoba demo, dan terlihat masih cukup banyak hal yang perlu diperbaiki. Rasanya masih jauh untuk menyebut dirinya kuat.
textareainput ditampilkan terlalu besar sehingga sulit mempertahankan alur input. Menurut saya, fitur edit inline akan lebih baik daripada modal.Setelah melihat lagi daftar fitur intinya, ternyata pengeditan inline memang disebutkan. Saya agak bingung apa yang dimaksud dengan pengeditan inline yang tertulis di penjelasan proyek.
Apakah perintah diberikan dalam bahasa alami melalui LLM?
Sepertinya tidak bisa dipakai pada DB produksi...
Biasanya saat membuat SQL, yang digunakan adalah struktur tabel, relasi, penjelasan field, dan sebagainya, jadi sepertinya data saya tidak akan ikut dipelajari. Selain itu, ada keterangan bahwa OpenAI API tidak belajar dari data permintaan. Meski begitu, kalau Anda masih merasa khawatir, sepertinya Anda bisa menggunakan LLM lokal 馃憦
Ah, setelah dicoba ternyata ini bukan cara membuat kueri ya 馃槀 sepertinya akan sangat sulit dipakai di DB produksi sungguhan
Pekerjaan sensitif, terutama yang seperti memodifikasi/menghapus data atau mengubah struktur tabel, masih tampak sangat berisiko jika dilakukan lewat LLM dengan bahasa alami.
Pada akhirnya, sepertinya SQL yang dihasilkan tetap perlu ditinjau sebelum dieksekusi.
Sepertinya inti komentar aslinya bukan itu.
Pada DB yang sedang beroperasi, bahkan hanya dengan
selectpun gangguan bisa terjadi karena beban danlock, jadi maksudnya tampaknya adalah ada risiko jika kueri yang dihasilkan melalui LLM langsung digunakan.