搭一个问就能答的自然语言数据问答系统WrenAI 文本转SQL上手指南【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你大概遇到过这种场面让 AI 助手写条 SQL 查上个月的营收它答得飞快、格式漂亮但表关联错了、退款订单也没剔数字看着很可信拿出去用就出事。根源在于模型只看得见表结构看不见你们团队对数据的约定。WrenAI 是一个开源的文本转SQL与语义层平台把自然语言问题变成经过校验的 SQL、查询结果和可分享的仪表盘支持 BigQuery、Snowflake、PostgreSQL、ClickHouse 等 22 种以上数据源。WrenAI 解决的问题三句话说清它的价值它针对的是Agent 生成的 SQL 像对但其实错这个问题适合有真实业务库的数据团队以及想让自己的 AI 编码助手可靠地查数的人受治理的文本转SQL问题先经过 MDL 语义层规划、再做 dry-plan 校验减少 confidently 错的输出业务定义进 Git模型、指标、口径规则都是可评审、可 diff 的普通文件不锁在任何工具里答案能变成仪表盘Agent 可以把一条回答构建成浏览器端 GenBI 应用并一键部署装好之后怎么跑起来下面是最短路径。最小启动步骤四条命令从安装到首次提问pip install wrenai[memory,main]安装 CLI自带 DuckDB 所以你不需要先准备数据库memory额外装语义召回所需的本地索引。npx skills add Canner/WrenAI给你的 AI 编码客户端Claude Code、Cursor、Cline 等装一个约 50 行的发现桩教会它按需拉取 Wren 的工作流指引。对 Agent 说用 Wren 帮我接上我的 Postgres 数据库它会自动执行wren skills get onboarding检查环境、创建连接 profile、搭好项目骨架并跑第一条查询。手头没有数据库时让 Agent 接内置的 jaffle_shop 电商样例库同样几分钟内走完全流程。想看源码的话可以git clone https://gitcode.com/GitHub_Trending/wr/WrenAI官方快速上手文档有分步细节。首次上手走查一个自然语言问题如何变成一张结果表以 jaffle_shop 样例为例完整走一圈生成模型定义对 Agent 说探索 customers 和 orders 两张表生成 MDL。它会内省表结构把每张表的定义写成models/下的 YAML推断表间关联再执行wren context build编译。提一个自然语言问题比如有多少客户下过不止一单。Agent 会先检索问题相关的表和字段再召回历史上相似的已确认查询然后用模型名而非裸表名写 SQL。执行并看结果SQL 通过wren query在语义层上执行表格结果直接返回。抽查 SQL 底细wren dry-plan --sql ...能预览引擎实际展开出的查询关联走没走对一目了然。沉淀确认答案正确后问题—SQL对被存进knowledge/sql/下次问类似问题直接命中范例。架构图WrenAI 的开放上下文层MDL 语义建模、Memory 记忆、受治理访问上承各类 AI Agent下接 PostgreSQL、BigQuery、DuckDB 等 22 数据源提供 CLI、Python SDK、WASM 三种接入方式。回答质量背后的三个核心能力MDL 语义层Agent 写 SQL 前查的业务词典原始 schema 只描述存储不描述含义——它没法告诉你status 4是退款。MDL 把模型、列、关联、视图、cube带度量与维度的可复用聚合对象写成项目里的 YAMLAgent 的每个查询都对着这份契约做规划营收在项目里任何位置含义一致。语义细节可参考 MDL 概念文档。记忆系统问得越多越懂你的业务每次确认过的问题—SQL对以 markdown 文件落盘LanceDB 在其上建索引新问题进来时既检索到相关 schema 片段也检索到历史范例。没装memory扩展时退化为关键词匹配依然可用只是同义改写召回会弱一些。GenBI 仪表盘从一条回答到可分享的链接对 Agent 说把这条回答做成可按状态筛选的仪表盘部署到 Vercel它执行wren genbi build生成纯浏览器端应用、本地起预览你确认后用wren genbi deploy拿到分享 URL应用跑在你自己的 Vercel 或 Cloudflare 账号下。调优与定制三个最实用的调整点业务规则写进knowledge/rules/一个主题一个 markdown 文件比如营收一律用 net_revenue 而不是 gross_revenue时间筛选用 order_date。每个##小节都会成为可检索的上下文块。补全描述模型和列的description写得越准检索命中越好这是投入产出比最高的一步。改完必重建编辑 MDL 或knowledge/后执行wren context build再跑wren memory index重新索引。缺的口径多时直接对 Agent 说enrich my context它会逐条追问缺口并只往文件里补写。避坑手册三个高频问题与一句解法现象第一次跑wren memory命令像卡死了。原因首次加载 lancedb 和 torch 原生库约 800MBmacOS 还会做一次 XProtect 扫描。解法装完先手动跑一次 memory 命令等它结束之后都正常。现象Agent 选错表、或连接调试不过。原因relationships.yml的关联缺失或错误以及连接参数问题。解法先wren profile debug验证连接再修关联定义并重索引。现象部署好的 Vercel 链接别人打开返回 401。原因新 Vercel 项目默认开启 Deployment Protection。解法在 Project → Settings 里关掉 Vercel Authentication 即可。收尾拿回去转一圈WrenAI 把数据意味着什么放进可评审的 Git 文件里让 Agent 的 SQL 从说得通变成可核查。建议你今天就接一张小表或直接用 jaffle_shop 样例提一个真实的业务问题确认答案后把knowledge/目录提交进仓库——这就是你的第一份可信上下文。【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