Wren AI 开源版与商业版Open Core 边界、功能对比与选型指南【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导读本文基于 Wren AI 开源仓库的官方概念文档docs/core/concepts/oss_vs_commercial.md系统拆解Wren AI 开源版Open Source与商业版Commercial / Wren AI Cloud 与自托管 Enterprise Plus之间的能力边界、适用场景与选型逻辑。你将掌握Wren AI 的 Open Core 模式如何在引擎开源与团队层商业之间划分界限MDL 语义层、RLAC/CLAC 治理、CLI/SDK、MCP 服务器等能力分别落在开源还是商业一侧以及一个人、一支数据团队、面向客户嵌入分析三类场景下该如何决策。文末还以仓库源码为据说明开源引擎的实际落地形态与治理机制的实现深度。说明本文中开源版指本仓库中可自托管、Apache-2.0 许可的引擎与工具链商业版指 Wren AI Cloud 托管服务与自托管 Enterprise Plus 部署。两版共享同一套引擎内核与 MDL 上下文能力边界以仓库文档公开描述为准。一句话理解开源是完整引擎商业是在其上叠加的团队层Wren AI 开源版与商业版的关系可以用一句话概括原文档原话Wren AI open source is the full engine—— 免费、可自托管由一名工程师或一个 AI Agent 通过 CLI 和 SDK 驱动。Wren AI Commercial is the same engine built for a team—— 以托管云服务或自托管企业部署的形式运行额外提供 Web UI、账户体系、托管式访问控制、集成与技术支持。关键在于同一台引擎商业版并不是另一套产品而是同一引擎叠加了面向组织协作的层。这一点在仓库根 README.md 的 Open core: OSS vs. Cloud / self-hosted 一节中得到印证——开源的是context engineMDL 语义层、受治理的 text-to-SQL、MCP 服务器、CLI 与 22 连接器商业的是在其之上的团队与治理能力。从仓库结构看这个开源内核是真实可运行的实体core/wren/Python SDK 与 CLIPyPI 包名wrenai、core/wren-core/基于 Apache DataFusion 的 Rust 语义引擎、core/wren-core-py/Python 绑定、core/wren-core-wasm/浏览器端 Wasm 构建共同构成引擎主体sdk/wren-langchain/与sdk/wren-pydantic/提供 Agent 框架集成。也就是说开源版已经具备完整的 text-to-SQL → 图表 → 部署仪表盘GenBI闭环商业版的价值在于多人与治理。三种场景快速定位你该选哪一边原文档给出了三个典型选型场景直接对应三种完全不同的使用方式场景一单人 终端选开源版Solo, in the terminal.One engineer or an AI agent, working through the CLI, SDK, and Git. Open source is all you need.一名工程师或一个 AI Agent通过CLI、SDK 和 Git完成全部工作。这是开源版的典型战场安装wrenaiCLI、运行wren context init搭建 MDL 项目、用wren query执行受治理的查询、通过wren ask包装问题、用wren skills get genbi生成并部署仪表盘。整个过程在终端和 Git 仓库内闭环不需要任何 Web UI。场景二数据团队商业版开始体现价值A data team.Several people need governed access with roles and SSO, and non-technical teammates want to ask questions in a browser, Slack, or Teams. This is where Commercial earns its place.多个人需要角色与 SSO 支撑的治理式访问非技术同事想在浏览器、Slack 或 Teams里直接提问——这正是商业版团队层的主场。开源版没有多用户体系无法回答谁被允许看哪些数据这类组织级问题。场景三把分析嵌入你的产品商业企业版Analytics for your customers.You put analytics inside your own product, and each customer must see only their own data. Commercial enterprise gives you per-user RLS/CLS and multi-tenant isolation.你把自己的产品里嵌入分析能力每个客户只能看到自己的数据。商业企业版提供按用户的 RLS行级安全/ CLS列级安全与多租户隔离。注意开源版 MDL 中也可以定义访问控制RLAC/CLAC见下文但其目标场景是数据源级别的治理按真实用户身份进行逐行、逐列过滤并配合会话属性与审计日志是商业版能力。完整功能对比表开源 vs 商业原文档的功能对比表是选型的核心依据完整继承如下CapabilityOpen sourceCommercialFully managed cloud❌✅CLI and SDK for your own agents✅✅MCP server and hosted REST API❌✅Access control defined in MDL (RLAC/CLAC)✅✅GenBI dashboards✅✅Web UI for non-technical users❌✅Slack and Microsoft Teams❌✅Agentic and interactive answer modes (web UI, sandboxed)❌✅Accounts, roles, multi-user❌✅SSO, LDAP, SCIM provisioning❌✅RLS/CLS per user, session properties, audit log❌✅Evaluation, AI Advisor, feedback tracing❌✅Vendor support❌✅几个要点值得展开CLI/SDK 与 GenBI dashboards 两侧都有这是开源是完整引擎的最直接证据。Agent 驱动的仪表盘生成与部署GenBI在开源侧完全可用。MCP server 在开源侧标记为 ❌但仓库中存在mcp_server.py需要区分两种形态。仓库 core/wren/src/wren/mcp_server.py 是一个 FastMCP 服务器暴露run_sql、dry_run、query_cube等查询与上下文工具——这是本地/自托管场景下给 Agent 用的 MCP 端点而对比表中的 ❌ 指的是商业版提供的托管式 MCP server 与托管 REST API即我们帮你运行的服务形态。开源侧可以通过本地运行获得等效能力但完全托管在商业侧。RLAC/CLAC 是两侧共享的治理基础访问控制规则定义在 MDL 中开源与商业都支持商业版在其上增加的是按用户、按会话属性、带审计日志的执行层。下文结合源码说明这一点。Evaluation / AI Advisor / feedback tracing 仅商业准确率追踪、AI 顾问与反馈链路属于商业运营层开源侧依靠 Git 审阅与 CLI 工作流实现可审查性。商业版具体加了什么五个要点原文档 What Commercial adds 部分给出了商业版的核心增量完整继承并注释如下自己运行Runs itself托管云或自托管企业部署无需任何人运维这套技术栈。为人而生不只是为 AgentBuilt for people, not just agentsWeb UI 加上 Slack、Teams 入口非技术同事可以直接提问。真实的身份与访问Real identity and access账户、角色、SSO、LDAP、SCIM 供应访问控制与真实用户绑定——这是开源版 CLI 模式没有的组织能力。更多接入方式More ways in托管 API 与 MCP 服务器、可自动刷新的仪表盘。信心Confidence准确率追踪、反馈溯源以及出问题时可以呼叫的团队技术支持/SLA。无需重建No rebuild你的 MDL 与上下文原样迁移无需改动——这是两版同一引擎最实际的收益从开源起步数据定义资产models/、views/、cubes/、instructions.md、queries.yml、memory天然可携带到商业版。其中第 6 点值得强调MDL 是 Git 友好的版本化定义见 README.md商业版与开源版共享同一份 MDL因此开源项目升级到商业版是叠加团队层而非迁移数据。源码佐证开源引擎里的治理能力RLAC/CLAC是怎么实现的对比表显示Access control defined in MDL (RLAC/CLAC)两侧均为 ✅。开源仓库中这部分有完整的源码实现值得作为开源版治理能力真实存在的纵深证据MDL 模式定义core/wren-mdl/mdl.schema.json定义了columnLevelAccessControl列级第 40 行与rowLevelAccessControls行级第 393 行等访问控制字段说明访问控制规则确实内建在 MDL 数据模型中而非商业版的私有扩展。Rust 引擎实现core/wren-core/core/src/logical_plan/analyze/access_control.rs是行级/列级访问控制的执行核心。其中collect_conditionaccess_control.rs#L55-L82解析 RLAC 条件表达式收集顶层裸列引用视为外层模型的列与会话属性name形式可出现在子查询内validate_rlac_ruleaccess_control.rs#L139校验规则语法与引用的会话属性是否已定义build_filter_expressionaccess_control.rs#L175把规则编译为实际过滤表达式注入查询计划RlacContextProvideraccess_control.rs#L295提供解析 RLAC 条件所需的上下文模型表、表达式规划器等并显式拒绝文件型表函数与表函数——RLAC 条件中不允许读取文件。Python 侧治理校验core/wren/src/wren/policy.py提供 SQL 策略校验只读语句仅接受 SELECT 族始终开启严格模式Strict mode可验证解析后的 SQL AST 只引用 MDL manifest 中定义的表、并禁用被拒绝的函数同时以黑名单方式拦截read_csv、read_parquet、glob、iceberg_scan等数据/文件读取器防止路径遍历、SSRF 与外联policy.py 注释中明确这些读取器会defeats strict-mode governance (RLAC/CLAC)。从源码结构可以推断开源引擎已经具备在 MDL 中声明行级/列级访问控制规则、并在查询规划期强制实施的完整机制商业版在其上增加的是与真实用户身份、会话属性、审计日志绑定的组织级执行与多租户隔离。这与对比表开源 ✅ 规则定义、商业 ✅ 按用户 RLS/CLS的划分完全吻合。开源侧的真实工作流CLI、SDK 与 Agent为了让开源是完整引擎落到实处这里给出仓库 README 与core/wren/README.md中记载的开源侧核心工作流供单人/Agent 场景直接上手pip install wrenai # 核心内置 DuckDB pip install wrenai[postgres,memory] # 按需追加数据源与 memory 扩展npx skills add Canner/WrenAI # 为 Claude Code、Cursor、Cline、Codex 等 Agent 安装发现桩之后在项目目录对 Agent 说一句 Use Wren to set up my Postgres database.Agent 就会依次执行wren skills get onboarding、创建连接 profile、搭建 MDL 项目并跑通首个查询。日常使用命令README.mdwren skills get onboarding # 工作流指南搭建项目 首个查询Generate wren skills get enrich-context # 工作流指南补充业务上下文Know wren skills get genbi # 工作流指南构建并部署仪表盘Deploy wren query --sql ... # 经由 MDL 语义层执行查询 wren ask question --guided # 为较弱的 Agent 包装问题 wren ask question --direct # 为较强的 Agent 包装问题项目初始化core/wren/README.mdwren context init # 生成 wren_project.yml、models/、views/ wren profile add my-db --ui # 浏览器表单配置连接需 wrenai[ui] wren context build # 将 YAML 编译为 target/mdl.json这套流程覆盖连接数据源 → 建立语义层 → 受治理查询 → 生成并部署仪表盘GenBI可部署到自己的 Vercel / Cloudflare Pages 账户见 docs/core/guides/genbi.md的完整闭环——再次印证开源版并非阉割版而是完整引擎的终端/Agent 形态。结论与决策框架回到原文档的最终立场——Open source stays first-class either way无论选哪边开源都是头等公民选开源版单人开发者或 AI Agent、工作在 CLI/SDK/Git 中、数据治理通过 MDLRLAC/CLAC与代码审阅完成、不需要多用户界面。选商业版多角色数据团队、需要 SSO/LDAP/SCIM 与账户体系、非技术同事要在浏览器/Slack/Teams 提问、需要托管 API/MCP、按用户的 RLS/CLS、多租户隔离、审计日志与厂商支持。两者共用同一引擎内核、同一 MDL 上下文资产从开源平滑升级到商业版不需要重建任何语义模型——先用开源把引擎跑起来团队规模与治理需求上来后再叠加商业团队层是文档暗示的最稳妥路径。延伸阅读仓库内README.md —— 根文档含 Open Core 边界说明Open core: OSS vs. Cloud / self-hosted 一节与快速上手docs/core/concepts/oss_vs_commercial.md —— 本文依据的原文档docs/core/guides/genbi.md —— GenBI 仪表盘生成与部署指南core/wren/README.md ——wrenaiCLI 与 Python SDK 说明core/wren-mdl/mdl.schema.json —— MDL 数据模型含行级/列级访问控制字段core/wren-core/core/src/logical_plan/analyze/access_control.rs —— RLAC/CLAC 的 Rust 引擎实现core/wren/src/wren/policy.py —— SQL 只读校验与严格模式实现【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 Wren AI 开源版与商业版：Open Core 边界、功能对比与选型指南
Wren AI 开源版与商业版Open Core 边界、功能对比与选型指南【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导读本文基于 Wren AI 开源仓库的官方概念文档docs/core/concepts/oss_vs_commercial.md系统拆解Wren AI 开源版Open Source与商业版Commercial / Wren AI Cloud 与自托管 Enterprise Plus之间的能力边界、适用场景与选型逻辑。你将掌握Wren AI 的 Open Core 模式如何在引擎开源与团队层商业之间划分界限MDL 语义层、RLAC/CLAC 治理、CLI/SDK、MCP 服务器等能力分别落在开源还是商业一侧以及一个人、一支数据团队、面向客户嵌入分析三类场景下该如何决策。文末还以仓库源码为据说明开源引擎的实际落地形态与治理机制的实现深度。说明本文中开源版指本仓库中可自托管、Apache-2.0 许可的引擎与工具链商业版指 Wren AI Cloud 托管服务与自托管 Enterprise Plus 部署。两版共享同一套引擎内核与 MDL 上下文能力边界以仓库文档公开描述为准。一句话理解开源是完整引擎商业是在其上叠加的团队层Wren AI 开源版与商业版的关系可以用一句话概括原文档原话Wren AI open source is the full engine—— 免费、可自托管由一名工程师或一个 AI Agent 通过 CLI 和 SDK 驱动。Wren AI Commercial is the same engine built for a team—— 以托管云服务或自托管企业部署的形式运行额外提供 Web UI、账户体系、托管式访问控制、集成与技术支持。关键在于同一台引擎商业版并不是另一套产品而是同一引擎叠加了面向组织协作的层。这一点在仓库根 README.md 的 Open core: OSS vs. Cloud / self-hosted 一节中得到印证——开源的是context engineMDL 语义层、受治理的 text-to-SQL、MCP 服务器、CLI 与 22 连接器商业的是在其之上的团队与治理能力。从仓库结构看这个开源内核是真实可运行的实体core/wren/Python SDK 与 CLIPyPI 包名wrenai、core/wren-core/基于 Apache DataFusion 的 Rust 语义引擎、core/wren-core-py/Python 绑定、core/wren-core-wasm/浏览器端 Wasm 构建共同构成引擎主体sdk/wren-langchain/与sdk/wren-pydantic/提供 Agent 框架集成。也就是说开源版已经具备完整的 text-to-SQL → 图表 → 部署仪表盘GenBI闭环商业版的价值在于多人与治理。三种场景快速定位你该选哪一边原文档给出了三个典型选型场景直接对应三种完全不同的使用方式场景一单人 终端选开源版Solo, in the terminal.One engineer or an AI agent, working through the CLI, SDK, and Git. Open source is all you need.一名工程师或一个 AI Agent通过CLI、SDK 和 Git完成全部工作。这是开源版的典型战场安装wrenaiCLI、运行wren context init搭建 MDL 项目、用wren query执行受治理的查询、通过wren ask包装问题、用wren skills get genbi生成并部署仪表盘。整个过程在终端和 Git 仓库内闭环不需要任何 Web UI。场景二数据团队商业版开始体现价值A data team.Several people need governed access with roles and SSO, and non-technical teammates want to ask questions in a browser, Slack, or Teams. This is where Commercial earns its place.多个人需要角色与 SSO 支撑的治理式访问非技术同事想在浏览器、Slack 或 Teams里直接提问——这正是商业版团队层的主场。开源版没有多用户体系无法回答谁被允许看哪些数据这类组织级问题。场景三把分析嵌入你的产品商业企业版Analytics for your customers.You put analytics inside your own product, and each customer must see only their own data. Commercial enterprise gives you per-user RLS/CLS and multi-tenant isolation.你把自己的产品里嵌入分析能力每个客户只能看到自己的数据。商业企业版提供按用户的 RLS行级安全/ CLS列级安全与多租户隔离。注意开源版 MDL 中也可以定义访问控制RLAC/CLAC见下文但其目标场景是数据源级别的治理按真实用户身份进行逐行、逐列过滤并配合会话属性与审计日志是商业版能力。完整功能对比表开源 vs 商业原文档的功能对比表是选型的核心依据完整继承如下CapabilityOpen sourceCommercialFully managed cloud❌✅CLI and SDK for your own agents✅✅MCP server and hosted REST API❌✅Access control defined in MDL (RLAC/CLAC)✅✅GenBI dashboards✅✅Web UI for non-technical users❌✅Slack and Microsoft Teams❌✅Agentic and interactive answer modes (web UI, sandboxed)❌✅Accounts, roles, multi-user❌✅SSO, LDAP, SCIM provisioning❌✅RLS/CLS per user, session properties, audit log❌✅Evaluation, AI Advisor, feedback tracing❌✅Vendor support❌✅几个要点值得展开CLI/SDK 与 GenBI dashboards 两侧都有这是开源是完整引擎的最直接证据。Agent 驱动的仪表盘生成与部署GenBI在开源侧完全可用。MCP server 在开源侧标记为 ❌但仓库中存在mcp_server.py需要区分两种形态。仓库 core/wren/src/wren/mcp_server.py 是一个 FastMCP 服务器暴露run_sql、dry_run、query_cube等查询与上下文工具——这是本地/自托管场景下给 Agent 用的 MCP 端点而对比表中的 ❌ 指的是商业版提供的托管式 MCP server 与托管 REST API即我们帮你运行的服务形态。开源侧可以通过本地运行获得等效能力但完全托管在商业侧。RLAC/CLAC 是两侧共享的治理基础访问控制规则定义在 MDL 中开源与商业都支持商业版在其上增加的是按用户、按会话属性、带审计日志的执行层。下文结合源码说明这一点。Evaluation / AI Advisor / feedback tracing 仅商业准确率追踪、AI 顾问与反馈链路属于商业运营层开源侧依靠 Git 审阅与 CLI 工作流实现可审查性。商业版具体加了什么五个要点原文档 What Commercial adds 部分给出了商业版的核心增量完整继承并注释如下自己运行Runs itself托管云或自托管企业部署无需任何人运维这套技术栈。为人而生不只是为 AgentBuilt for people, not just agentsWeb UI 加上 Slack、Teams 入口非技术同事可以直接提问。真实的身份与访问Real identity and access账户、角色、SSO、LDAP、SCIM 供应访问控制与真实用户绑定——这是开源版 CLI 模式没有的组织能力。更多接入方式More ways in托管 API 与 MCP 服务器、可自动刷新的仪表盘。信心Confidence准确率追踪、反馈溯源以及出问题时可以呼叫的团队技术支持/SLA。无需重建No rebuild你的 MDL 与上下文原样迁移无需改动——这是两版同一引擎最实际的收益从开源起步数据定义资产models/、views/、cubes/、instructions.md、queries.yml、memory天然可携带到商业版。其中第 6 点值得强调MDL 是 Git 友好的版本化定义见 README.md商业版与开源版共享同一份 MDL因此开源项目升级到商业版是叠加团队层而非迁移数据。源码佐证开源引擎里的治理能力RLAC/CLAC是怎么实现的对比表显示Access control defined in MDL (RLAC/CLAC)两侧均为 ✅。开源仓库中这部分有完整的源码实现值得作为开源版治理能力真实存在的纵深证据MDL 模式定义core/wren-mdl/mdl.schema.json定义了columnLevelAccessControl列级第 40 行与rowLevelAccessControls行级第 393 行等访问控制字段说明访问控制规则确实内建在 MDL 数据模型中而非商业版的私有扩展。Rust 引擎实现core/wren-core/core/src/logical_plan/analyze/access_control.rs是行级/列级访问控制的执行核心。其中collect_conditionaccess_control.rs#L55-L82解析 RLAC 条件表达式收集顶层裸列引用视为外层模型的列与会话属性name形式可出现在子查询内validate_rlac_ruleaccess_control.rs#L139校验规则语法与引用的会话属性是否已定义build_filter_expressionaccess_control.rs#L175把规则编译为实际过滤表达式注入查询计划RlacContextProvideraccess_control.rs#L295提供解析 RLAC 条件所需的上下文模型表、表达式规划器等并显式拒绝文件型表函数与表函数——RLAC 条件中不允许读取文件。Python 侧治理校验core/wren/src/wren/policy.py提供 SQL 策略校验只读语句仅接受 SELECT 族始终开启严格模式Strict mode可验证解析后的 SQL AST 只引用 MDL manifest 中定义的表、并禁用被拒绝的函数同时以黑名单方式拦截read_csv、read_parquet、glob、iceberg_scan等数据/文件读取器防止路径遍历、SSRF 与外联policy.py 注释中明确这些读取器会defeats strict-mode governance (RLAC/CLAC)。从源码结构可以推断开源引擎已经具备在 MDL 中声明行级/列级访问控制规则、并在查询规划期强制实施的完整机制商业版在其上增加的是与真实用户身份、会话属性、审计日志绑定的组织级执行与多租户隔离。这与对比表开源 ✅ 规则定义、商业 ✅ 按用户 RLS/CLS的划分完全吻合。开源侧的真实工作流CLI、SDK 与 Agent为了让开源是完整引擎落到实处这里给出仓库 README 与core/wren/README.md中记载的开源侧核心工作流供单人/Agent 场景直接上手pip install wrenai # 核心内置 DuckDB pip install wrenai[postgres,memory] # 按需追加数据源与 memory 扩展npx skills add Canner/WrenAI # 为 Claude Code、Cursor、Cline、Codex 等 Agent 安装发现桩之后在项目目录对 Agent 说一句 Use Wren to set up my Postgres database.Agent 就会依次执行wren skills get onboarding、创建连接 profile、搭建 MDL 项目并跑通首个查询。日常使用命令README.mdwren skills get onboarding # 工作流指南搭建项目 首个查询Generate wren skills get enrich-context # 工作流指南补充业务上下文Know wren skills get genbi # 工作流指南构建并部署仪表盘Deploy wren query --sql ... # 经由 MDL 语义层执行查询 wren ask question --guided # 为较弱的 Agent 包装问题 wren ask question --direct # 为较强的 Agent 包装问题项目初始化core/wren/README.mdwren context init # 生成 wren_project.yml、models/、views/ wren profile add my-db --ui # 浏览器表单配置连接需 wrenai[ui] wren context build # 将 YAML 编译为 target/mdl.json这套流程覆盖连接数据源 → 建立语义层 → 受治理查询 → 生成并部署仪表盘GenBI可部署到自己的 Vercel / Cloudflare Pages 账户见 docs/core/guides/genbi.md的完整闭环——再次印证开源版并非阉割版而是完整引擎的终端/Agent 形态。结论与决策框架回到原文档的最终立场——Open source stays first-class either way无论选哪边开源都是头等公民选开源版单人开发者或 AI Agent、工作在 CLI/SDK/Git 中、数据治理通过 MDLRLAC/CLAC与代码审阅完成、不需要多用户界面。选商业版多角色数据团队、需要 SSO/LDAP/SCIM 与账户体系、非技术同事要在浏览器/Slack/Teams 提问、需要托管 API/MCP、按用户的 RLS/CLS、多租户隔离、审计日志与厂商支持。两者共用同一引擎内核、同一 MDL 上下文资产从开源平滑升级到商业版不需要重建任何语义模型——先用开源把引擎跑起来团队规模与治理需求上来后再叠加商业团队层是文档暗示的最稳妥路径。延伸阅读仓库内README.md —— 根文档含 Open Core 边界说明Open core: OSS vs. Cloud / self-hosted 一节与快速上手docs/core/concepts/oss_vs_commercial.md —— 本文依据的原文档docs/core/guides/genbi.md —— GenBI 仪表盘生成与部署指南core/wren/README.md ——wrenaiCLI 与 Python SDK 说明core/wren-mdl/mdl.schema.json —— MDL 数据模型含行级/列级访问控制字段core/wren-core/core/src/logical_plan/analyze/access_control.rs —— RLAC/CLAC 的 Rust 引擎实现core/wren/src/wren/policy.py —— SQL 只读校验与严格模式实现【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