Перенос рабочих нагрузок SQL между различными платформами, такими как Databricks, SQL и BigQuery, является распространенной проблемой из-за различий в синтаксисе и функциях. В этой записи блога подробно описан процесс преобразования SQL-запросов Databricks в BigQuery SQL. Автор стремился повысить эффективность и снизить затраты за счет переноса аналитических рабочих нагрузок с Databricks на BigQuery. Ручной перевод оказался трудоемким и подверженным ошибкам. Google Gemini был использован в качестве помощника искусственного интеллекта, чтобы преодолеть разрыв между двумя диалектами SQL. Процесс включал в себя создание руководства по сопоставлению функций и использование нескольких примеров для обучения Gemini. С помощью Vertex AI был реализован слой Retrieval-Augmented Generation (RAG) для предоставления Gemini контекстной информации, повышающей точность перевода. Архитектура включала хранение исходного SQL в Google Cloud Storage и интеграцию с Gemini API. Для проверки на наличие проблем с синтаксисом был использован слой проверки с пробными прогонами BigQuery. Основные выводы подчеркивают эффективность объединения RAG с Gemini, важность всеобъемлющего руководства по картированию функций и необходимость тщательной проверки. Такой подход оптимизирует миграцию SQL, делая процесс более быстрым и надежным.