Назад до prompt library
Бібліотека promptChat Prompt

Чат для пояснення SQL-запитів

Використовуйте структурований чат-воркфлоу, щоб простою мовою пояснювати SQL-запит, припущення, JOIN-з'єднання та ризики продуктивності.

SQLАналізПояснення
Preview

Chat Prompt

Recommended model

Gemini 3 Pro

Output format

Чат для пояснення SQL-запитів

Preview

Chat Prompt

chat thread

Поясніть цей запит, який рахує активних користувачів шаблонів промптів.

Мета: порахувати користувачів, які відкрили або використали шаблон промпту у вибраному часовому вікні. Ризик JOIN: події можуть дублювати користувачів, якщо запит не усуває дублікати за ідентифікатором користувача. Ризик фільтра: локаль і анонімні сесії можуть змінити знаменник. Продуктивність: перед запуском на повній історії проіндексуйте event_name і created_at.

Output

Мета / контекст / судження / ризики / рекомендовані дії / відсутня інформація

Приклад структурованої розмови для чату пояснення SQL-запитів.

Full prompt

Чат для пояснення SQL-запитів

Чат для пояснення SQL-запитів: поясніть SQL-запит, припущення, JOIN-з'єднання та ризики продуктивності простою мовою.

Recommended model: Gemini 3 ProOutput format: Чат для пояснення SQL-запитів
Full prompt
Chat Prompt
Ти дата-аналітик. На основі введених користувачем даних поясни SQL-запит, припущення, JOIN-з'єднання та ризики продуктивності простою мовою. Поверни структуровану відповідь із такими розділами: мета, відомий контекст, ключове судження, ризики або прогалини, рекомендовані дії та відсутня інформація. Обґрунтовуй твердження наданими матеріалами; позначай припущення замість того, щоб вигадувати факти. Постав щонайбільше одне уточнювальне запитання лише тоді, коли бракує критичного контексту.

Примітки щодо використання

Вставте реальний контекст, обмеження, аудиторію та дедлайн; не просіть модель вигадувати відсутні факти.

Prompt FAQ

Перед використанням цього prompt

Quick checks для inputs, model fit і того, як адаптувати template без послаблення result.

Коли варто використовувати чат для пояснення SQL-запитів?

Використовуйте його, коли потрібно перетворити реальні вхідні дані на структурований, практичний і придатний до перевірки чат-результат.

Що потрібно додати перед запуском?

Додайте мету, обмеження, аудиторію, вихідні матеріали та межі того, що модель не повинна вигадувати.

Thread preview

Поясніть цей запит, який рахує активних користувачів шаблонів промптів.
Мета: порахувати користувачів, які відкрили або використали шаблон промпту у вибраному часовому вікні. Ризик JOIN: події можуть дублювати користувачів, якщо запит не усуває дублікати за ідентифікатором користувача. Ризик фільтра: локаль і анонімні сесії можуть змінити знаменник. Продуктивність: перед запуском на повній історії проіндексуйте event_name і created_at.

Output

Мета / контекст / судження / ризики / рекомендовані дії / відсутня інформація

Більше prompts у цьому mode

chat thread

Ми хочемо створити AI-асистента для невеликих команд електронної комерції, який перетворює продуктові фото на матеріали кампаній.

Гіпотеза проблеми: невеликі команди електронної комерції втрачають час, перетворюючи сирі продуктові фото на готові для каналів матеріали кампаній. Найризикованіші припущення: якість фото достатньо висока, команди довіряють варіаціям матеріалів від AI, а час перевірки є справжнім вузьким місцем. Дослідницькі запитання: хто відповідає за створення матеріалів кампаній, де зупиняються правки та яка планка якості блокує публікацію. План валідації: провести інтерв'ю з 5 операторами, протестувати 3 потоки створення матеріалів через промпти та порівняти час до першого схваленого матеріалу. Ворота рішення: продовжувати лише якщо команди можуть отримати придатний до публікації чернетковий матеріал швидше, ніж у поточному воркфлоу.

chat thread

Ми досліджуємо новий AI-продукт для нотаток для сольних консультантів. Допоможіть перетворити це на дослідницький бриф.

Мета: визначити, чи потрібен сольним консультантам AI-робочий простір для нотаток або легший шар подальшої роботи з клієнтами. Робочі припущення: вони вже фіксують нотатки, але синтез і чернетки наступних кроків непослідовні. Аудиторія: сольні консультанти з регулярними клієнтськими дзвінками та обмеженою операційною підтримкою. Ключові запитання: які нотатки перетворюються на оплачувану роботу, що губиться після дзвінків і де CRM-інструменти здаються надто важкими. План дослідження: провести 6 інтерв'ю, переглянути 10 нещодавніх робочих процесів нотаток дзвінків і протестувати один прототип брифу для подальшої роботи.

chat thread

Ось структура лендингу нашого AI-продукту. Скажіть, що незрозуміло, перш ніж ми перейдемо до дизайну.

Основна обіцянка: видима, але все ще сформульована як функція, а не як конкретний результат для користувача. Незрозумілий момент: сторінка не пояснює, хто отримує цінність першим і який робочий процес змінюється після реєстрації. Прогалина в прикладах: додайте приклади до/після, зразки результатів моделі та один короткий сигнал довіри біля hero. Проблема CTA: основна дія з'являється після надто довгого пояснення; перемістіть CTA, орієнтований на використання, ближче до секції quick-use. План ревізії: загостріть hero, додайте картки результатів, потім перепишіть заперечення перед поліруванням візуалу.