目录

• 系列篇章💥
• 前言
• 一、项目概述
• 二、主要功能
• • 1、多语言自然对话
  • 2、智能数据探索
  • 3、语义索引系统
  • 4、上下文 SQL 生成
  • 5、无代码数据分析
  • 6、AI 驱动可视化
  • 7、数据导出集成
  • 8、安全性保障
• 三、技术原理
• 四、应用场景
• • 1、数据分析
  • 2、业务报告
  • 3、数据探索
  • 4、教育与研究
  • 5、客户支持
  • 6、数据民主化
• 五、快速使用
• • 1、前提条件
  • 2、安装步骤（以 Windows 为例）：
  • 3、使用说明
• 结语
• 项目地址

---

前言

在大数据时代，数据已经成为企业和组织决策的重要依据。然而，对于很多非技术背景的人员来说，从海量数据中获取有价值的信息并非易事，SQL 等查询语言的复杂性成为了他们与数据之间的一道障碍。WrenAI 的出现，为解决这一问题提供了新的思路。作为一款开源的文本到 SQL 工具，它让用户能够通过自然语言与数据进行交互，极大地降低了数据查询和分析的门槛，为数据驱动的决策提供了更加便捷高效的方式。接下来，让我们一起深入了解 WrenAI 的强大之处。

一、项目概述

WrenAI 是由 Canner 团队开发的开源 AI 助手，旨在打破数据查询和分析的技术壁垒，帮助数据团队、产品团队和业务团队等通过自然语言对话的方式获取数据洞察。它能够将用户输入的自然语言自动转换为 SQL 查询，还能生成图表、电子表格和报告等，实现从数据提问到报表生成的完整流程，真正提供了一个端到端的解决方案。无论是数据科学家进行复杂的数据探索，还是业务人员想要快速了解业务数据，WrenAI 都能满足他们的需求。

二、主要功能

1、多语言自然对话

支持英语、德语、西班牙语、法语、日语、韩语、葡萄牙语、中文等多种语言与数据进行交互。这使得不同语言背景的用户都能轻松使用，无论是跨国公司的数据分析，还是面向全球用户的应用开发，WrenAI 都能适应多样化的语言需求。

2、智能数据探索

具备 AI 驱动的数据理解和问题推荐功能。当用户面对复杂的数据时，它不仅能回答 “我有哪些数据”“我的客户表有哪些列” 这类基础探索性问题，还能根据用户之前的提问和数据上下文，动态生成推荐问题和智能后续查询，引导用户更深入地挖掘数据价值。

3、语义索引系统

通过精心设计的 UI/UX 实现语义理解。它能在数据模式上建立逻辑表示层，帮助大语言模型（LLM）更好地理解业务上下文，从而生成更准确的 SQL 查询，避免因语义理解偏差导致的查询错误。

4、上下文 SQL 生成

结合元数据、模式和术语，利用 “建模定义语言” 生成准确的 SQL 查询。它会充分考虑数据的结构、关系以及用户提问的上下文，减少重复编码，简化数据连接，让用户无需手动编写复杂的 SQL 语句，就能获取到精准的数据结果。

5、无代码数据分析

用户仅通过对话即可获取数据洞察。在开始新对话时，输入的问题会用于找到最相关的表格，LLM 还会生成相关问题供用户参考。用户可以通过不断的后续提问，获得更深入的洞察，无需掌握专业的编程技能。

6、AI 驱动可视化

自动生成数据摘要和可视化图表。其 GenBI 功能可将查询结果立即转换为 AI 生成的报告和图表，将原始数据转化为清晰、可操作的可视化信息，无论是柱状图、折线图还是饼图，都能直观展示数据特征，帮助用户快速理解数据背后的信息。

7、数据导出集成

支持导出到 Excel、Google Sheets 等分析工具，提供无缝的端到端工作流程。用户在 WrenAI 中完成数据查询和分析后，可以方便地将结果导出到熟悉的工具中进行进一步处理和分享。

8、安全性保障

采用 RAG（检索增强生成）架构，无需暴露数据给 LLM 模型。利用模式和上下文生成 SQL 查询，有效保护了数据的安全性和隐私性，让企业和组织可以放心使用。

三、技术原理

WrenAI 主要使用 Python 作为实现语言，结合自然语言处理（NLP）技术来解析文本查询并转换成 SQL。在自然语言处理过程中，它会对用户输入的文本进行词法分析、句法分析和语义理解，提取关键信息，并将其映射到相应的数据表和字段上。
前端开发使用 TypeScript、Next.js 构建直观易用的用户界面，用户可以方便地输入问题、查看结果和进行交互操作。后端服务框架采用 FastAPI，负责处理用户请求、与数据库进行交互以及调用相关的 AI 服务。

WrenAI 的核心服务包括：

• Wren UI：提供直观的用户界面，用于提问、定义数据关系和集成数据来源，是用户与 WrenAI 交互的主要入口。
• Wren AI Service：使用向量数据库进行上下文检索来处理查询，引导 LLMs 生成精确的 SQL 输出，确保查询结果的准确性和相关性。
• Wren Engine：作为语义引擎，将业务术语映射到数据源，定义关系，并包含预定义的计算和聚合，帮助模型更好地理解业务逻辑。

四、应用场景

1、数据分析

对于不熟悉 SQL 的数据分析师、业务分析师或非技术用户，WrenAI 是得力助手。他们可以通过自然语言提问来获取数据库中的信息，快速完成数据汇总、筛选、对比等分析任务，无需花费大量时间学习复杂的 SQL 语法。

2、业务报告

业务团队可以使用 WrenAI 快速生成报告，通过简单的文本命令获取所需的数据洞察，如销售数据统计、市场份额分析等，大大提高报告生成的效率，为决策提供及时的数据支持。

3、数据探索

数据科学家和研究人员可以利用 WrenAI 进行数据探索，通过自然语言查询来试验不同的数据视角和查询条件，发现数据中的潜在规律和趋势，为进一步的研究和建模提供基础。
内部工具开发
开发者可以将 WrenAI 集成到内部工具或应用程序中，为用户提供更加友好的数据查询接口，提升内部工具的智能化水平和用户体验。

4、教育与研究

在教育和研究领域，WrenAI 可以作为教学工具，帮助学生和研究人员通过自然语言处理数据库，无需深入学习 SQL，就能理解数据查询和分析的基本原理，培养数据思维。

5、客户支持

客户支持团队可以通过 WrenAI 快速检索客户数据，如订单信息、投诉记录等，以提供更个性化的服务，提高客户满意度。
决策支持系统
高层管理人员可以使用 WrenAI 来获取即时的数据支持，快速了解关键业务指标，帮助他们做出基于数据的决策，提升决策的科学性和准确性。

6、数据民主化

WrenAI 使得组织内的任何成员都能轻松访问和理解数据，促进了数据的民主化，让数据不再是少数技术人员的专属，提高了整个组织的数据素养和工作效率。

五、快速使用

1、前提条件

需要安装 Docker 环境，并拥有 OpenAI Key。

2、安装步骤（以 Windows 为例）：

1）在 GitHub 项目页面下载wren-launcher-windows.zip压缩包。
2）解压后以管理员身份运行wren-launcher-windows.exe可执行文件。
3）如出现弹窗，选择更多信息并点击仍然运行。
4）选择您想要选择的 LLM 提供商，如果是 OpenAI，请进入下一步；否则，请选择其他。
5）输入你的 OpenAI API 密钥，然后选择想在 WrenAI 中使用的 OpenAI 生成模型。
6）等待安装完成，安装完成后会为你设置 Docker 容器，并在浏览器中打开应用程序的 URL。如果启动程序没有打开 URL，请访问localhost:3000开始使用 WrenAI。

3、使用说明

安装完成后，用户就可以在界面中输入自然语言问题，比如 “显示过去一年各地区的销售总额”，WrenAI 会自动理解问题，生成相应的 SQL 查询，并展示可视化结果，用户还可以根据需求进一步导出数据或生成报告。

结语

WrenAI 作为一款创新的开源文本到 SQL 工具，以其强大的功能、先进的技术和广泛的应用场景，为数据查询和分析带来了新的变革。它让自然语言与数据的交互变得简单高效，降低了数据分析的门槛，促进了数据的民主化。随着技术的不断发展和完善，相信 WrenAI 会在更多领域发挥重要作用，帮助更多的团队和个人从数据中获取有价值的信息，做出更明智的决策。

项目地址

GitHub仓库：https://github.com/Canner/WrenAI
SourceForge：https://sourceforge.net/projects/wrenai.mirror/
官方网站：https://getwren.ai/oss

关于AI大模型技术储备

学好 AI大模型 不论是就业还是在工作技能提升上都不错，但要学会 AI大模型 还是要有一个学习规划。最后大家分享一份全套的 AI大模型 学习资料，给那些想学习 AI大模型 的小伙伴们一点帮助！

感兴趣的小伙伴，赠送全套AI大模型学习资料和安装工具，包含Agent行业报告、精品AI大模型学习书籍手册、视频教程、最新实战学习等录播视频，具体看下方。

需要的可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

这份完整版的学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】