WrenAI Agent工作流
AI Skill Hub 强烈推荐：WrenAI Agent工作流 是一款优质的AI工具。在 GitHub 上收获超过 15.2k 颗 Star，AI 综合评分 8.2 分，在同类工具中表现稳健。如果你正在寻找可靠的AI工具解决方案，这是一个值得深入了解的选择。
📚 深度解析
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
WrenAI Agent工作流 依赖 Rust 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Rust 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 WrenAI Agent工作流 的版本更新，及时通知重要功能变化。
📋 工具概览
WrenAI Agent工作流 是一款基于 Rust 开发的开源工具，专注于 工作流、AI代理、SQL生成 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
📖 中文文档
WrenAI Agent工作流 是一款基于 Rust 开发的开源工具，专注于 工作流、AI代理、SQL生成 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 方式一：cargo install（推荐） cargo install wrenai # 方式二：从源码编译 git clone https://github.com/Canner/WrenAI cd WrenAI cargo build --release # 二进制在 ./target/release/wrenai
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 查看帮助 wrenai --help # 基本运行 wrenai [options] <input> # 详细使用说明请查阅文档 # https://github.com/Canner/WrenAI
# wrenai 配置说明 # 查看配置选项 wrenai --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export WRENAI_CONFIG="/path/to/config.yml"
简介
Open core: what's OSS, what's commercial
The engine in this repo (MDL semantic layer, governed text-to-SQL, MCP server, CLI, 22+ connectors) is Apache-2.0, free forever, and self-hostable. The following are commercial, delivered as Wren AI Cloud or self-hosted Enterprise Plus:
- Row- and column-level security and access control with users and groups
- GenBI UI, dashboards, embedded and APIs
- Scenario AI harnesses: GenBI Apps, Agentic Mode, AI-assisted context preparation
- Advanced security and audit, support and SLAs, plus cloud, VPC, and air-gapped deployment
Same engine underneath. Your MDL stays in your Git either way. Read the published boundary →
What's included
- Engine: Apache DataFusion based. BigQuery, Snowflake, PostgreSQL, ClickHouse, Amazon Redshift, Databricks, DuckDB, and more. Connect a database →
- GenBI dashboards: agent-built, browser-side apps powered by
wren-core-wasm, deployable to Vercel or Cloudflare Pages - Knowledge and memory: version-controlled
instructions.mdandqueries.yml, plus a local LanceDB memory index with hybrid retrieval - Agent SDKs:
wren-langchain(LangChain / LangGraph),wren-pydantic, and a reference Python integration for other stacks. SDK overview → - Governed execution primitives: functions, dry-plan validation, row limits, structured errors
What's next
- End-to-end correctness primitives: value profiling, rich retrieval, structured errors, golden eval runner
- Agent-native distribution: first-class SDKs across major agent frameworks
Vote on what ships next in GitHub Discussions →
Why agent builders pick WrenAI
- **Answers and dashboards, not just SQL.** Generate a governed answer, deploy it as a dashboard, share the URL. One agent-driven loop, end to end.
- Correct instead of confidently wrong. Schema-aware retrieval, MDL planning, dry-plan validation, row limits, value profiling, and structured errors with hints keep agent SQL inside guardrails.
- Business meaning lives in Git. Metric definitions, enums, approved joins, and proven examples are versioned files. Review them in a pull request. Diff them. Take them with you.
- Works through the agents you already run. Claude Code, Cursor, Cline, Codex, MCP clients, LangChain. Wren is a layer, not another chat UI to adopt.
- Sits on your existing stack. Warehouse, transformation pipelines, existing semantic models. 22+ sources on one Apache DataFusion engine.
- Open by default. Core engine, SDK, and skills under Apache-2.0. It runs without us.
Quickstart
Three commands, then your agent does the rest. Works with Claude Code, Cursor, Cline, Codex, and 50+ other agents.
1. Install the CLI
pip install wrenaiAdd connector extras as you need them, for example pip install "wrenai[postgres,memory]".
2. Teach your agent about Wren
npx skills add Canner/WrenAIThis installs a ~50-line discovery stub. Your agent fetches full workflow guides from the CLI on demand, so instructions always match the installed version.
3. Open your agent in a project folder and ask
"Use Wren to set up my Postgres database."
The agent checks your environment, creates a connection profile, scaffolds the project, and runs a first query.
No database handy? Say "Use Wren with the bundled jaffle_shop sample" and run the same flow against a real sample warehouse.
<details> <summary>Slow <code>pip install</code> from mainland China?</summary>
pip install wrenai -i https://pypi.tuna.tsinghua.edu.cn/simpleIf HuggingFace model downloads time out, run export HF_ENDPOINT=https://hf-mirror.com before using the CLI.
</details>
How Wren compares
| A raw LLM agent | A traditional BI tool | A bare semantic layer | **WrenAI** | |
|---|---|---|---|---|
| Writes SQL for you | ✅ (often wrong) | ❌ | ❌ | ✅ governed |
| Knows your business definitions | ❌ | partial, in-tool | ✅ (schema only) | ✅ + non-schema knowledge |
| Generates & deploys dashboards | ❌ | ✅ (manual, in-tool) | ❌ | ✅ agent-driven |
| Works through *your* agents (Claude Code, Cursor, MCP…) | ✅ | ❌ | ❌ | ✅ |
| Open, reviewable, Git-friendly context | ❌ | ❌ | partial | ✅ |
| Governed execution across 22+ sources | ❌ | per-connector | ✅ (definitions only) | ✅ |
FAQ
<details> <summary><b>What is generative BI (GenBI)?</b></summary>
Business intelligence produced by AI agents. Instead of a person building charts by hand, an agent generates governed SQL, deploys a dashboard, and shares it, grounded in an AI context layer so the output is trustworthy rather than merely plausible. Wren AI is the open-source GenBI engine.
</details>
<details> <summary><b>Does Wren AI do text-to-SQL?</b></summary>
Yes, and governed: questions become SQL planned against your semantic layer (MDL) and dry-plan validated before execution. Wren then goes further, deploying dashboards and managing the context that keeps answers correct.
</details>
<details> <summary><b>Is Wren AI a semantic layer?</b></summary>
Yes. Wren is a governed semantic layer expressed in MDL (models, metrics, relationships), paired with an AI context layer (memory, examples, unstructured knowledge) and a governed execution engine that runs those definitions across 22+ sources.
</details>
<details> <summary><b>What is an AI context layer?</b></summary>
The reviewable, version-controlled knowledge agents need but schemas don't provide: business semantics, approved definitions, examples, memory, and governance. Read the vision: The missing context layer for AI agents over business data.
</details>
<details> <summary><b>What happened to the Docker-based Wren AI GenBI app?</b></summary>
On 2026-05-07 Wren Engine merged into this repo under core/, and the previous Canner/wren-engine repo was archived. The earlier chat-first BI product is now Wren GenBI Classic, preserved on the legacy/v1 branch (tag v1-final) with no new features or security fixes. For a maintained, hosted version of that experience, see Wren AI Commercial. Read the announcement →
</details>
WrenAI 是一款专为 Agent 设计的生成式 BI（Generative BI）平台。它不仅实现了从自然语言到 SQL 的转换，更通过端到端的流程，让 AI Agent 能够直接生成受控的查询、构建可视化 Dashboard 并进行分享。WrenAI 旨在解决传统 Text-to-SQL 容易出现的“一本正经胡说八道”问题，通过引入语义层和知识管理，为开发者提供可靠、可解释的数据分析能力。
WrenAI 集成了强大的 Modeling Definition Language (MDL)，支持对模型、列、关系、视图及指标的精细化定义，并提供行级/列级访问控制（RLAC/CLAC）。其核心 Engine 基于 Apache DataFusion 构建，支持超过 22 种数据源。此外，通过 wren-core-wasm 技术，用户可以将生成的 GenBI dashboards 直接部署至 Vercel 或 Cloudflare Pages，实现轻量化的浏览器端应用分发。
WrenAI 采用“生成、部署、认知”的三步走策略。首先，通过 Agent 将业务问题转化为受控的 SQL 和图表；接着，利用 wren-core-wasm 技术将答案转化为可分享的浏览器端 Dashboard，并一键部署到 Vercel 或 Cloudflare Pages；最后，通过知识注入实现对业务上下文的深度理解，完成从数据到决策的闭环。
WrenAI 采用 Agent-driven 设计理念。开发者只需安装 CLI 工具，并为现有的 AI Client 安装一个单文件 Discovery Stub，即可让 AI Agent 接管后续的所有操作。为了确保文档与版本同步，所有的 Workflow 指南都直接内置在 CLI 内部，根据用户安装的版本按需实时提供服务。
在完成初始化后，用户可以通过“Enrich”模式增强项目。通过执行 `wren skills get enrich-context` 命令，Agent 可以进入 grill mode（逐问确认模式）或 auto-pilot mode（自动驾驶模式）。在 auto-pilot 模式下，Agent 会自动读取项目中的 `raw/` 目录并提出改进建议，所有变更都会写入 MDL、指令、查询和 Memory 中，且全程支持人工审核。
在实际使用中，用户可以直接向 Agent 提问，例如：“本季度销售额前 10 的客户是谁？”此时，Agent 会自动获取 MDL 上下文，检索并回忆相似的历史查询，编写符合规范的受控 SQL，并通过 `wren query` 执行，确保输出结果的准确性与业务逻辑的一致性。
高星开源项目，Rust编写性能优异。创新的SQL上下文层设计让AI安全访问数据库，治理能力强。适合企业级应用，但学习成本较高。
- 构建多智能体协作系统的 Agent 开发者
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- CLI：直接 npm install -g / pip install，命令行调用
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 构建多智能体协作系统的 Agent 开发者
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
👥 适合人群
🎯 使用场景
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
- +GitHub 15.2k Star，社区高度认可
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
该工具使用 NOASSERTION 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
📄 NOASSERTION — 请查阅原始协议条款了解具体使用限制。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，WrenAI Agent工作流 是一款质量优秀的AI工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | WrenAI |
| 原始描述 | 开源AI工作流：The open context layer that gives AI agents grounded, governed SQL across 20+ da。⭐15.2k · Rust |
| Topics | 工作流AI代理SQL生成数据治理多数据源上下文工程 |
| GitHub | https://github.com/Canner/WrenAI |
| License | NOASSERTION |
| 语言 | Rust |
收录时间：2026-05-17 · 更新时间：2026-05-19 · License：NOASSERTION · AI Skill Hub 不对第三方内容的准确性作法律背书。