不寫一行SQL用WrenAI把自然語言問題變成可信的Text-to-SQL和看板【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI老板要數據別再翻半天表了周五下午五點老板冒出一句“上周GMV多少集中在哪些城市”你打開數據庫翻了幾張表字段看得頭暈還得手寫SQL。更要命的是status字段里的 4 到底是退款還是退貨你自己都沒底。你真正需要的是一套受治理的 Text-to-SQL 方案WrenAI 是一款開源 GenBI生成式 BI引擎通過語義層讓 AI Agent 聽懂數據的業務含義把自然語言問題轉成可信的 SQL 并執行支持 PostgreSQL、BigQuery、Snowflake、DuckDB、ClickHouse 等 22 數據源。關鍵詞是“受治理”不是讓模型憑感覺編 SQL而是先讓它理解你的數據是什么意思再動手。WrenAI 能力全景一層開放的上下文從這張架構圖看整體分三層頂層是各種 AI AgentClaude Code、Cursor、ChatGPT、企業內部助手等發起提問中間是 WrenAI 開放上下文層由 MDL、Memory、受控訪問三塊組成底層是各家數據源。三種接入方式CLI、Python SDK、WASM。語義層 MDL給表補上“業務含義”裸 schema 只能告訴 Agent 有個叫status的字段但告訴不了它status4是退款。WrenAI 用 MDLModeling Definition Language把數據的業務含義寫成可讀的 YAML 文件哪些表、字段怎么命名、表之間怎么關聯、哪個指標定義是權威的。Agent 讀的是這份“業務詞典”而不是猜字段。細節可以看 MDL 概念說明。對你來說這意味著“收入”這個詞在系統里永遠只有一個定義而且這個定義躺在文件里能 review、能 diff。記憶系統問得越多答得越熟業務問題總會帶著小變體重復出現“上月營收最高的客戶”和“本季 ARR 最高的賬戶”本質是同一個問題。WrenAI 把已確認的“自然語言→SQL”對存在knowledge/sql/目錄里并構建本地向量索引。下次類似問題進來Agent 先召回上次答對的例子而不是從零推導。原理見 記憶系統文檔。受控執行SQL 先過閘再落地生成 SQL 在真正執行前會先做 dry-plan 校驗翻譯成目標庫的原生方言并驗證再疊加行數上限與結構化錯誤。Agent 寫錯的地方會在閘口被攔住而且看到的報錯帶著提示方便自我修正。從零到能用的最短路徑環境準備安裝 CLI 即可DuckDB 數據源自帶pip install wrenai # 安裝CLI內置DuckDB想讀源碼可以 clone 倉庫 https://gitcode.com/GitHub_Trending/wr/WrenAI 瀏覽但日常使用不需要。連接數據源PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Trino、SQL Server、Databricks、Redshift、Oracle、Athena、Spark 都支持安裝時追加對應擴展即可例如wrenai[postgres]。跑wren profile add my-db --ui用瀏覽器頁面填連接信息不用背參數加完執行一條SELECT 1驗證連通。完整流程參考 連接數據庫指南。數據建模連接好后讓 Agent 讀取表結構生成 MDL 腳手架你只補業務含義哪張表是權威口徑、退款怎么處理、枚舉值什么意思。這些都會落成可 review 的 YAML 與 markdown 文件。開始自然語言查詢之后直接問問題就行wren ask 本季度銷售額前10名客戶是誰 # 把問題交給AgentAgent 會取 MDL 上下文、召回相似歷史問題、寫出 SQL 并執行。如果你在用 Claude Code 或 Cursor直接說一句“用 Wren 幫我把 Postgres 搭起來”即可。實戰演示一個問題三句對話假設你已連好倉庫自帶的示例數據集結構見examples/v5-jaffle/。第一句“上個月總營收多少營收前三的城市是”Agent 從 MDL 里知道營收定義在 orders 表、經 customers 關聯城市寫出 SQLdry-plan 校驗通過后執行你拿到的是帶結構、可直接出圖的結果表而不只是一個數。第二句“按周拆分看趨勢。”此時記憶系統在起作用——Agent 召回上一輪 SQL只改時間粒度第二問明顯比第一問更快。第三句“把它做成可篩選的看板給我一個鏈接。”Agent 構建瀏覽器端 GenBI 應用并部署到你自己的 Vercel 或 Cloudflare Pages返回一個可分享的 URL。從提問到可分享看板全程沒人打開傳統 BI 工具。更關鍵的是每個定義、每條 SQL、每段知識都落在倉庫文件里你可以隨時 diff 出“為什么這次這么答”。適用邊界與常見問題說句實話WrenAI 適合已有數倉或分析庫、希望 AI 給出穩定可信答案的場景。如果你只想對單個 CSV 畫一張圖用不上它如果你不想建任何語義模型、只想讓模型裸猜 SQL那它和裸 LLM 沒區別。不會寫SQL也能用嗎能。全程自然語言交互SQL 由 Agent 生成、WrenAI 校驗。你要投入的是“數據的業務含義”而這恰恰決定答案準不準。支持哪些數據源22 種覆蓋 BigQuery、Snowflake、PostgreSQL、ClickHouse、Redshift、Databricks、DuckDB、MySQL、Trino、Oracle、Athena、Spark 等引擎基于 Apache DataFusion 實現。數據安全怎么保障開源版提供列級可見性、行數上限dry-plan 保證 SQL 先校驗后執行行級、列級細粒度權限與用戶組管控屬于商業版能力Cloud / 自托管企業版。WrenAI 把“業務含義”變成可 review 的文件讓可信的答案從可信的上下文里長出來。無論你是想擺脫取數排期的業務同學還是在做 AI 數據 Agent 的開發者都值得把自然語言查詢體驗跑一遍——讓數據自己開口。【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 不寫一行SQL！用WrenAI把自然語言問題變成可信的Text-to-SQL和看板
不寫一行SQL用WrenAI把自然語言問題變成可信的Text-to-SQL和看板【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI老板要數據別再翻半天表了周五下午五點老板冒出一句“上周GMV多少集中在哪些城市”你打開數據庫翻了幾張表字段看得頭暈還得手寫SQL。更要命的是status字段里的 4 到底是退款還是退貨你自己都沒底。你真正需要的是一套受治理的 Text-to-SQL 方案WrenAI 是一款開源 GenBI生成式 BI引擎通過語義層讓 AI Agent 聽懂數據的業務含義把自然語言問題轉成可信的 SQL 并執行支持 PostgreSQL、BigQuery、Snowflake、DuckDB、ClickHouse 等 22 數據源。關鍵詞是“受治理”不是讓模型憑感覺編 SQL而是先讓它理解你的數據是什么意思再動手。WrenAI 能力全景一層開放的上下文從這張架構圖看整體分三層頂層是各種 AI AgentClaude Code、Cursor、ChatGPT、企業內部助手等發起提問中間是 WrenAI 開放上下文層由 MDL、Memory、受控訪問三塊組成底層是各家數據源。三種接入方式CLI、Python SDK、WASM。語義層 MDL給表補上“業務含義”裸 schema 只能告訴 Agent 有個叫status的字段但告訴不了它status4是退款。WrenAI 用 MDLModeling Definition Language把數據的業務含義寫成可讀的 YAML 文件哪些表、字段怎么命名、表之間怎么關聯、哪個指標定義是權威的。Agent 讀的是這份“業務詞典”而不是猜字段。細節可以看 MDL 概念說明。對你來說這意味著“收入”這個詞在系統里永遠只有一個定義而且這個定義躺在文件里能 review、能 diff。記憶系統問得越多答得越熟業務問題總會帶著小變體重復出現“上月營收最高的客戶”和“本季 ARR 最高的賬戶”本質是同一個問題。WrenAI 把已確認的“自然語言→SQL”對存在knowledge/sql/目錄里并構建本地向量索引。下次類似問題進來Agent 先召回上次答對的例子而不是從零推導。原理見 記憶系統文檔。受控執行SQL 先過閘再落地生成 SQL 在真正執行前會先做 dry-plan 校驗翻譯成目標庫的原生方言并驗證再疊加行數上限與結構化錯誤。Agent 寫錯的地方會在閘口被攔住而且看到的報錯帶著提示方便自我修正。從零到能用的最短路徑環境準備安裝 CLI 即可DuckDB 數據源自帶pip install wrenai # 安裝CLI內置DuckDB想讀源碼可以 clone 倉庫 https://gitcode.com/GitHub_Trending/wr/WrenAI 瀏覽但日常使用不需要。連接數據源PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Trino、SQL Server、Databricks、Redshift、Oracle、Athena、Spark 都支持安裝時追加對應擴展即可例如wrenai[postgres]。跑wren profile add my-db --ui用瀏覽器頁面填連接信息不用背參數加完執行一條SELECT 1驗證連通。完整流程參考 連接數據庫指南。數據建模連接好后讓 Agent 讀取表結構生成 MDL 腳手架你只補業務含義哪張表是權威口徑、退款怎么處理、枚舉值什么意思。這些都會落成可 review 的 YAML 與 markdown 文件。開始自然語言查詢之后直接問問題就行wren ask 本季度銷售額前10名客戶是誰 # 把問題交給AgentAgent 會取 MDL 上下文、召回相似歷史問題、寫出 SQL 并執行。如果你在用 Claude Code 或 Cursor直接說一句“用 Wren 幫我把 Postgres 搭起來”即可。實戰演示一個問題三句對話假設你已連好倉庫自帶的示例數據集結構見examples/v5-jaffle/。第一句“上個月總營收多少營收前三的城市是”Agent 從 MDL 里知道營收定義在 orders 表、經 customers 關聯城市寫出 SQLdry-plan 校驗通過后執行你拿到的是帶結構、可直接出圖的結果表而不只是一個數。第二句“按周拆分看趨勢。”此時記憶系統在起作用——Agent 召回上一輪 SQL只改時間粒度第二問明顯比第一問更快。第三句“把它做成可篩選的看板給我一個鏈接。”Agent 構建瀏覽器端 GenBI 應用并部署到你自己的 Vercel 或 Cloudflare Pages返回一個可分享的 URL。從提問到可分享看板全程沒人打開傳統 BI 工具。更關鍵的是每個定義、每條 SQL、每段知識都落在倉庫文件里你可以隨時 diff 出“為什么這次這么答”。適用邊界與常見問題說句實話WrenAI 適合已有數倉或分析庫、希望 AI 給出穩定可信答案的場景。如果你只想對單個 CSV 畫一張圖用不上它如果你不想建任何語義模型、只想讓模型裸猜 SQL那它和裸 LLM 沒區別。不會寫SQL也能用嗎能。全程自然語言交互SQL 由 Agent 生成、WrenAI 校驗。你要投入的是“數據的業務含義”而這恰恰決定答案準不準。支持哪些數據源22 種覆蓋 BigQuery、Snowflake、PostgreSQL、ClickHouse、Redshift、Databricks、DuckDB、MySQL、Trino、Oracle、Athena、Spark 等引擎基于 Apache DataFusion 實現。數據安全怎么保障開源版提供列級可見性、行數上限dry-plan 保證 SQL 先校驗后執行行級、列級細粒度權限與用戶組管控屬于商業版能力Cloud / 自托管企業版。WrenAI 把“業務含義”變成可 review 的文件讓可信的答案從可信的上下文里長出來。無論你是想擺脫取數排期的業務同學還是在做 AI 數據 Agent 的開發者都值得把自然語言查詢體驗跑一遍——讓數據自己開口。【免費下載鏈接】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.項目地址: https://gitcode.com/GitHub_Trending/wr/WrenAI創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考