SQL Queries

Offizieller Anthropic-Skill für korrekte, performante SQL-Abfragen über mehrere Dialekte hinweg.

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.

Dialekte und Muster

Der Skill deckt PostgreSQL, Snowflake, BigQuery, Redshift und Databricks SQL ab, jeweils mit eigener Syntax. PostgreSQL nutzt DATE_TRUNC und ILIKE, Snowflake LATERAL FLATTEN für verschachtelte Daten, BigQuery rechnet nach gescannten Bytes ab, Redshift arbeitet mit Distributions- und Sortierschlüsseln statt Indizes, und Databricks bietet Time Travel mit TIMESTAMP AS OF. Wiederkehrende Muster sind Kohortenanalysen, Trichteranalysen und Deduplizierung. Zur Optimierung gehören Filter auf Partitionsspalten, der Verzicht auf SELECT * bei kostenbewussten Abfragen und EXPLAIN ANALYZE zum Profilieren.

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.

Installationsanleitung

Dieser Ratgeber ergänzt die offizielle Anthropic-Quelle zum SQL Queries Skill. Er beschreibt einen kontrollierten Arbeitsablauf und ersetzt weder die Dokumentation Ihres Datenbanksystems noch eine Freigabe durch die verantwortliche Datenbank- oder Fachperson.

Aufgabe und Dialekt klären

Beschreiben Sie zuerst die fachliche Frage, die gewünschte Granularität, den Betrachtungszeitraum und die erwartete Ausgabe. Identifizieren Sie danach das konkrete System und seine Version. PostgreSQL, Snowflake, BigQuery, Databricks und Redshift unterscheiden sich bei Datum, JSON, Arrays, Regex, Partitionen und Ausführungsmodellen. Eine Dialektübersetzung ist erst belastbar, wenn Schema, Datentypen und Randfälle bekannt sind.

Mit einem sicheren Entwurf beginnen

Arbeiten Sie zunächst mit einem lesenden Entwurf und begrenzen Sie die Datenmenge, sofern die Plattform das unterstützt. Verwenden Sie Parameter statt zusammengesetzter Benutzereingaben. Benennen Sie CTEs und berechnete Spalten verständlich, dokumentieren Sie Join-Annahmen und prüfen Sie, ob NULL-Werte, Duplikate und Zeitzonen die Kennzahl verändern. Vergleichen Sie Stichprobenergebnisse mit einer vertrauenswürdigen Referenz.

Schritt 1: Plan und Ressourcen prüfen

Lesen Sie den Ausführungsplan, bevor Sie eine große Abfrage starten. Prüfen Sie Filter auf Partitionen, mögliche Vollscans, Join-Kardinalität, Sortierungen, Spilling, Clustering und Datenbewegung. In BigQuery sollte eine Kostenschätzung oder ein Dry Run vorausgehen. In anderen Systemen können EXPLAIN, EXPLAIN ANALYZE oder plattformspezifische Werkzeuge geeigneter sein. Eine schnellere Abfrage ist nicht automatisch korrekt, wenn sie Zeilen auslässt.

Schreibzugriff und Datenschutz begrenzen

Trennen Sie Rollen für Analyse, Entwicklung und Produktion. Testen Sie mit anonymisierten oder synthetischen Daten und speichern Sie keine Geheimnisse in Skilltexten, Prompts, Logs oder Beispielabfragen. Vor INSERT, UPDATE, DELETE, DDL oder Migrationen müssen Ziel, WHERE-Bedingung, Transaktion, Backup und Wiederherstellung geklärt sein. Führen Sie keine irreversible Änderung aus, nur weil ein Modell sie vorgeschlagen hat.

Ergebnis fachlich abnehmen

Prüfen Sie Zahlen gegen bekannte Kontrollsummen, Zeiträume, Stichproben und die Definition der Kennzahl. Lassen Sie Änderungen von einer zuständigen Person reviewen und halten Sie Dialekt, Version, Annahmen und Ausführungszeitpunkt fest. Bedenken Sie, dass ein verbundener Client Daten und Ergebnisse an einen Modellanbieter übertragen kann. Aktualisieren Sie die offizielle Plattformdokumentation als Referenz, wenn sich Funktionen oder Kostenregeln ändern.

Kostenlos
Anbieter
Anthropic
Zuletzt geprüft
09.09.2026

Repository und Dokumentation

Kategorien

Kompatibel mit

Claude Code