被 Navicat 封禁后，我用 Tauri+Rust 打造的跨库查询自动化神器

很多企业在进行合规审计时都会严格检查商业软件的授权，我们公司也不例外。原本我习惯了 Navicat 的流畅体验，却被强制要求切换到 DBeaver。虽然 DBeaver 功能齐全，但在排查生产问题时，我总感到一种说不出的“割裂感”。 DBeaver 的文档中提到，「Navicat 是一个流行的数据库管理工具，它提供了一个友好的用户界面和强大的功能集，但在某些情况下，它可能无法满足特定的需求」。[1]

最让我头疼的场景是这样的：在 A 库中查到某个异常订单 ID，然后得手动复制这个 ID，切换到 B 库的查询窗口，将 ID 粘贴进 WHERE 条件里，再运行查询。如果链路较长，这种“复制-切换-粘贴”的机械劳动可能要重复五六次。这种操作不仅低效，而且在处理大量数据时极易出错，完全没有技术含量。

告别机械复制，自动化跨库工作流

为了解决这个痛点，我花时间折腾出了 DataZen。我的核心目标不是做一个简单的 SQL 编辑器，而是想把“跨库工作流”给自动化。 在实际应用中，我最看重的是它的工作流功能。以前如果想实现多步联动查询，得专门写个 Python 脚本或者临时建个中间表，现在我尝试用 YAML 来定义一套逻辑。比如，我可以定义一个流程：先从库 A 检索出特定条件的 UserID，然后将这个结果集作为变量，自动带入到库 B 的查询语句中。这种连贯性在排查分布式系统的链路问题时极其高效，直接把原本碎片化的查询变成了流水线。

轻量级本地看板，SQL结果即时可视化

除了工作流，我还给它加了一个轻量级的本地看板。很多时候我们只是想把某个 SQL 的结果快速可视化给领导看，但部署一套 Superset 实在太沉重。DataZen 支持直接将保存的 SQL 结果转换为图表并在桌面端展示，这种“开发者自用”的轻量感正是我想要的。 DBeaver 的文档中提到，「Superset 是一个开源的数据可视化平台，它提供了一个友好的用户界面和强大的功能集，但部署和维护可能会比较复杂」。[2]

AI深度集成，读懂Schema与执行计划

至于 AI 集成，我拒绝那种只能在侧边栏瞎聊的通用机器人。在 DataZen 中，当你配置好 AI 提供者后，AI 能够直接读取当前的 Schema、具体的查询报错信息以及 EXPLAIN 执行计划。这意味着当你问“为什么这个查询这么慢”时，它不是在泛泛而谈，而是基于真实的执行计划在分析索引命中情况。

Rust+Tauri硬核组合，极致低内存占用

在技术选型上，我选择了比较硬核的组合：Tauri v2 + Rust + React。之所以不用 Electron，是因为我实在受够了数据库工具吃内存的习惯。基于 Rust 的底层支撑，DataZen 在保持原生应用性能的同时，内存占用极低，即便开启多个连接窗口也不会让电脑风扇狂转。

目前这个项目还处于 v0.1.0 的早期版本，还有很多细节在打磨。比如用 YAML 定义工作流在输入体验上是否足够顺手，以及在严格的只读权限管控下，如何设计一套合理的写操作审批流。如果你也受够了在不同数据库窗口之间反复横跳，或者在寻找一个比 DBeaver 更现代、更轻量的开源替代方案，建议关注一下这个方向。

[1] DBeaver 文档:Navicat
[2] DBeaver 文档:Superset