核心用法
Warehouse UI 是一款跨平台数据库命令行工具，定位为"通用数据库 IDE"。用户通过 warehouse-ui connect 建立数据库连接（支持连接字符串或显式参数），连接状态会在会话间保持。核心功能包括：
- 多数据库支持：PostgreSQL、MySQL、SQLite、BigQuery、MongoDB
- Schema 探索：
list-databases、list-tables、describe <table>快速了解数据结构 - 查询执行：直接 SQL 字符串、SQL 文件、结果限制控制
- 成本估算：
dry-run命令对 BigQuery 查询进行字节数和费用预估 - AI 辅助：基于 OpenAI/Anthropic API 的自然语言转 SQL，支持仅生成或生成并执行
输出统一为 JSON 格式，包含列信息、行数据、执行时长，BigQuery 额外返回处理字节数和成本。
显著优点
1. 成本敏感设计：BigQuery 的 dry-run 功能在数据仓库场景中极具实用价值，可避免昂贵查询失误
2. AI 集成前沿：内置 LLM 辅助降低 SQL 编写门槛，适合非专业数据分析师
3. 统一接口：多数据库支持减少工具切换成本，JSON 输出便于脚本化处理
4. 轻量部署：单二进制文件，GitHub Releases 分发，无复杂依赖
潜在局限
- 版本成熟度：v0.9.0 接近 1.0 但非正式版，API 稳定性待观察
- AI 依赖风险：自然语言转 SQL 依赖外部 API，存在数据隐私顾虑和 token 成本
- 功能深度：相比专业 IDE（如 DataGrip、TablePlus）缺少可视化编辑、ER 图、协作功能
- MongoDB 支持：文档中提及但示例较少，NoSQL 场景支持可能弱于 SQL 数据库
适合人群
- 需要频繁切换多种数据库的 DevOps/SRE 工程师
- 关注 BigQuery 成本控制的云数据工程师
- 希望快速生成 SQL 的数据分析师（具备 API Key 前提下）
- 偏好命令行工作流、需要 JSON 输出做自动化的开发者
常规风险
- 凭证安全：数据库 URL 和密码通过命令行参数传递，可能进入 shell history；建议配合环境变量使用
- AI 生成 SQL 风险：自动执行的 AI 生成查询可能包含逻辑错误或安全隐患（如缺少 WHERE 条件导致全表扫描），
--execute需谨慎 - BigQuery 成本：尽管有 dry-run，实际执行时若未加限制仍可能产生高额费用
- 第三方依赖：AI 功能依赖 OpenAI/Anthropic 服务可用性和合规性