rawquery

Облачная платформа данных, рассчитанная на управление LLM-агентами, а не людьми. Интерфейс продукта - это CLI, который Claude Code, Cursor или любой другой coding-агент может вызывать напрямую: подключить источник, синхронизировать данные, запросить список схем, выполнить SQL, построить графики, опубликовать результаты по публичному URL. Человек общается на обычном языке; агент берёт на себя SQL и техническую рутину.

Что делает

Три составляющие:

• Коннекторы к источникам. Stripe, HubSpot и подобные SaaS-источники превращаются в схемы, доступные для SQL-запросов. В демонстрационном сценарии пользователь подключает оба сервиса двумя CLI-командами и за несколько минут получает десять таблиц в схемах stripe_prod и hubspot_crm.
• Выполнение SQL. Агент сам пишет и выполняет запросы. Пример из анонса проходит путь от вопроса "сработала ли email-кампания?" до когортной таблицы сравнения (847 клиентов из рассылки со средним чеком 89.41 против 1 994 в контрольной группе с 61.27) без единой написанной вручную строчки SQL.
• Публикация. Одна команда превращает результат запроса в публичный URL (https://rawquery.dev/c/<id>) с готовым графиком, для просмотра которого авторизация не нужна.

Позиционирование противопоставляет платформу классическому BI-пайплайну: дата-инженер моделирует источник, аналитик пишет запросы, дашборд-инструмент (Looker) показывает результаты, и все ждут выдачи доступов. rawquery сжимает эту цепочку до одного вопроса на естественном языке.

Как это вписывается в работу с LLM-агентами

Два проектных решения указывают на целевую аудиторию:

• CLI-first. Агент выполняет команды в терминале. Никакого MCP-сервера, никакого web UI, никакой отдельной авторизации на каждый запрос. Тот же ход мыслей, что и в mcp-vs-skills, где аргументируется простота и минимальный контекст при доступе к инструментам.
• Интроспекция схем. Команды list schemas и list tables with row counts задуманы как первые вызовы агента: они дают контекст, необходимый для написания корректного SQL, избавляя от необходимости заранее описывать структуру данных.

Философия продукта описана в llm-as-average-democratizer - для большинства бизнес-вопросов среднего уровня SQL вполне достаточно, поэтому нужно убрать всё лишнее между вопросом и запросом.

Пример использования

Из анонса average-is-all-you-need:

> connect my Stripe and my HubSpot to rawquery
[agent runs connector setup]
> I ran an email campaign in March. Did it move revenue?
  Compare people who received the email vs those who didn't.
[agent writes SQL, returns cohort table]
> Break it down by week. I want to see if the effect wore off.
[agent returns weekly breakdown]
> Save that, make a chart, give me a link I can send my manager.
Published: https://rawquery.dev/c/e3xW3uLXrGGheqYvZaEddw

Пользователь написал четыре предложения. Всё остальное сделал агент.

Ограничения и открытые вопросы

• Ответственность за корректность лежит на пользователе. Платформа позволяет агенту быстро писать SQL, но не проверяет корректность join'ов. Для критически важной аналитики это та же проблема cult-of-vibe-coding, только в сфере данных.
• Закрытый исходный код и облачный хостинг. Данные уходят на бэкенд rawquery. Для чувствительных данных это неприемлемо; ср. аргументы в пользу локального ИИ в titit-local-ai.
• Набор коннекторов. В публикации показаны только Stripe и HubSpot. Практическая польза за рамками демо-сценариев будет зависеть от разнообразия коннекторов и актуальности синхронизации.
• Цены, масштабирование, лимиты на запросы. В анонсе не раскрываются.

Связанные страницы

• average-is-all-you-need - эссе к запуску
• llm-as-average-democratizer - общее описание концепции
• ai-assisted-workflow - более широкий паттерн совместной работы агента и человека

Сайт: rawquery.dev. Бесплатный тариф доступен на rawquery.dev/signup.