📊 项目简介
传统的 BI 工具需要专业的数据分析技能，而直接使用 LLM 生成 SQL 又常常不可靠——AI 不了解业务逻辑，容易生成错误的结果。WrenAI 的革新之处在于引入了开放上下文层（Open Context Layer）：通过将业务语义、已验证定义、示例、记忆和治理规则以可版本化、可溯源的文件存储，让 AI 智能体能够生成可信的 SQL 和分析结果。
该项目由 Canner 团队开发维护，采用 Apache-2.0 开源许可，累计 2523+ 次提交，是 GenBI 领域的开创性项目。2026 年，随着 AI Agent 的爆发，WrenAI 已成为 AI 驱动数据分析的首选开源方案。
⚙️ 安装要求和过程
环境要求
- Python：3.9+（推荐使用 3.10 或更高版本）
- Node.js：18+（用于 AI 客户端适配脚本安装）
- 数据源：已部署的 PostgreSQL / BigQuery / Snowflake / ClickHouse 等（或本地 DuckDB）
- 可选：Vercel 或 Cloudflare Pages 账号（用于仪表盘部署）
快速安装步骤
方式一：Python CLI 安装（推荐）
# 核心版本，内置 DuckDB 引擎 pip install wrenai # 按需添加数据源扩展和记忆功能 pip install "wrenai[postgres,memory]" # 国内用户可使用清华 PyPI 镜像加速 pip install wrenai -i https://pypi.tuna.tsinghua.edu.cn/simple # 若 HuggingFace 模型下载超时，设置镜像 export HF_ENDPOINT=https://hf-mirror.com
方式二：AI 客户端适配（让 AI 智能体使用 WrenAI）
# 自动检测当前环境的 AI 客户端（Claude Code、Cursor 等） npx skills add Canner/WrenAI
方式三：Docker 部署（完整平台）
git clone https://github.com/Canner/WrenAI.git cd WrenAI docker-compose up -d
初始化配置
安装完成后，向 AI 智能体发送指令：
Use Wren to set up my Postgres database
智能体会自动执行引导流程，完成数据源连接、项目初始化和首次查询。你还可以发送：
Enrich my Wren project with the business context in raw/
让智能体自动提取业务知识，丰富上下文层。
🌟 核心功能
🎯 开放上下文层（Open Context Layer）
这是 WrenAI 的核心创新。业务逻辑（指标定义、枚举值、单位、已验证关联规则等）以可版本化、可溯源的文件存储：语义模型（MDL）、企业定义文件（instructions.md）、历史查询记录。支持 Git 管理，不依赖封闭 UI，可被所有 AI 智能体和团队成员复用。
🔍 可信 Text-to-SQL
结合开放上下文层，WrenAI 通过语法感知检索、MDL 规划、预执行验证、结构化错误提示、值分析、评估工具链，大幅提升 SQL 生成的正确性。支持 20+ 数据源，包括云数仓（BigQuery、Snowflake、Databricks）、传统关系型数据库（PostgreSQL、MySQL、SQL Server）和本地文件。
📊 生成式仪表盘
可将分析结果一键转换为可交互、支持筛选的浏览器端仪表盘，基于 wren-core-wasm 实现。支持一键部署到用户自己的 Vercel 或 Cloudflare Pages 账号，生成可分享的公开链接。从自然语言提问到团队可访问的仪表盘，全程自动化。
🤖 AI 智能体原生集成
提供 Agent SDK（wren-langchain 兼容 LangChain/LangGraph，wren-pydantic 支持其他 Python 技术栈）。支持 MCP 协议，可对接 Claude Code、Cursor、Cline、Codex 等各类 AI 客户端。安装适配脚本后，AI 智能体可调用 WrenAI 的工作流指南和查询能力。
🔐 受管制执行能力
支持行级/列级访问控制（RLAC/CLAC）、查询行数限制、审计日志、审批工作流等治理能力。企业可以安全地让 AI 访问敏感数据，确保合规性和可审计性。混合检索的本地 LanceDB 记忆索引可召回历史相似查询，持续提升准确性。
💡 典型使用场景
场景一：数据分析师的 AI 助手
数据分析师小李每天需要处理大量业务方的临时数据查询需求。以前他需要手写 SQL、等待查询、制作图表，耗时耗力。使用 WrenAI 后，业务方可以直接用自然语言提问：“上个月各区域的销售额同比增长了多少？” WrenAI 基于上下文层生成可信的 SQL，自动生成图表，并部署为可分享的仪表盘。小李只需要审核结果，大大提升了工作效率。
价值：减少 80% 的重复查询工作，业务方自助获取数据洞察，数据分析师专注于高价值分析。
场景二：企业级 AI Agent 的数据分析能力
某公司正在构建企业级 AI Agent，需要让 Agent 能够查询公司内部的数据仓库。直接使用 LLM 生成 SQL 的准确率低，且无法复用业务逻辑。通过集成 WrenAI 的 Agent SDK 和 MCP 协议，Agent 可以访问开放上下文层，生成可信的 SQL，并通过受管制执行能力确保数据安全。所有业务逻辑以文件形式存储，支持 Git 版本管理，团队可以持续迭代优化。
价值：AI Agent 的数据分析能力从”不可靠”变为”可信”，业务逻辑可复用、可版本化、可审计。
🚀 推荐理由
为什么推荐 WrenAI？
1. 解决了 AI + BI 的核心痛点
LLM 生成 SQL 的最大问题是”不可信”——AI 不了解业务逻辑，容易生成错误的结果。WrenAI 的开放上下文层方案非常优雅：将业务逻辑以文件形式存储，可被所有 AI 智能体和团队成员复用，支持 Git 管理。这比封闭的商业产品更具可持续性。
2. GenBI 是 AI Agent 应用的新范式
2026 年，AI Agent 从”聊天”走向”执行”，数据分析是最高频的企业场景之一。WrenAI 不仅是 Text-to-SQL 工具，更是完整的 GenBI 引擎——从自然语言提问到可信 SQL，从分析结果到可分享仪表盘，全流程自动化。这是 BI 工具的范式转变。
3. 开源 + 企业级能力
采用 Apache-2.0 许可，可自由修改和部署。同时内置了行级/列级访问控制、审计日志、审批工作流等企业级能力，满足数据安全合规要求。支持 20+ 数据源，无需替换现有数据栈。
4. AI 智能体原生设计
不是”给人的工具”，而是”给 AI 的工具”。提供 Agent SDK、MCP 协议支持，可无缝集成到 Claude Code、Cursor、LangChain 等 AI 开发框架。开放上下文层的设计让 AI 智能体能够持续学习和改进。
小缺点
目前文档主要用英文，中文社区还在建设中。部分高级功能（如仪表盘部署）需要 Vercel/Cloudflare 账号，对纯本地部署场景略有不便。但核心功能完全可以本地使用，不影响基本使用。
📥 下载地址
GitHub 仓库：
github.com/Canner/WrenAI ⭐ 15.7K+ Stars
官方网站：
getwren.ai — 在线体验、文档和社区
官方文档：
docs.getwren.ai — 完整使用指南和 API 文档
快速安装：
pip install wrenai 或 npx skills add Canner/WrenAI
Discord 社区：
discord.gg/5DvshJqG8Z — 与开发团队和社区交流
WrenAI · GenBI for AI Agents · 让数据分析变得简单、可信、可追溯
数据与 AI 的桥梁 · Text-to-SQL 的新范式 · 2026 年值得关注的开源项目