企业官网建设流程全解析

不写一行SQL！用WrenAI把自然语言问题变成可信的Text-to-SQL和看板

【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

老板要数据，别再翻半天表了

周五下午五点，老板冒出一句：“上周GMV多少？集中在哪些城市？”你打开数据库，翻了几张表，字段看得头晕，还得手写SQL。更要命的是，status字段里的 4 到底是退款还是退货，你自己都没底。

你真正需要的是一套受治理的 Text-to-SQL 方案：WrenAI 是一款开源 GenBI（生成式 BI）引擎，通过语义层让 AI Agent 听懂数据的业务含义，把自然语言问题转成可信的 SQL 并执行，支持 PostgreSQL、BigQuery、Snowflake、DuckDB、ClickHouse 等 22+ 数据源。

关键词是“受治理”：不是让模型凭感觉编 SQL，而是先让它理解你的数据是什么意思，再动手。

WrenAI 能力全景：一层开放的上下文

从这张架构图看，整体分三层：顶层是各种 AI Agent（Claude Code、Cursor、ChatGPT、企业内部助手等）发起提问；中间是 WrenAI 开放上下文层，由 MDL、Memory、受控访问三块组成；底层是各家数据源。三种接入方式：CLI、Python SDK、WASM。

语义层 MDL：给表补上“业务含义”

裸 schema 只能告诉 Agent 有个叫status的字段，但告诉不了它status=4是退款。

WrenAI 用 MDL（Modeling Definition Language）把数据的业务含义写成可读的 YAML 文件：哪些表、字段怎么命名、表之间怎么关联、哪个指标定义是权威的。Agent 读的是这份“业务词典”而不是猜字段。细节可以看 MDL 概念说明。

对你来说，这意味着“收入”这个词在系统里永远只有一个定义，而且这个定义躺在文件里，能 review、能 diff。

记忆系统：问得越多，答得越熟

业务问题总会带着小变体重复出现：“上月营收最高的客户”和“本季 ARR 最高的账户”本质是同一个问题。

WrenAI 把已确认的“自然语言→SQL”对存在knowledge/sql/目录里，并构建本地向量索引。下次类似问题进来，Agent 先召回上次答对的例子，而不是从零推导。原理见 记忆系统文档。

受控执行：SQL 先过闸再落地

生成 SQL 在真正执行前，会先做 dry-plan 校验：翻译成目标库的原生方言并验证，再叠加行数上限与结构化错误。Agent 写错的地方会在闸口被拦住，而且看到的报错带着提示，方便自我修正。

从零到能用的最短路径

环境准备

安装 CLI 即可，DuckDB 数据源自带：

pip install wrenai # 安装CLI，内置DuckDB

想读源码可以 clone 仓库 https://gitcode.com/GitHub_Trending/wr/WrenAI 浏览，但日常使用不需要。

连接数据源

PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Trino、SQL Server、Databricks、Redshift、Oracle、Athena、Spark 都支持，安装时追加对应扩展即可，例如wrenai[postgres]。

跑wren profile add my-db --ui用浏览器页面填连接信息，不用背参数；加完执行一条SELECT 1验证连通。完整流程参考 连接数据库指南。

数据建模

连接好后，让 Agent 读取表结构生成 MDL 脚手架，你只补业务含义：哪张表是权威口径、退款怎么处理、枚举值什么意思。这些都会落成可 review 的 YAML 与 markdown 文件。

开始自然语言查询

之后直接问问题就行：

wren ask "本季度销售额前10名客户是谁？" # 把问题交给Agent

Agent 会取 MDL 上下文、召回相似历史问题、写出 SQL 并执行。如果你在用 Claude Code 或 Cursor，直接说一句“用 Wren 帮我把 Postgres 搭起来”即可。

实战演示：一个问题，三句对话

假设你已连好仓库自带的示例数据集（结构见examples/v5-jaffle/）。

第一句：“上个月总营收多少？营收前三的城市是？”Agent 从 MDL 里知道营收定义在 orders 表、经 customers 关联城市，写出 SQL，dry-plan 校验通过后执行，你拿到的是带结构、可直接出图的结果表，而不只是一个数。

第二句：“按周拆分看趋势。”此时记忆系统在起作用——Agent 召回上一轮 SQL，只改时间粒度，第二问明显比第一问更快。

第三句：“把它做成可筛选的看板，给我一个链接。”Agent 构建浏览器端 GenBI 应用并部署到你自己的 Vercel 或 Cloudflare Pages，返回一个可分享的 URL。从提问到可分享看板，全程没人打开传统 BI 工具。

更关键的是：每个定义、每条 SQL、每段知识都落在仓库文件里，你可以随时 diff 出“为什么这次这么答”。

适用边界与常见问题

说句实话：WrenAI 适合已有数仓或分析库、希望 AI 给出稳定可信答案的场景。如果你只想对单个 CSV 画一张图，用不上它；如果你不想建任何语义模型、只想让模型裸猜 SQL，那它和裸 LLM 没区别。

不会写SQL也能用吗

能。全程自然语言交互，SQL 由 Agent 生成、WrenAI 校验。你要投入的是“数据的业务含义”，而这恰恰决定答案准不准。

支持哪些数据源？

22+ 种，覆盖 BigQuery、Snowflake、PostgreSQL、ClickHouse、Redshift、Databricks、DuckDB、MySQL、Trino、Oracle、Athena、Spark 等，引擎基于 Apache DataFusion 实现。

数据安全怎么保障？

开源版提供列级可见性、行数上限，dry-plan 保证 SQL 先校验后执行；行级、列级细粒度权限与用户组管控属于商业版能力（Cloud / 自托管企业版）。

WrenAI 把“业务含义”变成可 review 的文件，让可信的答案从可信的上下文里长出来。无论你是想摆脱取数排期的业务同学，还是在做 AI 数据 Agent 的开发者，都值得把自然语言查询体验跑一遍——让数据自己开口。

【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