5分钟把数据库变成自然语言问答助手WrenAI 新手实操教程【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想象一下你问 AI“上季度销售额是多少”它自信地吐出一段 SQL结果把退款也算了进去——因为status 4到底代表什么数据库自己并不知道。这就是大多数 text-to-SQL 工具翻车的地方Agent 只能看到表结构看不到业务含义。WrenAI 就是一个为此而生的开源 GenBI生成式商业智能引擎它把你的数据语义、指标定义和表关系整理成一层 Agent 可以信任的上下文再让 AI 用自然语言问数、生成可信 SQL直到一键部署可分享的图表看板。支持 BigQuery、Snowflake、PostgreSQL、ClickHouse 等 22 数据源核心引擎基于 Apache DataFusionApache-2.0 协议免费自托管。先问一个问题15 分钟跑通全流程WrenAI 的设计思路是Agent 驱动你负责提需求AI 编码 Agent 负责干活。下面这条路径可以直接照着做约 15 分钟完成。第 1 步装一个 CLI只需一条命令Python 3.11 环境pip install wrenaiDuckDB 引擎默认内置所以哪怕你手头没有任何数据库也能立刻上手。跑一下wren version确认装好了。第 2 步给 AI 装技能在你常用的 AI 编码客户端Claude Code、Cursor、Codex 等里执行npx skills add Canner/WrenAI它会自动检测你装了哪个 Agent并安装一个很小的技能存根。以后 Agent 需要哪份操作指南都会现场向 CLI 索取永远和安装版本匹配。第 3 步让 Agent 替你连库、建模打开 Agent直接说人话即可比如用 Wren 帮我连上我的 Postgres 库生成项目脚手架。Agent 会自动创建连接 profile、初始化项目、检查数据库结构并用 MDL 文件描述你的表和关联关系。整个过程中你只需要回答几个业务含义的问题例如哪些表是团队真正在用的。如果你没有自己的数据库让它用自带的jaffle_shop电商样例数据同样能跑通全流程。第 4 步问出第一个业务问题这个季度销售额 Top 10 的客户是谁Agent 会读取 MDL 上下文、回忆过往相似查询、写出受治理的 SQL再交给 Wren 引擎执行并返回结果。你几乎不需要碰任何 SQL。它凭什么可信MDL 语义层是核心答案WrenAI 的可靠性不靠提示词玄学而靠一份叫 MDLModeling Definition Language的语义合同。你可以把它理解为三件事数据长什么样模型、字段、类型、主键、表间关联与具体数仓解耦数据是什么意思字段别名、计算字段、枚举含义比如status 4是退款、团队认可的口径哪些计算可复用cube 与指标定义一次营收在每张报表里含义都一致。关键在于这些定义全部是项目里的可读 YAML 文件可以直接进 Git可评审、可回滚、可 diff。新人或新 Agent 加入时无需重新学习你的业务读文件就行。定义变了改文件、提交、重建即可全程透明。再往外一层是 AI 上下文层本地记忆索引会记住过去成功的自然语言—SQL配对问得越多后续相似问题召回越准。官方把上下文分成结构、语义、业务、操作、行为五层前三层由 MDL 承载后两层由记忆与示例补足。完整解释见 what_is_context.md 与 what_is_mdl.md。日常只需要记住三条命令上手之后你的高频操作基本就这三条wren query --sql ...通过 MDL 语义层执行 SQL支持 table / csv / json 输出wren ask 问题 --guided把问题包一层结构化提示交给能力稍弱的 Agent 也能稳定产出wren dry-plan --sql ...不连库直接把 MDL SQL 翻译成目标数据源的方言改口径前先空跑验证零风险。所有命令的完整参数在 CLI 参考 里都有随时可查。从拿到答案到发出看板GenBI 部署一步到位答案只是开始。当你想让结果变成可分享的东西时继续对 Agent 说把刚才的结果做成可筛选的交互式看板部署到我的 Vercel 上。Agent 会调用wren skills get genbi加载构建手册基于你项目的上下文生成一个纯浏览器端运行的看板应用由 WASM 引擎驱动本地预览后一条命令发布最后给你一个公开 URL。支持快照模式数据打包进应用适合演示和报表与实时模式查看时回连数仓适合生产场景。细节见 genbi.md。接下来往哪走按这个顺序深入每一步都有对应文档连接你自己的数据库profile 机制、各数据源支持的字段见 connect.md连接器源码在 core/wren/src/wren/connector/覆盖 22 数据源用完整样例跑一遍快速上手指南 用 jaffle_shop 演示从建库到问数的每一步接入更多 Agentwren serve mcp可以把查询、schema 和业务知识的工具暴露给任意 MCP 客户端指南见 mcp.md写代码集成LangChain 与 Pydantic 参考 SDK 分别位于 sdk/wren-langchain/ 和 sdk/wren-pydantic/看一个真实项目长什么样完整示例工程在 examples/v5-jaffle/模型、视图、关系、知识文件一应俱全。你不需要会写复杂 SQL也不需要维护一套新系统——装好 CLI、连上数据库、用自然语言提问WrenAI 就把问数—验证—可视化—分享这条链路交到了你和你的 AI Agent 手里。先从今天那条问一个问题的路径开始吧。【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