SQL Queries

SQL Queries ist ein offizieller Skill aus Anthropics Repository knowledge-work-plugins. Die direkte Primärquelle liegt unter https://github.com/anthropics/knowledge-work-plugins/tree/main/data/skills/sql-queries. Laut Anbieter unterstützt der Skill Claude dabei, korrekte, gut lesbare und performante SQL-Abfragen für wichtige Datenbank- und Data-Warehouse-Dialekte zu schreiben. Genannt werden unter anderem PostgreSQL, Snowflake, BigQuery, Databricks und Redshift. Der Skill ist eine textbasierte Wissens- und Arbeitsanweisung, kein Datenbanktreiber, kein Hostingdienst, kein Abfrageproxy und keine Garantie, dass eine ungeprüfte Abfrage fachlich oder wirtschaftlich sicher ist.

Zweck und fachliche Abgrenzung

Der Skill eignet sich für neue Abfragen, die Optimierung langsamer SQL-Anweisungen, die Übersetzung zwischen Dialekten und komplexe analytische Aufgaben mit Common Table Expressions, Fensterfunktionen oder Aggregationen. Die Quelle verbindet Syntaxwissen mit praktischen Hinweisen zur Datenmodellierung, Ausführung und Performance. Wer eine Abfrage entwirft, sollte trotzdem das reale Schema, Datentypen, Berechtigungen, Nullsemantik, Zeitzonen und erwartete Ergebnisse prüfen. Eine syntaktisch gültige Anweisung kann fachlich falsche Kennzahlen liefern, zu viele Zeilen erzeugen oder unerwartete Kosten und Last verursachen.

Dialekte und zeitbezogene Logik

Für PostgreSQL beschreibt die Primärquelle unter anderem CURRENT_DATE, CURRENT_TIMESTAMP, Intervallarithmetik, DATE_TRUNC, EXTRACT, TO_CHAR, ILIKE, reguläre Ausdrücke, Stringfunktionen, JSON-Zugriff und Arrayoperationen. Snowflake verwendet eine andere Form für Datumsarithmetik und unterstützt VARIANT-Zugriff sowie LATERAL FLATTEN für semi-strukturierte Daten. BigQuery arbeitet mit Funktionen wie DATE_ADD, DATE_DIFF, TIMESTAMP_DIFF, LOWER, REGEXP_CONTAINS, UNNEST und STRUCT-Feldern. Databricks SQL und Redshift bringen jeweils eigene Funktions- und Optimierungsmodelle mit. Der Skill hilft beim Erkennen dieser Unterschiede, ersetzt aber nicht die Versionsdokumentation des eingesetzten Systems.

Performance und verantwortungsvolle Ausführung

Die Empfehlungen sind je nach Plattform unterschiedlich. In PostgreSQL können EXPLAIN ANALYZE, geeignete Indizes, partielle Indizes, EXISTS und Connection Pooling relevant sein. Snowflake arbeitet eher mit Clustering, Partition Pruning, passender Warehouse-Größe und RESULT_SCAN. BigQuery profitiert laut Quelle von Filtern auf Partitionen, Clustering, APPROX_COUNT_DISTINCT, parametrisierten Skripten und einer Kostenprüfung per Dry Run. Redshift betrachtet unter anderem Distribution Keys, Sort Keys, EXPLAIN, Datenbewegung, ANALYZE und VACUUM. Diese Hinweise sind Ausgangspunkte. Testen Sie zuerst mit einer begrenzten, nicht vertraulichen Datenmenge, lesen Sie den Ausführungsplan und führen Sie schreibende oder teure Anweisungen erst nach einer menschlichen Freigabe aus.

E-E-A-T, Sicherheit und Grenzen

Dieser Eintrag stützt sich auf den offiziellen Anthropic-Quellpfad und die offizielle Claude-Code-Dokumentation zu Skills. Anbieterangaben sind ausdrücklich als laut Anbieter gekennzeichnet. SQL kann vertrauliche Daten offenlegen, Tabellen sperren, Ressourcen verbrauchen oder Daten verändern. Vermeiden Sie unparametrisierte Benutzereingaben, prüfen Sie Berechtigungen nach dem Prinzip der geringsten Rechte und unterscheiden Sie Lese- von Schreibzugriffen. Führen Sie keine destruktiven Änderungen, Löschungen oder Migrationen aus, bevor Ziel, Transaktion, Backup- und Wiederherstellungsplan sowie Freigabe geklärt sind. Speichern Sie keine Passwörter, Tokens, privaten Schlüssel oder echten Kundendaten in Prompts und Skilltexten. Ein lokaler Skill bedeutet nicht automatisch lokale Modellverarbeitung; ein verbundener Client kann Eingaben und Ergebnisse an seinen Modellanbieter übertragen. Die offizielle Dialektdokumentation bleibt für aktuelle Syntax maßgeblich.