在处理 LLM 生成的 SQL 查询时，常常会花费大量时间追踪错误原因。将自然语言请求交给模型后，返回的 SQL 字符串是否符合预期结果至关重要。通过对话，作者获得了一系列灵感，包括确定性检查（行数、列覆盖）、AST 比较的深层语义分析，甚至是一个 AI “评审”来指出缺失或多余的部分。该框架整合了这些元素，提供了可复制的最小代码、批量处理数百个查询的方法，以及 LLM 层提供的可操作反馈，无需仪...