拓冰网站定制 
Wren AI 完整上手指南3 步接入数据库让 AI 用自然语言写出可信的 SQL【免费下载链接】WrenAIGenBI (Generative BI) for AI agents, an open-source, governed text-to-SQL through an open context layer that turns natural-language questions into trusted dashboards, charts, and SQL across 20 data sources, such as BigQuery, Snowflake, PostgreSQL, ClickHouse, Amazon Redshift, Databricks and more.项目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI让 AI Agent 直接写 SQL 不难难的是它写的 SQL 你敢不敢用。表结构它能看懂但status 4是退款、营收该用哪个字段、哪张表才是权威版本——这些只有你的团队知道。结果就是 Agent 自信满满地给出一个看起来对的答案直到你核对数据才发现错了。Wren AI 要解决的就是这个问题。它是一个开源的生成式 BIGenBI引擎核心能力是受治理的 text-to-SQL自然语言问题进来先经过语义层MDL规划、再经 dry-plan 校验最后才在数据源上执行。支持 PostgreSQL、BigQuery、Snowflake、ClickHouse、Amazon Redshift、Databricks、DuckDB 等 20 多种数据源并且生成的答案可以一键部署成可分享的仪表盘。它凭什么比直接让 LLM 写 SQL更靠谱Wren AI 的关键词不是生成而是治理。三件事构成了它的地基语义层 MDL用 Git 友好的 YAML 文件描述你的数据意味着什么——模型、字段、表关系、计算字段、指标cubes。Agent 不再对着裸 schema 猜而是按团队确认过的定义来规划查询。记忆层 Memory历史确认过的自然语言 → SQL对存在项目文件里配合本地向量索引LanceDB做语义召回。你问过一次每月营收下次换个问法它也能找到那次的答案。受治理的执行dry-plan 校验、行数限制、带提示的结构化报错把 Agent 生成的 SQL 圈在护栏内执行。这三层都落在普通文件里可以 review、可以 diff、可以随代码一起版本管理——不锁在任何厂商的界面里。如架构图所示上层的 Claude Code、Cursor 等各类 AI Agent 通过查询进入 Wren AI 的开放上下文层MDL Memory 受治理访问再由它以方言 SQL 执行到底层数据源。访问方式有 CLI、Python SDK 和 WASM 三种对应命令行、Agent 编排和浏览器端仪表盘三个场景。快速体验用示例库 15 分钟跑通第一个问题官方给了一条不需要自己数据库的路径——基于 dbt 的 jaffle_shop 示例库 DuckDB全程本地约 15 分钟。完整步骤见 docs/core/get_started/quickstart.md核心命令只有四步1. 安装 CLI默认自带 DuckDB 连接器pip install wrenai[memory,main] wren version2. 建连接 profile 并初始化项目wren profile add jaffle-shop --ui # 浏览器表单里填 DuckDB 目录 wren context init # 生成 models/ views/ cubes/ knowledge/ 项目骨架 wren context set-profile jaffle-shop3. 让 Agent 生成 MDL装一个约 50 行的技能桩自动识别 Claude Code、Cursor 等客户端然后在项目目录里对 Agent 说用 Wren 探索 jaffle_shop 的 customers 和 orders 表生成 MDL。它会内省表结构、推断关系、写好模型文件并执行wren context validate和wren context build完成校验与编译。4. 开始提问本月下单超过一次的客户有多少Agent 会按固定套路工作wren memory fetch取相关表字段 →wren memory recall找相似历史查询 → 基于 MDL 写 SQL →wren --sql执行 →wren memory store存入本次问答。问得越多召回越准系统会越用越顺。不想搭这套流程的话仓库里还有一个开箱即查的项目示例 examples/v5-jaffle/可以直接看一个完整的 MDL 项目长什么样。接你自己的数据库一条 pip 命令加一个 profile接入自有数据源时流程与上面完全一致只是多装一个连接器 extrapip install wrenai[postgres,bigquery,snowflake,clickhouse,redshift] wren profile add my-db --interactive每个连接器需要的字段名不必背CLI 会按当前安装的版本生成wren docs connection-info postgres即可。所有连接器的实现集中在 core/wren/src/wren/connector/支持列表和字段规范见 docs/core/guides/connect.md。从一条答案到一个可分享的仪表盘text-to-SQL 只解决了一半问题另一半是这个答案我想发给别人看。Wren AI 的 GenBI 能力就是干这个的对 Agent 说把上面的营收分析做成可筛选的仪表盘并部署到 Vercel它会走 genbi 工作流wren genbi build用 MDL 上下文和固定版本的wren-core-wasm生成应用规格Agent 在apps/name/下写一个自包含的浏览器端应用并快照数据纯前端运行、无需后端本地预览你用自然语言让它改换成柱状图、去掉状态筛选确认无误后wren genbi deploy部署到你自己的 Vercel 或 Cloudflare Pages 账号返回一个可分享的 URL。仪表盘跑在wren-core-wasmWebAssembly 构建之上查询仍在浏览器端执行数据不经过任何第三方服务——连接信息始终在你手里。哪些知识真正决定答案质量工具本身只是放大器真正拉开差距的是你喂给它的上下文。Wren AI 把这部分也做成了文件方便持续经营models/*/metadata.yml给表和字段补上业务描述描述越好检索越准knowledge/rules/业务规则与命名约定比如营收一律指订单 amount 字段退款单要剔除knowledge/sql/确认过的自然语言-SQL 对是 Agent 的 few-shot 示例库机制细节见 docs/core/concepts/memory_system.mdrelationships.yml修正表连接条件——错误的关系是导致静默错答的头号原因。改完任何文件跑一遍wren context validate wren context build wren memory index即可生效。MDL 的完整概念说明在 docs/core/concepts/what_is_mdl.md命令速查见 docs/core/reference/cli.md。开始之前先想清楚一件事Wren AI 适合业务定义散落在人脑和文档里、Agent 反复猜错的团队如果你只是要从单个 CSV 出一次图表它的上下文建设成本就不划算了。它的开源边界也很清楚MDL 语义层、受治理 text-to-SQL、MCP 服务、CLI 和 20 连接器全部 Apache-2.0 免费行级/列级安全、托管 UI 等属于商业版。仓库里已经有一个能问出答案的最小路径装 CLI → 建 profile → 让 Agent 生成 MDL → 问第一个问题。今晚就可以在你的数据库上跑起来看看它第一次生成的 SQL 和你的定义差了多远——那个差距就是 Wren AI 能帮你持续缩小的部分。【免费下载链接】WrenAIGenBI (Generative BI) for AI agents, an open-source, governed text-to-SQL through an open context layer that turns natural-language questions into trusted dashboards, charts, and SQL across 20 data sources, such as BigQuery, Snowflake, PostgreSQL, ClickHouse, Amazon Redshift, Databricks and more.项目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Wren AI 完整上手指南：3 步接入数据库，让 AI 用自然语言写出可信的 SQL
Wren AI 完整上手指南3 步接入数据库让 AI 用自然语言写出可信的 SQL【免费下载链接】WrenAIGenBI (Generative BI) for AI agents, an open-source, governed text-to-SQL through an open context layer that turns natural-language questions into trusted dashboards, charts, and SQL across 20 data sources, such as BigQuery, Snowflake, PostgreSQL, ClickHouse, Amazon Redshift, Databricks and more.项目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI让 AI Agent 直接写 SQL 不难难的是它写的 SQL 你敢不敢用。表结构它能看懂但status 4是退款、营收该用哪个字段、哪张表才是权威版本——这些只有你的团队知道。结果就是 Agent 自信满满地给出一个看起来对的答案直到你核对数据才发现错了。Wren AI 要解决的就是这个问题。它是一个开源的生成式 BIGenBI引擎核心能力是受治理的 text-to-SQL自然语言问题进来先经过语义层MDL规划、再经 dry-plan 校验最后才在数据源上执行。支持 PostgreSQL、BigQuery、Snowflake、ClickHouse、Amazon Redshift、Databricks、DuckDB 等 20 多种数据源并且生成的答案可以一键部署成可分享的仪表盘。它凭什么比直接让 LLM 写 SQL更靠谱Wren AI 的关键词不是生成而是治理。三件事构成了它的地基语义层 MDL用 Git 友好的 YAML 文件描述你的数据意味着什么——模型、字段、表关系、计算字段、指标cubes。Agent 不再对着裸 schema 猜而是按团队确认过的定义来规划查询。记忆层 Memory历史确认过的自然语言 → SQL对存在项目文件里配合本地向量索引LanceDB做语义召回。你问过一次每月营收下次换个问法它也能找到那次的答案。受治理的执行dry-plan 校验、行数限制、带提示的结构化报错把 Agent 生成的 SQL 圈在护栏内执行。这三层都落在普通文件里可以 review、可以 diff、可以随代码一起版本管理——不锁在任何厂商的界面里。如架构图所示上层的 Claude Code、Cursor 等各类 AI Agent 通过查询进入 Wren AI 的开放上下文层MDL Memory 受治理访问再由它以方言 SQL 执行到底层数据源。访问方式有 CLI、Python SDK 和 WASM 三种对应命令行、Agent 编排和浏览器端仪表盘三个场景。快速体验用示例库 15 分钟跑通第一个问题官方给了一条不需要自己数据库的路径——基于 dbt 的 jaffle_shop 示例库 DuckDB全程本地约 15 分钟。完整步骤见 docs/core/get_started/quickstart.md核心命令只有四步1. 安装 CLI默认自带 DuckDB 连接器pip install wrenai[memory,main] wren version2. 建连接 profile 并初始化项目wren profile add jaffle-shop --ui # 浏览器表单里填 DuckDB 目录 wren context init # 生成 models/ views/ cubes/ knowledge/ 项目骨架 wren context set-profile jaffle-shop3. 让 Agent 生成 MDL装一个约 50 行的技能桩自动识别 Claude Code、Cursor 等客户端然后在项目目录里对 Agent 说用 Wren 探索 jaffle_shop 的 customers 和 orders 表生成 MDL。它会内省表结构、推断关系、写好模型文件并执行wren context validate和wren context build完成校验与编译。4. 开始提问本月下单超过一次的客户有多少Agent 会按固定套路工作wren memory fetch取相关表字段 →wren memory recall找相似历史查询 → 基于 MDL 写 SQL →wren --sql执行 →wren memory store存入本次问答。问得越多召回越准系统会越用越顺。不想搭这套流程的话仓库里还有一个开箱即查的项目示例 examples/v5-jaffle/可以直接看一个完整的 MDL 项目长什么样。接你自己的数据库一条 pip 命令加一个 profile接入自有数据源时流程与上面完全一致只是多装一个连接器 extrapip install wrenai[postgres,bigquery,snowflake,clickhouse,redshift] wren profile add my-db --interactive每个连接器需要的字段名不必背CLI 会按当前安装的版本生成wren docs connection-info postgres即可。所有连接器的实现集中在 core/wren/src/wren/connector/支持列表和字段规范见 docs/core/guides/connect.md。从一条答案到一个可分享的仪表盘text-to-SQL 只解决了一半问题另一半是这个答案我想发给别人看。Wren AI 的 GenBI 能力就是干这个的对 Agent 说把上面的营收分析做成可筛选的仪表盘并部署到 Vercel它会走 genbi 工作流wren genbi build用 MDL 上下文和固定版本的wren-core-wasm生成应用规格Agent 在apps/name/下写一个自包含的浏览器端应用并快照数据纯前端运行、无需后端本地预览你用自然语言让它改换成柱状图、去掉状态筛选确认无误后wren genbi deploy部署到你自己的 Vercel 或 Cloudflare Pages 账号返回一个可分享的 URL。仪表盘跑在wren-core-wasmWebAssembly 构建之上查询仍在浏览器端执行数据不经过任何第三方服务——连接信息始终在你手里。哪些知识真正决定答案质量工具本身只是放大器真正拉开差距的是你喂给它的上下文。Wren AI 把这部分也做成了文件方便持续经营models/*/metadata.yml给表和字段补上业务描述描述越好检索越准knowledge/rules/业务规则与命名约定比如营收一律指订单 amount 字段退款单要剔除knowledge/sql/确认过的自然语言-SQL 对是 Agent 的 few-shot 示例库机制细节见 docs/core/concepts/memory_system.mdrelationships.yml修正表连接条件——错误的关系是导致静默错答的头号原因。改完任何文件跑一遍wren context validate wren context build wren memory index即可生效。MDL 的完整概念说明在 docs/core/concepts/what_is_mdl.md命令速查见 docs/core/reference/cli.md。开始之前先想清楚一件事Wren AI 适合业务定义散落在人脑和文档里、Agent 反复猜错的团队如果你只是要从单个 CSV 出一次图表它的上下文建设成本就不划算了。它的开源边界也很清楚MDL 语义层、受治理 text-to-SQL、MCP 服务、CLI 和 20 连接器全部 Apache-2.0 免费行级/列级安全、托管 UI 等属于商业版。仓库里已经有一个能问出答案的最小路径装 CLI → 建 profile → 让 Agent 生成 MDL → 问第一个问题。今晚就可以在你的数据库上跑起来看看它第一次生成的 SQL 和你的定义差了多远——那个差距就是 Wren AI 能帮你持续缩小的部分。【免费下载链接】WrenAIGenBI (Generative BI) for AI agents, an open-source, governed text-to-SQL through an open context layer that turns natural-language questions into trusted dashboards, charts, and SQL across 20 data sources, such as BigQuery, Snowflake, PostgreSQL, ClickHouse, Amazon Redshift, Databricks and more.项目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考