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 AgentClaude 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status4是退款。WrenAI 用 MDLModeling 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AgentAgent 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 SQLdry-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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 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
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 AgentClaude 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status4是退款。WrenAI 用 MDLModeling 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AgentAgent 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 SQLdry-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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考