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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)的業(yè)務含義把自然語言問題轉(zhuǎn)成可信的 SQL 并執(zhí)行支持 PostgreSQL、BigQuery、Snowflake、DuckDB、ClickHouse 等 22 數(shù)據(jù)源。關(guān)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(shù)據(jù)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(gòu)圖看整體分三層頂層是各種 AI AgentClaude Code、Cursor、ChatGPT、企業(yè)內(nèi)部助手等發(fā)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(shù)據(jù)源。三種接入方式CLI、Python SDK、WASM。語義層 MDL給表補上“業(yè)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(shù)據(jù)的業(yè)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(guān)聯(lián)、哪個指標定義是權(quán)威的。Agent 讀的是這份“業(yè)務詞典”而不是猜字段。細節(jié)可以看 MDL 概念說明。對你來說這意味著“收入”這個詞在系統(tǒng)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(tǒng)問得越多答得越熟業(yè)務問題總會帶著小變體重復出現(xiàn)“上月營收最高的客戶”和“本季 ARR 最高的賬戶”本質(zhì)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(gòu)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(tǒng)文檔。受控執(zhí)行SQL 先過閘再落地生成 SQL 在真正執(zhí)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(shù)上限與結(jié)構(gòu)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(huán)境準備安裝 CLI 即可DuckDB 數(shù)據(jù)源自帶pip install wrenai # 安裝CLI內(nèi)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(shù)據(jù)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(shù)加完執(zhí)行一條SELECT 1驗證連通。完整流程參考 連接數(shù)據(jù)庫指南。數(shù)據(jù)建模連接好后讓 Agent 讀取表結(jié)構(gòu)生成 MDL 腳手架你只補業(yè)務含義哪張表是權(quán)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(zhí)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(zhàn)演示一個問題三句對話假設你已連好倉庫自帶的示例數(shù)據(jù)集結(jié)構(gòu)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(jīng) customers 關(guān)聯(lián)城市寫出 SQLdry-plan 校驗通過后執(zhí)行你拿到的是帶結(jié)構(gòu)、可直接出圖的結(jié)果表而不只是一個數(shù)。第二句“按周拆分看趨勢。”此時記憶系統(tǒng)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?！盇gent 構(gòu)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(tǒng) BI 工具。更關(guān)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(shù)倉或分析庫、希望 AI 給出穩(wěn)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(qū)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(shù)據(jù)的業(yè)務含義”而這恰恰決定答案準不準。支持哪些數(shù)據(jù)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(xiàn)。數(shù)據(jù)安全怎么保障開源版提供列級可見性、行數(shù)上限dry-plan 保證 SQL 先校驗后執(zhí)行行級、列級細粒度權(quán)限與用戶組管控屬于商業(yè)版能力Cloud / 自托管企業(yè)版。WrenAI 把“業(yè)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(shù)排期的業(yè)務同學還是在做 AI 數(shù)據(jù) Agent 的開發(fā)者都值得把自然語言查詢體驗跑一遍——讓數(shù)據(jù)自己開口?！久赓M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(chuàng)作聲明：本文部分內(nèi)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)的業(yè)務含義把自然語言問題轉(zhuǎn)成可信的 SQL 并執(zhí)行支持 PostgreSQL、BigQuery、Snowflake、DuckDB、ClickHouse 等 22 數(shù)據(jù)源。關(guān)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(shù)據(jù)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(gòu)圖看整體分三層頂層是各種 AI AgentClaude Code、Cursor、ChatGPT、企業(yè)內(nèi)部助手等發(fā)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(shù)據(jù)源。三種接入方式CLI、Python SDK、WASM。語義層 MDL給表補上“業(yè)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(shù)據(jù)的業(yè)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(guān)聯(lián)、哪個指標定義是權(quán)威的。Agent 讀的是這份“業(yè)務詞典”而不是猜字段。細節(jié)可以看 MDL 概念說明。對你來說這意味著“收入”這個詞在系統(tǒng)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(tǒng)問得越多答得越熟業(yè)務問題總會帶著小變體重復出現(xiàn)“上月營收最高的客戶”和“本季 ARR 最高的賬戶”本質(zhì)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(gòu)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(tǒng)文檔。受控執(zhí)行SQL 先過閘再落地生成 SQL 在真正執(zhí)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(shù)上限與結(jié)構(gòu)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(huán)境準備安裝 CLI 即可DuckDB 數(shù)據(jù)源自帶pip install wrenai # 安裝CLI內(nèi)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(shù)據(jù)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(shù)加完執(zhí)行一條SELECT 1驗證連通。完整流程參考 連接數(shù)據(jù)庫指南。數(shù)據(jù)建模連接好后讓 Agent 讀取表結(jié)構(gòu)生成 MDL 腳手架你只補業(yè)務含義哪張表是權(quán)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(zhí)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(zhàn)演示一個問題三句對話假設你已連好倉庫自帶的示例數(shù)據(jù)集結(jié)構(gòu)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(jīng) customers 關(guān)聯(lián)城市寫出 SQLdry-plan 校驗通過后執(zhí)行你拿到的是帶結(jié)構(gòu)、可直接出圖的結(jié)果表而不只是一個數(shù)。第二句“按周拆分看趨勢。”此時記憶系統(tǒng)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?！盇gent 構(gòu)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(tǒng) BI 工具。更關(guān)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(shù)倉或分析庫、希望 AI 給出穩(wěn)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(qū)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(shù)據(jù)的業(yè)務含義”而這恰恰決定答案準不準。支持哪些數(shù)據(jù)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(xiàn)。數(shù)據(jù)安全怎么保障開源版提供列級可見性、行數(shù)上限dry-plan 保證 SQL 先校驗后執(zhí)行行級、列級細粒度權(quán)限與用戶組管控屬于商業(yè)版能力Cloud / 自托管企業(yè)版。WrenAI 把“業(yè)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(shù)排期的業(yè)務同學還是在做 AI 數(shù)據(jù) Agent 的開發(fā)者都值得把自然語言查詢體驗跑一遍——讓數(shù)據(jù)自己開口?！久赓M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(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考