WrenAI 意图识别实战：AI Agent 的 text-to-SQL 如何做到可信

WrenAI 意图识别实战AI Agent 的 text-to-SQL 如何做到可信【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把这个月营收多少丢给一个大模型十次里总有几次会答错。错在营收——有的表里它是amount有的按支付方式拆成了三个字段。WrenAI 是开源的 GenBI 引擎它的意图识别不靠猜先让 AI agent 在语义层、召回记忆和执行护栏里把口径找准再写受治理的 text-to-SQL跨 22 数据源直接产出图表和仪表盘。一分钟速览WrenAI 治理的 text-to-SQL 开放的 AI 上下文层。它把数据是什么意思沉淀成可审查的 MDL 语义层建模定义语言用 YAML 描述表、字段和关系再叠加记忆与示例让 Claude Code、Cursor 这类你已有的 agent 写对 SQL而不只是写出看起来对的 SQL。适合想让 AI agent 产出可信答案和数据看板、且业务口径散落在数据库之外的团队。一次请求的旅程意图是怎么被识别的新版 WrenAI 里意图识别不再是四分类器而是把判断交给 agent由 CLI 提供上下文、记忆和校验做兜底。以一句这个月营收多少为例步骤谁来做用到的命令 / 机制1. 识别任务类型agentguided模板让 agent 先分清数据类问题还是了解项目2. 检索相关上下文agent 语义层wren context show、wren memory fetch3. 召回历史问法agent 记忆wren memory recall取相似已确认的 SQL4. 写受治理的 SQLagent只用 MDL 模型名不编列名5. 计划并执行引擎wren dry-plan预览、wren query执行模板本体很短见 guided 模板TASK TYPE A — data question: # 数据类查上下文→召回→写SQL→dry-plan→执行 1. wren context show # 2. wren memory recall # 3. write SQL 4. wren dry-plan --sql ... # 5. wren query --sql ...也就是说意图被拆成了三件事语义层说清数据、记忆给出参照、护栏挡住危险操作。写代码的同学可以看 提示词封装 和 只读 SQL 策略。上手实践环境准备一条命令起步DuckDB 自带其余数据源按需加 extrapip install wrenai[memory] # memory 为可选的语义记忆 npx skills add Canner/WrenAI # 给 agent 装发现桩最小可用示例初始化项目、绑定连接再让 agent 生成 MDL。wren context init # 生成项目骨架 wren context set-profile my-db # 绑定数据源 profile然后在项目目录里让 agent 探索并生成models/跑wren context build即可提问。进阶定制两种模式都明确、无默认wren ask 这个月营收多少 --guided # 弱模型走完整流程 wren ask 这个月营收多少 --direct # 强模型最小包装口径统一把规则写进knowledge/rules/例如营收永远指订单amountwren memory store存下确认过的问法后wren memory index重建索引。实战建议问题agent 编造表名、列名。→ 对策给models/补全description再重跑wren memory index。问题同一问法每次答案漂移。→ 对策把口径钉进knowledge/rules/重建后召回更稳。问题不确定生成的 SQL 是否正确。→ 对策先wren dry-plan --sql预览计划再执行。问题答案看起来不对。→ 对策先核对relationships.yml的关联错误关联会产生静默错误。问题想限制模型乱用函数。→ 对策用严格模式与禁用函数清单见 policy 源码。常见问题QWrenAI 和我现有的 BI 工具冲突吗 A不冲突。BI 工具负责人工搭看板WrenAI 负责让 agent 生成治理的 SQL 和数据看板底层接的是同一个数据库。Q它为什么比裸调用 LLM 更准 A语义层补了 schema 外的业务含义记忆提供已确认的参照dry-plan 在执行前拦住明显错误。Qmemory必须装吗 A不必。不装时回退到无依赖的文本检索能用但召回质量较低装了才有语义召回和 schema 检索。Q还做不做四分类式意图识别 A旧版有新版把判断交给 agentWren 提供上下文、记忆与校验作为底座。Q能自托管、支持哪些源 A开源引擎 Apache-2.0可自托管覆盖 22 数据源行级、列级安全属商业版。写在最后WrenAI 的意图识别不在一个分类器里而在语义层、记忆与护栏构成的上下文里。下一步按 快速上手 用自带的 jaffle_shop 样例装好 CLI问出你的第一个自然语言问题。【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