不写一行 SQL：Wren AI 用自然语言查数据库的完整指南
【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
市场同事每天早上要等分析师跑完报表，才敢回答"上周华东区销售额多少"这类问题。Wren AI 是一个开源的零代码数据库查询工具：业务人员用自然语言直接查数据库，输入一句大白话，返回对应的 SQL 和查询结果。
跑起来：安装与连接
Wren AI 一条命令装好，支持 PostgreSQL、MySQL、DuckDB、Snowflake、BigQuery 等 20 多种数据源。以 PostgreSQL 为例，三步连上：
- 安装：
pip install "wrenai[postgres]" - 创建连接：
wren profile add my-db --ui，在打开的表单里填主机、库名和账号 - 验证：
wren --sql "SELECT 1"，返回一行数据即成功
没有自己的数据库？可以用内置的 jaffle_shop 示例数据集走一遍完整流程，教程见 docs/core/get_started/，示例项目参考 examples/v5-jaffle/。
核心体验：用大白话查数据
连上数据库后，终端就是查询入口。你输入一句大白话：
本季度销售额最高的三位客户是谁
Wren AI 返回它生成的 SQL 和执行结果：
SELECT c.name, SUM(o.amount) AS revenue FROM orders o JOIN customer c ON c.customer_id = o.customer_id ORDER BY revenue DESC LIMIT 3结果以表格形式直接打印在终端里。看着不对劲时可以追问"退款为什么也算进收入"，它会解释这行 SQL 依赖了哪些字段和口径——你不需要懂 SQL，也能判断结果靠不靠谱。
幕后：数据建模与查询链路
Wren AI 不是让大模型看着表名猜。整条链路是：先连上数据库、读取元数据；再生成 MDL（Modeling Definition Language）数据模型，用业务语言描述表、字段、表间关系和计算字段；系统对模型建立本地向量索引。你提问时，它先检索最相关的表和字段，连同模型定义一起交给 LLM 生成 SQL，经引擎校验后执行，结果返回给你。
从这张架构图可以看到：Claude Code、Cursor 等 AI 客户端只负责提问和编排，真正理解业务语义的是中间的开放上下文层——MDL 管语义建模，Memory 管你问过的相似问题，受控执行保证生成的 SQL 跑在护栏之内。这也是为什么换数据源时，业务定义不用重写。
谁在用：三类典型场景
- 市场：问"各城市订单金额前三名是谁"，当场拿到可核对的明细。
- 产品：问"近 30 天新增用户的周趋势"，不用等数据团队排期。
- 运营：问"退款率高于 5% 的渠道有哪些"，在结果上继续追问原因。
进阶：自定义字段与多数据源
需要"GMV""毛利"这类业务口径时，在 MDL 模型里定义计算字段，之后的问句都引用同一份定义，不会各算各的。表与表之间的关联也在模型里声明一次即可复用。如果同时有 PostgreSQL 和 Snowflake 两套库，分别创建 profile，用wren context set-profile切换，同一套问法两边通用。
Wren AI 把"问一句、拿到数"从分析师手里解放出来：自然语言进，受治理的 SQL 和结果出，业务定义留在 Git 里可审可查。想动手，从仓库根目录的 README.md 开始，docs/ 里有概念说明和完整指南。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
