WrenAI

开源 GenBI：为 AI agent 打造的生成式商业智能。

你的 agent 能从任何数据库生成、部署和管理仪表盘，这一切都基于它们真正可以信任的上下文层。

文档 · Discord · 愿景 · 博客

📣 2026-05-07: Wren Engine 已合并到本仓库的 core/ 目录下。之前的 Canner/wren-engine 仓库已归档。先前的 WrenAI GenBI 应用（基于 Docker 的聊天优先 BI 产品）已保留在 legacy/v1 分支（标签 v1-final）上，现称为 Wren GenBI Classic；详见下方关于“GenBI”名称的说明。 阅读公告 →

---

WrenAI 是什么

WrenAI 是开源的 GenBI 引擎：它让 AI agent 能够从 SQL 答案到可共享的仪表盘，跨越 22 种以上数据源，生成、部署和管理商业智能。

使输出可信的是其底层的层次：一个开放的上下文层，它提供给 agent 的远不止 schema。这包括业务语义、经认可的定义、示例、记忆和治理，以及存在于你文档、wiki 和聊天线程中的非结构化公司知识。生成式 BI 的质量取决于它所依赖的上下文，而 Wren 正是这个上下文，可供你已运行的每个 agent 审查和复用。

GenBI 三部曲：生成 · 部署 · 知晓

• 生成。 你的 agent 将业务问题转化为受治理的 SQL 和图表。模式感知检索（schema-aware retrieval）、MDL 规划、干计划验证（dry-plan validation）和结构化错误确保正确性，而非盲目自信地犯错。
• 部署。 将任何答案转化为由 wren-core-wasm 驱动的、浏览器端可共享的仪表盘，并通过一条命令将其部署到你自己的 Vercel 或 Cloudflare Pages 账户。
• 知晓。 使这一切正确无误的知识存在于可版本化、可链接证据的文件中：语义模型（MDL）、公司定义（instructions.md）以及一份关于哪些做法有效的记忆。可审查、对 Git 友好、永远不会被锁定在别人的 UI 里。

为什么 agent 构建者选择 WrenAI

• 生成式 BI，端到端。 不仅是 text-to-SQL。生成答案、部署仪表盘、共享 URL，全部由你已有的 agent 驱动。
• 内置知识管理。 业务含义、经认可的定义和经过验证的示例被捕获为可审查、版本可控的上下文，而非埋藏在提示词中。
• 默认开放。 核心、SDK 和技能均在 Apache-2.0 许可下开源。
• 以正确性为原语。 丰富的模式检索、干计划验证、带提示的结构化错误、数值分析（value profiling）、评估运行器（eval runner）。Agent 编排；追踪信息保留在其推理中。
• 架设于你现有技术栈之上。 数据仓库、转换管道、现有语义层。无需维护另一个工具。

Wren 对比

	原生 LLM agent	传统 BI 工具	裸语义层	WrenAI
为你编写 SQL	✅（常出错）	❌	❌	✅ 受治理
了解你的业务定义	❌	部分，在工具内	✅（仅 schema）	✅ 包含非schema 知识
生成并部署仪表盘	❌	✅（手动，在工具内）	❌	✅ agent 驱动
通过你的 agent（Claude Code、Cursor、MCP……）工作	✅	❌	❌	✅
开放、可审查、对 Git 友好的上下文	❌	❌	部分	✅
跨22+个数据源的受治理执行	❌	按连接器	✅（仅定义）	✅

如果你符合以下情况，Wren 适合你

• 你希望 AI agent 生产可信的 BI，包括答案和仪表盘，而不仅仅是看起来合理的 SQL。
• 你的业务逻辑（定义、枚举、单位、认可的连接）存在于数据库之外，而你的 agent 总是搞错。
• 你希望上下文是开放的、可审查的、版本可控的，能被每个 agent 和人使用，而非被某个供应商的 UI 所限制。

如果以下情况，请跳过 Wren：你只需要从单个 CSV 获取一次性图表，或者你满足于让 agent 在没有治理的情况下猜测 SQL。

快速开始

WrenAI 设计为由 agent 驱动：安装 CLI，为你的 AI 客户端安装一个单文件发现存根（stub），然后让你的 AI agent 自行驱动其余流程。工作流指南内置于 CLI 本身中，按需提供，因此内容始终与已安装版本匹配。

1. 安装 CLI

pip install wrenai                           # 核心（包含 DuckDB）
pip install "wrenai[postgres,memory]"        # 根据需要添加按数据源和内存的额外功能

中国大陆用户提示： 如果 pip install 速度慢或失败，请使用清华镜像：

pip install wrenai -i https://pypi.tuna.tsinghua.edu.cn/simple

如果 HuggingFace 模型下载超时，请在运行 CLI 之前添加 export HF_ENDPOINT=https://hf-mirror.com。

2. 为你的 AI 客户端安装发现存根

npx skills add Canner/WrenAI                 # 自动检测 Claude Code、Cursor、Cline、Codex……

该存根大约 50 行。它教会你的 agent 通过 wren skills get <name> 获取工作流指南，通过 wren ask "<question>" --guided|--direct 获取结构化提示，其余内容均在 CLI 中。

3. 让你的 agent 进行设置

在你的项目目录中打开 agent，然后说出类似这样的话：

"使用 Wren 设置我的 Postgres 数据库。"

agent 会运行 wren skills get onboarding，逐步按照指南操作，检查你的环境，创建连接配置文件，搭建项目框架，并运行第一次查询。

4. （可选）丰富项目：知晓环节

一旦引导完成，你可以问：

"用 raw/ 中的业务上下文丰富我的 Wren 项目。"

agent 会运行 wren skills get enrich-context，然后以烤串模式（一次一个问题）或自动驾驶模式（agent 读取 <project>/raw/ 并提出建议）遵循指南。两种模式都会写入 MDL、instructions、queries 和 memory，所有内容都可审查、对 Git 友好。

5. 提问：生成环节

"本季度前十大客户是谁？按销售额排序。"

你的 agent 获取 MDL 上下文，回忆过去类似的查询，编写受治理的 SQL，并通过 wren query 执行。

6. 构建并部署仪表盘：部署环节

"将其变成一个可筛选和共享的交互式仪表盘，然后部署到 Vercel。"

agent 运行 wren skills get genbi，根据项目的上下文构建一个浏览器端的 GenBI 应用，在本地预览，然后将其发送到你自己的 Vercel 或 Cloudflare Pages 账户，返回一个实时的可共享 URL。请参阅 构建并部署 GenBI 应用指南。

想在没有自己数据库的情况下尝试？ 让你的 agent 使用附带的 jaffle_shop 示例数据集。相同的流程，几分钟内即可端到端查询真实仓库。

先做两个环节，再做第三个

# 第一天（agent 驱动）
wren skills get onboarding           # 工作流指南：设置项目 + 首次查询      （生成）
wren skills get enrich-context       # 工作流指南：添加业务上下文            （知晓）
wren skills get genbi                # 工作流指南：构建并部署仪表盘           （部署）

# 日复一日使用
wren query --sql '...'               # 通过 MDL 语义层进行查询
wren ask "<question>" --guided       # 为较弱 agent 包装问题
wren ask "<question>" --direct       # 为较强 agent 包装问题

开始时快速运行，需要时深度使用，始终可审查、对 Git 友好。

包含的内容

• 建模定义语言（MDL）：模型、列、关系、视图、Cube、度量、行级/列级访问控制 (RLAC / CLAC)
• 引擎：基于 Apache DataFusion，支持 22+ 数据源
• GenBI 仪表盘：由 agent 构建、浏览器端运行的应用，基于 wren-core-wasm，可部署到 Vercel / Cloudflare Pages
• 知识与记忆：版本控制的 instructions.md 和 queries.yml 中的业务含义，加上本地的 LanceDB 记忆索引（混合检索）用于回忆
• Agent SDK：wren-langchain（LangChain / LangGraph）、wren-pydantic；其他技术栈的参考 Python 集成
• 受治理的执行原语：函数、干计划、行限制、访问控制

下一步

• 端到端正确性原语：数值分析、丰富检索、结构化错误、金标准评估运行器
• Agent 原生分发：主要 agent 框架的一流 SDK；查看 GitHub Discussions 了解下一步优先开发内容
• 全面受治理执行：审计日志、速率限制、审批工作流、数据流检查器

完整路线图和设计说明：请参阅 介绍。

关于“GenBI”名称的说明

“GenBI”现在指的是这种开源的生成式 BI 能力：agent 在 Wren 上下文层之上生成受治理的答案并部署仪表盘。早期的 Wren AI GenBI 应用（基于 Docker 的聊天优先 BI 产品）现已更名为 Wren GenBI Classic，保留在 legacy/v1 分支（不再提供新功能或安全修复）。如需该经典体验的受维护托管版本，请参阅 Wren AI Commercial。

文档

• 快速开始：从技能安装到首次答案
• 构建并部署 GenBI 应用：生成仪表盘并发布
• 概念：上下文是什么、MDL 是什么、记忆如何工作
• 连接数据库：Postgres、BigQuery、Snowflake、DuckDB 等
• Agent SDK：目前已发布的，以及下一步计划

社区

• 💬 Discord：与团队和其他构建者交流
• 🐙 GitHub Discussions：设计讨论、RFC、长线程
• 🐦 Twitter / X：发布说明和简短更新
• 🗞 博客：愿景、事后分析、深度文章

贡献

我们开放地构建。欢迎 Issue、PR、连接器贡献、SDK 集成、文档修正。

• 贡献者指南
• 连接器生态系统计划：三级所有权（官方、社区认可、社区拥有）
• 架构图：找到适合你变更的地方
• 想从某处开始？试试 good first issue 标签。

项目结构（点击展开）

core/
  wren-core/          Rust 语义引擎（Apache DataFusion）
  wren-core-base/     共享的清单类型 + MDL 构建器
  wren-core-py/       Python 绑定（PyPI: wren-core）
  wren-core-wasm/     WebAssembly 构建（npm: wren-core-wasm）
  wren/               Python SDK 和 CLI（PyPI: wrenai）
  wren-mdl/           MDL JSON schema
sdk/
  wren-langchain/     参考 Agent SDK 集成
skills/               Agent 技能，用于上下文创作
docs/                 模块文档
examples/             示例项目

贡献者

许可证

Apache 2.0。参见 LICENSE。

---

和我们一起构建开放的 GenBI。

如果 WrenAI 对你有帮助，请点个 ⭐，这真的能帮助我们成长！

⬆️ 回到顶部