Wren AI 安装指南三步把 text-to-SQL 上下文层交给你的 AI 编码智能体【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本篇技术指南围绕 Wren AI 官方安装文档 installation.md 展开完整讲解安装wren发现桩discovery stub→ 让 AI 编码智能体自动完成环境配置 → 用自然语言直接问业务问题的三步流程并结合仓库源码剖析其背后的 Skills 按需交付模型。读完你不仅能在 Claude Code、Openclaw、Codex 等任意 AI 客户端中一键接入 Wren CLI还能理解为什么自 Wren 0.8 起只装一个 skill、内容按需拉取的设计能让智能体始终读到与已安装版本完全匹配的工作流指南。前提你需要什么在开始之前请确认环境满足以下条件依据 quickstart.md 中的前提清单AI 编码智能体如 Claude Code、Cursor、Windsurf、Cline、Codex 等skill 会在会话启动时加载因此安装后需要新开一个会话才能生效Python 3.11Wren CLIwrenai包在 pyproject.toml 中声明了requires-python 3.11Node.js / npm如果使用npx skills add方式安装 skillGit部分安装脚本与后续dbt build流程需要。认识核心为什么只装一个wren发现桩安装文档反复强调一个关键事实整个安装过程只会向你的智能体注入一个名为wren的发现桩Claude Code 下位于~/.claude/skills/wren/SKILL.md这是符合预期的。自 Wren 0.8 起onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi这些工作流指南不再作为独立 skill 安装而是全部内置在wrenCLI 中由智能体通过wren skills get name按需拉取。仓库中的 skills/wren/SKILL.md 就是这个发现桩的完整内容它是一份约 50 行的 Markdown 指南通过 frontmatter 向智能体声明自己的能力边界--- name: wren description: Wren CLI for AI agents — a semantic SQL layer over 22 databases ... license: Apache-2.0 allowed-tools: Bash(wren:*) ---其中allowed-tools: Bash(wren:*)明确告诉智能体一切实际操作都通过wrenCLI 完成。指南正文则列出了智能体需要掌握的几类命令入口wren skills list # 列出全部可用工作流指南 wren skills get onboarding # 端到端初始化 Wren wren skills get usage # 日常查询工作流 wren skills get generate-mdl # 从数据库 schema 生成 MDL wren skills get dlt-connector # 通过 dlt 连接 SaaS 数据源 wren skills get enrich-context # 补充业务语义单位、枚举、cube wren skills get genbi # 构建并部署可分享的 GenBI Web 应用 # 加 --full 会连同指南的 references/ 参考文档一起输出 # 加 --script name 会输出捆绑脚本源码如 dlt-connector / introspect_dlt为什么内容在 CLI 里更可靠skills.md 中明确解释了旧模型的两个痛点早期每个 skill 是独立安装的 markdown 目录一方面随包分发的指南与已安装的 CLI 版本容易漂移另一方面智能体会在会话启动时无条件加载全部内容无论用不用得上。新模型把内容直接打进wrenaiwheel见 pyproject.toml 的依赖声明与 skills_delivery.py 的模块文档通过 Hatchling 的 wheel artifacts 配置随包分发。因此智能体读到的指南永远与已安装的 wrenai 版本一致不存在缓存或版本漂移问题——这一点在 skills/SKILLS.md 中被描述为设计的核心收益。第一步安装wren发现桩安装文档提供了两种等价方式。方式 Anpx 一行安装推荐npx skills add Canner/WrenAI如果你同时装有多个 AI 编码智能体希望该发现桩对所有智能体都可用则传入--agent *npx skills add Canner/WrenAI --agent *安装器会自动检测已安装的 Claude Code、Cursor、Cline、Codex 等客户端如需指定目标客户端用--agent name如claude-code、cursor、windsurf、cline。方式 Binstall.sh 脚本curl -fsSL https://raw.githubusercontent.com/Canner/WrenAI/main/skills/install.sh | bash仓库中的 install.sh 展示了该脚本的完整实现几个值得注意的细节支持--force覆盖已存在的安装bash -s -- --force否则已安装时会跳过可通过环境变量定制CLAUDE_SKILLS_DIR控制目标目录默认$HOME/.claude/skillsWREN_SKILLS_BRANCH控制拉取的分支默认main本地克隆优先脚本会先检测是否运行于本地仓库BASH_SOURCE非/dev/stdin若是则直接复制skills/wren目录否则从 GitHub 仓库对应分支的 tarball 中解压该目录只安装wren一个 stub并提示用/wren在 AI 客户端中调用。此外Claude Code 用户还可以通过插件市场安装见 skills/SKILLS.md/plugin marketplace add Canner/WrenAI --path skills /plugin install wrenwren注意安装完成后需要开启新的 agent 会话因为 skills 是在会话启动时加载的。第二步让智能体完成整套初始化安装好发现桩后打开你的项目目录发起新会话并直接下达指令Use the/wrenskill to install and set up Wren AI.智能体随即进入onboarding工作流wren skills get onboarding在一次对话内完成环境检查 → 安装 Python 依赖 → 为你的数据源创建连接 profile → 脚手架项目 → 跑通第一条查询。onboarding 到底做了什么仓库中 onboarding/SKILL.md 完整记录了该工作流的执行逻辑可按阶段拆解Preflight只读环境检查检查python3 --version要求 3.11、虚拟环境python3 -c import sys; print(sys.prefix ! sys.base_prefix)PEP 668 系统必须用 venv、wren --version是否已安装、记录当前工作目录分支决策询问用户用内置 jaffle_shop 演示数据约 30 秒无需数据库还是连接自己的数据库Step 1 收集项目名 数据库类型两者一起问此时不索取任何凭据Step 2 批量初始化mkdir -p ~/project、pip install wrenai[ds,main]然后用wren docs connection-info ds --format md内省真实连接字段生成.env模板值留空并建议将.env加入.gitignore、chmod 600 .envStep 3 创建 profile等用户填完.env并回复 done 后把每个字段写成${VAR}占位符的 YAML执行wren profile add project --from-file /tmp/conn.yml校验自动运行覆盖旧 profile 无--forceStep 3.5/3.6 脚手架与绑定wren context init --empty创建models/、views/、relationships.yml、knowledge/等目录随后wren context set-profile project把profile与data_source写入wren_project.yml锁定项目到固定连接Step 4 生成 MDL调用wren skills get generate-mdl工作流完成表内省、类型归一化与 YAML 生成之后运行wren context validate与wren context buildStep 5 首次提问基于发现到的表给出 23 个自然语言问题示例并转交usage工作流进入日常使用。onboarding 还固化了四条智能体侧铁律见 skills.md 中的规则表每轮往返只做一步绝不在聊天中索要凭据全部走.env绝不凭空发明连接字段名必须用wren docs connection-info ds内省MDL 构建完成前绝不查询数据库。需要安装哪些 Python extraswrenai通过 pyproject.toml 声明了一组可选的 connector extras数据源extra数据源extraDuckDB默认内置SQL ServermssqlPostgreSQLpostgresDatabricksdatabricksMySQLmysqlRedshiftredshiftBigQuerybigqueryOracleoracleSnowflakesnowflakeAthenaathenaClickHouseclickhouseSparksparkTrino / Prestotrino另有三个功能型 extrasmemory基于 LanceDB 的语义记忆NL→SQL 召回与 embedding 检索、interactive交互式 CLI 提示、ui浏览器 profile 表单main是后两者的聚合wrenai[interactive,ui]。多数据源可合并安装pip install wrenai[memory,main,postgres,bigquery]安装后可用wren version验证 CLI 可用。第三步开始用自然语言提问初始化完成后一切回到最简单的方式——直接向智能体问业务问题。安装文档给出了两个典型示例How many customers placed more than one order this month?What are the top 5 products by total revenue?智能体会借助 Wren AI 的上下文层context layer完成解析 schema → 召回相似的历史查询 → 生成准确的 SQL → 通过引擎执行。问题背后usage 工作流的完整生命周期依据 skills.md 与 quickstart.md一次查询背后是usage工作流的五步循环获取上下文wren memory fetch -q ...首次查询还会wren context instructions找到与问题相关的表与列召回历史wren memory recall -q ... --limit 3检索相似的历史 NL→SQL 对评估复杂度简单问题直接写 SQL复杂问题先拆解为子问题编写并执行 SQL简单场景wren --sql ...复杂场景先wren dry-plan预演只转译不查询数据库再执行存储结果wren memory store --nl ... --sql ...保存成功的 NL→SQL 对供未来召回。每存储一次成功查询记忆系统的召回准确率就提升一分——这是 Wren AI 越问越聪明的机制所在。两个可选工作流安装文档的后续路径还指向两个扩展场景想完整跑通内置jaffle_shop示例数据集DuckDB无需云数据库与 Docker参见 quickstart.md想连接真实数据库并了解按数据源的连接字段、配置注意点与故障排查手册参见 connect.md。此外genbi工作流可以把项目的上下文层一键构造成浏览器端运行的 GenBI 仪表盘并部署到 Vercel / Cloudflare Pages。源码侧的质量保障served content guard指南内容随 CLI 分发还带来一个独特风险如果指南中写了不存在的命令或参数智能体会被带偏。仓库用 test_served_content_guard.py 这个 CI 测试解决了该问题它遍历真实的 typer/click 命令树然后扫描所有 skill 内容、参考文档与 ask 模板中出现的每个wren cmd调用确保其命令与--flag都真实存在杜绝前向引用式的失效指南进入发布分支。配套的 test_skills_cli.py 则逐一验证六个内置 skill 均可通过 CLI 获取、--full能正确内联references/、--script能正确输出捆绑脚本。常见问题速查安装后智能体用不了/wren需要新开一个 agent 会话skills 在会话启动时加载只想给部分客户端装用npx skills add Canner/WrenAI --agent name指定目标想更新发现桩重新运行 install 脚本并加--forcecurl -fsSL ...install.sh | bash -s -- --force如何确认当前有哪些工作流指南wren skills list会列出全部六个指南及其引用文档、捆绑脚本清单实现见 skills_cli.py某个指南想看详细参考wren skills get name --full会把该指南下的references/*.md一并内联输出实现见 skills_delivery.py。小结Wren AI 的安装流程体现了发现桩 按需拉取的现代 Agent 工具设计你只安装一个 50 行的wren引导文件它教会智能体如何驱动wrenCLI而所有工作流指南、提示词模板与参考文档都随wrenai包分发并按需输出——既消除了版本漂移又避免了会话启动时的内容浪费。三步走完你的 AI 编码智能体就拥有了一个覆盖 20 数据源、具备语义记忆的 text-to-SQL 上下文层安装、连接、建模、查询、甚至部署仪表盘全部可用一句话驱动。【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 安装指南：三步把 text-to-SQL 上下文层交给你的 AI 编码智能体
Wren AI 安装指南三步把 text-to-SQL 上下文层交给你的 AI 编码智能体【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本篇技术指南围绕 Wren AI 官方安装文档 installation.md 展开完整讲解安装wren发现桩discovery stub→ 让 AI 编码智能体自动完成环境配置 → 用自然语言直接问业务问题的三步流程并结合仓库源码剖析其背后的 Skills 按需交付模型。读完你不仅能在 Claude Code、Openclaw、Codex 等任意 AI 客户端中一键接入 Wren CLI还能理解为什么自 Wren 0.8 起只装一个 skill、内容按需拉取的设计能让智能体始终读到与已安装版本完全匹配的工作流指南。前提你需要什么在开始之前请确认环境满足以下条件依据 quickstart.md 中的前提清单AI 编码智能体如 Claude Code、Cursor、Windsurf、Cline、Codex 等skill 会在会话启动时加载因此安装后需要新开一个会话才能生效Python 3.11Wren CLIwrenai包在 pyproject.toml 中声明了requires-python 3.11Node.js / npm如果使用npx skills add方式安装 skillGit部分安装脚本与后续dbt build流程需要。认识核心为什么只装一个wren发现桩安装文档反复强调一个关键事实整个安装过程只会向你的智能体注入一个名为wren的发现桩Claude Code 下位于~/.claude/skills/wren/SKILL.md这是符合预期的。自 Wren 0.8 起onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi这些工作流指南不再作为独立 skill 安装而是全部内置在wrenCLI 中由智能体通过wren skills get name按需拉取。仓库中的 skills/wren/SKILL.md 就是这个发现桩的完整内容它是一份约 50 行的 Markdown 指南通过 frontmatter 向智能体声明自己的能力边界--- name: wren description: Wren CLI for AI agents — a semantic SQL layer over 22 databases ... license: Apache-2.0 allowed-tools: Bash(wren:*) ---其中allowed-tools: Bash(wren:*)明确告诉智能体一切实际操作都通过wrenCLI 完成。指南正文则列出了智能体需要掌握的几类命令入口wren skills list # 列出全部可用工作流指南 wren skills get onboarding # 端到端初始化 Wren wren skills get usage # 日常查询工作流 wren skills get generate-mdl # 从数据库 schema 生成 MDL wren skills get dlt-connector # 通过 dlt 连接 SaaS 数据源 wren skills get enrich-context # 补充业务语义单位、枚举、cube wren skills get genbi # 构建并部署可分享的 GenBI Web 应用 # 加 --full 会连同指南的 references/ 参考文档一起输出 # 加 --script name 会输出捆绑脚本源码如 dlt-connector / introspect_dlt为什么内容在 CLI 里更可靠skills.md 中明确解释了旧模型的两个痛点早期每个 skill 是独立安装的 markdown 目录一方面随包分发的指南与已安装的 CLI 版本容易漂移另一方面智能体会在会话启动时无条件加载全部内容无论用不用得上。新模型把内容直接打进wrenaiwheel见 pyproject.toml 的依赖声明与 skills_delivery.py 的模块文档通过 Hatchling 的 wheel artifacts 配置随包分发。因此智能体读到的指南永远与已安装的 wrenai 版本一致不存在缓存或版本漂移问题——这一点在 skills/SKILLS.md 中被描述为设计的核心收益。第一步安装wren发现桩安装文档提供了两种等价方式。方式 Anpx 一行安装推荐npx skills add Canner/WrenAI如果你同时装有多个 AI 编码智能体希望该发现桩对所有智能体都可用则传入--agent *npx skills add Canner/WrenAI --agent *安装器会自动检测已安装的 Claude Code、Cursor、Cline、Codex 等客户端如需指定目标客户端用--agent name如claude-code、cursor、windsurf、cline。方式 Binstall.sh 脚本curl -fsSL https://raw.githubusercontent.com/Canner/WrenAI/main/skills/install.sh | bash仓库中的 install.sh 展示了该脚本的完整实现几个值得注意的细节支持--force覆盖已存在的安装bash -s -- --force否则已安装时会跳过可通过环境变量定制CLAUDE_SKILLS_DIR控制目标目录默认$HOME/.claude/skillsWREN_SKILLS_BRANCH控制拉取的分支默认main本地克隆优先脚本会先检测是否运行于本地仓库BASH_SOURCE非/dev/stdin若是则直接复制skills/wren目录否则从 GitHub 仓库对应分支的 tarball 中解压该目录只安装wren一个 stub并提示用/wren在 AI 客户端中调用。此外Claude Code 用户还可以通过插件市场安装见 skills/SKILLS.md/plugin marketplace add Canner/WrenAI --path skills /plugin install wrenwren注意安装完成后需要开启新的 agent 会话因为 skills 是在会话启动时加载的。第二步让智能体完成整套初始化安装好发现桩后打开你的项目目录发起新会话并直接下达指令Use the/wrenskill to install and set up Wren AI.智能体随即进入onboarding工作流wren skills get onboarding在一次对话内完成环境检查 → 安装 Python 依赖 → 为你的数据源创建连接 profile → 脚手架项目 → 跑通第一条查询。onboarding 到底做了什么仓库中 onboarding/SKILL.md 完整记录了该工作流的执行逻辑可按阶段拆解Preflight只读环境检查检查python3 --version要求 3.11、虚拟环境python3 -c import sys; print(sys.prefix ! sys.base_prefix)PEP 668 系统必须用 venv、wren --version是否已安装、记录当前工作目录分支决策询问用户用内置 jaffle_shop 演示数据约 30 秒无需数据库还是连接自己的数据库Step 1 收集项目名 数据库类型两者一起问此时不索取任何凭据Step 2 批量初始化mkdir -p ~/project、pip install wrenai[ds,main]然后用wren docs connection-info ds --format md内省真实连接字段生成.env模板值留空并建议将.env加入.gitignore、chmod 600 .envStep 3 创建 profile等用户填完.env并回复 done 后把每个字段写成${VAR}占位符的 YAML执行wren profile add project --from-file /tmp/conn.yml校验自动运行覆盖旧 profile 无--forceStep 3.5/3.6 脚手架与绑定wren context init --empty创建models/、views/、relationships.yml、knowledge/等目录随后wren context set-profile project把profile与data_source写入wren_project.yml锁定项目到固定连接Step 4 生成 MDL调用wren skills get generate-mdl工作流完成表内省、类型归一化与 YAML 生成之后运行wren context validate与wren context buildStep 5 首次提问基于发现到的表给出 23 个自然语言问题示例并转交usage工作流进入日常使用。onboarding 还固化了四条智能体侧铁律见 skills.md 中的规则表每轮往返只做一步绝不在聊天中索要凭据全部走.env绝不凭空发明连接字段名必须用wren docs connection-info ds内省MDL 构建完成前绝不查询数据库。需要安装哪些 Python extraswrenai通过 pyproject.toml 声明了一组可选的 connector extras数据源extra数据源extraDuckDB默认内置SQL ServermssqlPostgreSQLpostgresDatabricksdatabricksMySQLmysqlRedshiftredshiftBigQuerybigqueryOracleoracleSnowflakesnowflakeAthenaathenaClickHouseclickhouseSparksparkTrino / Prestotrino另有三个功能型 extrasmemory基于 LanceDB 的语义记忆NL→SQL 召回与 embedding 检索、interactive交互式 CLI 提示、ui浏览器 profile 表单main是后两者的聚合wrenai[interactive,ui]。多数据源可合并安装pip install wrenai[memory,main,postgres,bigquery]安装后可用wren version验证 CLI 可用。第三步开始用自然语言提问初始化完成后一切回到最简单的方式——直接向智能体问业务问题。安装文档给出了两个典型示例How many customers placed more than one order this month?What are the top 5 products by total revenue?智能体会借助 Wren AI 的上下文层context layer完成解析 schema → 召回相似的历史查询 → 生成准确的 SQL → 通过引擎执行。问题背后usage 工作流的完整生命周期依据 skills.md 与 quickstart.md一次查询背后是usage工作流的五步循环获取上下文wren memory fetch -q ...首次查询还会wren context instructions找到与问题相关的表与列召回历史wren memory recall -q ... --limit 3检索相似的历史 NL→SQL 对评估复杂度简单问题直接写 SQL复杂问题先拆解为子问题编写并执行 SQL简单场景wren --sql ...复杂场景先wren dry-plan预演只转译不查询数据库再执行存储结果wren memory store --nl ... --sql ...保存成功的 NL→SQL 对供未来召回。每存储一次成功查询记忆系统的召回准确率就提升一分——这是 Wren AI 越问越聪明的机制所在。两个可选工作流安装文档的后续路径还指向两个扩展场景想完整跑通内置jaffle_shop示例数据集DuckDB无需云数据库与 Docker参见 quickstart.md想连接真实数据库并了解按数据源的连接字段、配置注意点与故障排查手册参见 connect.md。此外genbi工作流可以把项目的上下文层一键构造成浏览器端运行的 GenBI 仪表盘并部署到 Vercel / Cloudflare Pages。源码侧的质量保障served content guard指南内容随 CLI 分发还带来一个独特风险如果指南中写了不存在的命令或参数智能体会被带偏。仓库用 test_served_content_guard.py 这个 CI 测试解决了该问题它遍历真实的 typer/click 命令树然后扫描所有 skill 内容、参考文档与 ask 模板中出现的每个wren cmd调用确保其命令与--flag都真实存在杜绝前向引用式的失效指南进入发布分支。配套的 test_skills_cli.py 则逐一验证六个内置 skill 均可通过 CLI 获取、--full能正确内联references/、--script能正确输出捆绑脚本。常见问题速查安装后智能体用不了/wren需要新开一个 agent 会话skills 在会话启动时加载只想给部分客户端装用npx skills add Canner/WrenAI --agent name指定目标想更新发现桩重新运行 install 脚本并加--forcecurl -fsSL ...install.sh | bash -s -- --force如何确认当前有哪些工作流指南wren skills list会列出全部六个指南及其引用文档、捆绑脚本清单实现见 skills_cli.py某个指南想看详细参考wren skills get name --full会把该指南下的references/*.md一并内联输出实现见 skills_delivery.py。小结Wren AI 的安装流程体现了发现桩 按需拉取的现代 Agent 工具设计你只安装一个 50 行的wren引导文件它教会智能体如何驱动wrenCLI而所有工作流指南、提示词模板与参考文档都随wrenai包分发并按需输出——既消除了版本漂移又避免了会话启动时的内容浪费。三步走完你的 AI 编码智能体就拥有了一个覆盖 20 数据源、具备语义记忆的 text-to-SQL 上下文层安装、连接、建模、查询、甚至部署仪表盘全部可用一句话驱动。【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