Хотите писать SQL-запросы в 10 раз быстрее и не гуглить синтаксис MongoDB каждую неделю? ИИ уже умеет генерировать сложные JOIN'ы, оптимизировать индексы и даже проектировать схему NoSQL-базы. Но только если дать ему правильную инструкцию.
В этой подборке — 15 готовых промптов для ежедневных задач: от простого SELECT до миграции данных между SQL и NoSQL. Сохраняйте, чтобы не потерять, и перестаньте писать рутинный код вручную.
Бонус: в конце — универсальный шаблон, который превращает ChatGPT/Claude в вашего персонального DBA.
SQL: от новичка до PRO
Базовые запросы с контекстом
Не просите ИИ просто «написать запрос». Дайте ему структуру таблицы:
📌 Промпт #1: Генерация SELECT с условиями
У меня есть таблица users:
- id (INT, PRIMARY KEY)
- email (VARCHAR)
- created_at (TIMESTAMP)
- last_login (TIMESTAMP)
- is_active (BOOLEAN)
Напиши SQL-запрос, который выберет всех активных пользователей,
которые заходили в последние 30 дней.
Отсортируй по дате последнего входа (сначала новые).
Используй PostgreSQL синтаксис.
Почему работает: ИИ видит типы данных, знает диалект SQL и понимает бизнес-логику («последние 30 дней» = WHERE last_login >= NOW() - INTERVAL '30 days').
Сложные JOIN и агрегации
📌 Промпт #2: Аналитика с группировкой
Таблицы:
1. orders (id, user_id, amount, status, created_at)
2. order_items (id, order_id, product_id, quantity, price)
Напиши запрос, который покажет:
- Top-5 пользователей по общей сумме заказов за последний месяц
- Средний чек каждого из этих пользователей
- Количество заказов
Только статус 'completed'. PostgreSQL.
Результат: получите готовый запрос с CTE (Common Table Expressions), который можно сразу копировать в pgAdmin или DBeaver.
Оптимизация медленных запросов
📌 Промпт #3: Поиск узких мест
Вот мой медленный запрос (выполняется 8 секунд):
SELECT u.*, o.total
FROM users u
LEFT JOIN orders o ON u.id = o.user_id
WHERE YEAR(o.created_at) = 2024
AND u.status = 'active'
ORDER BY o.total DESC
Таблицы: users (100K записей), orders (2M записей)
Есть индексы: users(id), orders(id)
1. Объясни, почему запрос медленный
2. Предложи оптимизацию
3. Напиши CREATE INDEX для ускорения
Профит: ИИ укажет на классическую ошибку — YEAR(o.created_at) ломает использование индекса по дате, и предложит диапазонный WHERE.
NoSQL: MongoDB и не только
Проектирование схемы документа
📌 Промпт #4: Структура для MongoDB
Проектирую блог с комментариями.
Сущности:
- Пользователь (профиль, настройки, статистика)
- Статья (заголовок, текст, теги, автор, дата)
- Комментарий (текст, автор, статья, дата, лайки)
Помоги спроектировать схему документов MongoDB:
1. Какие данные вложить (embed), какие вынести в отдельные коллекции (reference)?
2. Покажи пример документа статьи с 3 комментариями
3. Объясни trade-offs твоего подхода
Учитывай: статьи читают часто, комментируют редко.
Зачем: В NoSQL главное — правильно денормализовать данные. ИИ поможет выбрать между embed и reference.
Агрегации MongoDB
📌 Промпт #5: Pipeline aggregation
Коллекция sales:
{
_id: ObjectId,
product: "Laptop",
category: "Electronics",
amount: 1200,
date: ISODate("2024-01-15"),
region: "EU"
}
Напиши aggregation pipeline, который:
1. Отфильтрует продажи за 2024 год
2. Сгруппирует по category
3. Посчитает: общую выручку, среднюю сумму, количество продаж
4. Отсортирует по выручке (убывание)
5. Добавит поле "доля от общей выручки" в процентах
Миграция и конвертация
SQL → NoSQL
📌 Промпт #6: Трансформация данных
У меня реляционная схема:
- users (id, name, email)
- posts (id, user_id, title, content, created_at)
- comments (id, post_id, user_id, text, created_at)
Помоги мигрировать в MongoDB:
1. Как должна выглядеть итоговая коллекция posts?
2. Напиши JavaScript-код для миграции (Node.js + mongoose)
3. Как сохранить связи при встраивании комментариев в пост?
Безопасность и генерация данных
Создание тестовых данных
📌 Промпт #7: Генерация реалистичных данных
Сгенерируй SQL INSERT для 50 пользователей:
- email в формате user{id}@example.com
- created_at: случайная дата между 01.01.2023 и 01.06.2024
- last_login: NULL для 20% пользователей,
иначе случайная дата после created_at
- is_active: true для 80%
PostgreSQL синтаксис, используй generate_series().
Универсальный шаблон-конструктор
Сохраните этот промпт как основу для любых задач:
📌 ШАБЛОН: DBA Assistant
Ты — senior database developer с экспертизой в [SQL/NoSQL].
Контекст:
- СУБД: [PostgreSQL/MySQL/MongoDB/Redis]
- Объем данных: [примерное количество записей]
- Use case: [веб-приложение/аналитика/IoT/финансы]
Моя задача:
[опиши что нужно сделать]
Существующая схема:
[вставь CREATE TABLE или пример документа]
Требования:
- [производительность/читаемость/совместимость]
- [дополнительные ограничения]
Предложи:
1. Решение с пояснением
2. Код (с комментариями)
3. Альтернативный подход и его плюсы/минусы
4. Рекомендации по индексам/настройкам
Pro tips для лучших результатов
✅ Делайте:
- Указывайте конкретную СУБД (диалекты SQL отличаются!)
- Давайте примеры данных (1-2 строки)
- Описывайте объем таблиц (100 строк ≠ 100 миллионов)
- Просите объяснить решение, а не просто дать код
❌ Не делайте:
- «Напиши запрос для базы данных» (слишком абстрактно)
- Не указывайте версию СУБД, если используете специфичные фичи
- Не копируйте слепо — всегда проверяйте на тестовой базе
Чек-лист идеального промпта
Перед отправкой проверьте:
- Указана СУБД и версия (PostgreSQL 15, MongoDB 6.0)
- Есть структура таблиц/коллекций
- Описан объем данных
- Понятна бизнес-цель (не просто «напиши», а «для отчета за месяц»)
- Указаны ограничения (производительность, совместимость)
Какой AI-инструмент используете вы для работы с базами данных? ChatGPT, Claude, GitHub Copilot или что-то еще? Делитесь в комментариях — соберем топ лучших инструментов! 👇
Если статья помогла — поставьте лайк ❤️, это поможет алгоритму Дзена показать материал другим разработчикам!
Читайте также:
Автоматизация рутинных задач: скрипты + ИИ
Как ИИ помог найти баг, который мы искали неделю: реальный кейс с кодом
Amazon CodeWhisperer: стоит ли переходить с Copilot? Честный обзор