AI ist gut geeignet für Formatkonvertierungen (CSV ↔ JSON ↔ SQL) und Migrationsskripte, da die Transformationsregeln mechanisch sind. Der Trick ist, ihr genug Kontext zu geben, um korrekt und sicher zu sein: Schemas, eine Beispielzeile und explizite Sicherheitsanforderungen.
import csv
# Source CSV: id,email,signup_date (signup_date may be blank)
# Target table: users(id INT, email TEXT NOT NULL, signup_date DATE NULL)
def csv_to_sql(path: str) -> list[str]:
statements = []
with open(path, newline="", encoding="utf-8") as f:
for row in csv.DictReader(f):
email = row["email"].strip()
if not email: # validate: skip invalid rows, don't insert garbage
continue
date = row["signup_date"].strip() or None
email_sql = email.replace("'", "''") # escape quotes to avoid broken SQL / injection
date_sql = f"'{date}'" if date else "NULL"
# ON CONFLICT makes it idempotent: re-running won't create duplicates
statements.append(
f"INSERT INTO users (id, email, signup_date) "
f"VALUES ({int(row['id'])}, '{email_sql}', {date_sql}) "
f"ON CONFLICT (id) DO NOTHING;"
)
return statements
Die Kommentare kennzeichnen die wichtigen Teile: Validierung (leere E-Mails überspringen), Escaping (Anführungszeichen), und Idempotenz (ON CONFLICT DO NOTHING). Bitte AI, alle drei einzubeziehen — das sind die Dinge, die ein naives Skript vergisst.
Datenmigrationenen sind hochriskant und oft einmalig: Ein Skript, das doppelt einfügt oder Zeilen löscht, kann teuer in der Rückgängigmachung sein. AI beschleunigt das Schreiben der Konvertierung, aber die Sicherheitseigenschaften — Idempotenz, Validierung und ein Dry-Run auf einer Kopie — sind nicht verhandelbar. Behandle das generierte Skript als einen Entwurf, den du lesen und testen musst, niemals als etwas, das du blind gegen echte Daten ausführst.