KQL-editor-deltagare

Detta verktyg erbjuder en domänfokuserad ram för att modellera deltagarbaserade KQL-frågescenarier. Det definierar indata som cluster_uri, databas och KQL-texten, samt alternativ kontroll som time_window, max_results och parameter-mappningar. Det bevarar reproducerbarhet genom att fånga konfigurationer och den resulterande dataformen, utan att köra live-frågor. Modellen stöder flera användare som simulerar olika perspektiv på samma dataset.

Konceptuellt skapar och validerar användare frågor i en kontrollerad miljö. Verktyget validerar indata, tillämpar parameterersättning och returnerar en strukturerad resultatrepresentation, inklusive total_count, execution_time_ms och en exempelpayload. Det stöder tidsfönster som Last_24h, Last_7d eller explicita datumintervall och kan producera utdata i tabellform eller JSON. Det dokumenterar även antaganden och eventuella fallback-alternativ för felsökning.

Vem gagnas av det: dataingenjörer, data scientists och operations-team som behöver reproducerbara KQL-scenarier. Unik värde ligger i att simulera flera deltagare och exportera upprepbara arbetsflöden för tester, jämförelser och kunskapsöverföring. Det hjälper team att enas om frågelogiken utan att exponera produktionsinloggningar eller kräva direkt åtkomst till live-kluster.

Kärnfunktioner inkluderar strikt indata validering, en parameteriserad frågeskikt, valfri utdataformatering och en mock-körningsväg för planering. För AI-agenten ger verktyget ett konkret schema av in- och utdata för att resonera om resultat, optimera frågor och generera dokumenterade scenarier för revision och utbildning.