使用 ForgeCode 安装 Wren AI：从 Skills 安装到 Onboarding 全流程指南

使用 ForgeCode 安装 Wren AI从 Skills 安装到 Onboarding 全流程指南【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/WrenAIWren AI开源 Generative BI 引擎通过可复用的SkillsAI Agent 工作流指南让 Claude Code、Cursor、Cline、ForgeCode 等 AI 编程 Agent 自动完成环境检查、连接配置、项目脚手架、MDL 建模与首次查询的完整落地。本文以docs/core/get_started/quickstart-with-agent/forgecode.md为骨架讲解如何用 ForgeCodeforge这一 AI 编码 Agent 安装并初始化 Wren AI读完你将掌握安装wrendiscovery stub、通过/wrenskill 触发 onboarding 流程、以及 Onboarding 全流程背后每一步的具体命令与判断规则。前置条件在开始之前确保你的机器满足唯一一个硬性要求ForgeCode 已安装并完成认证authenticated。Wren AI 的安装本身不要求你提前装好数据库、Docker 或云基础设施——后续流程中的环境检查Python 版本、虚拟环境、wrenCLI 是否存在等由 Onboarding skill 在对话中自动完成你只需要一个能运行npx和forge的终端环境。第一步安装 Wren SkillsWren AI 把如何操作 CLI的指南以Skills形式交付给 AI Agent。在 ForgeCode 中安装只需一行命令npx skills add Canner/WrenAI --agent forgecode这条命令通过npx skills工具从Canner/WrenAI仓库安装名为wren的discovery stub发现存根并显式指定目标 Agent 为forgecode。--agent name参数用于指定具体的 AI 客户端例如claude-code、cursor、windsurf、cline不加该参数时安装器会自动检测当前已安装的 Agent。Skills 的交付模型存根在 Agent内容在 CLI理解这条命令做了什么需要先了解 Wren AI 的 Skill 分发设计见 skills/SKILLS.md安装到 ForgeCode 的只是一个约 50 行的discovery stubskills/wren/SKILL.md它只告诉 Agent工作流指南和提示词模板都存在wrenCLI 里请按需拉取真正的workflow guidesonboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi随wrenaiPython 包分发通过wren skills get name按需输出因为内容随 wheel 一起发布Agent 读到的指南永远与已安装的 CLI 版本一致无缓存、无版本漂移。也就是说npx skills add安装的只是一个入口真正的操作手册在安装wrenai包之后由 CLI 动态提供。备选安装方式如果不使用npx也可以运行仓库自带的 skills/install.sh 脚本安装同一个 stub支持--force覆盖已有安装。该脚本既支持从本地仓库克隆目录安装也支持通过curl ... | bash从远端拉取。第二步运行 Onboarding安装完 skill 后启动 ForgeCodeforge然后在对话中向 Agent 提问Use the /wren skill to install and set up Wren AI.Agent 读到 discovery stub 后会识别出这是一个onboarding任务并自动执行wren skills get onboarding拉取完整的安装工作流指南源码位于 core/wren/src/wren/skills_content/onboarding/SKILL.md。正如关联文档所述这条 skill 会引导 Agent 依次完成环境检查 → profile 创建 → 项目脚手架 → 首次查询。下面是每一步在仓库中可验证的具体实现。环境预检Preflight只读Onboarding 首先做 4 项只读环境检查此时不会询问任何项目/凭据信息python3 --version— 要求 Python 3.11版本过低则请用户升级后停止检查虚拟环境python3 -c import sys; print(sys.prefix ! sys.base_prefix)若输出False即不在虚拟环境中建议创建并激活PEP 668 系统必须使用虚拟环境wren --version— 若已安装则确认后再决定是否重装pwd— 记录当前工作目录。分支决策自带数据 vs 示例数据预检通过后Agent 会询问用户先试用内置的jaffle_shop演示数据约 30 秒无需数据库还是连接你自己的数据库选demo→ 转入 docs/core/get_started/quickstart.md 的jaffle_shop端到端演示并结束本 skill选own DB→ 继续执行下面的安装流程。关键 Agent 行为规则从 onboarding skill 的源码可以确认Agent 在整条流程中必须遵守四条硬性规则这也是整个 Skills 系统的设计哲学见 docs/core/reference/skills.md规则原因每轮只做一步one step per round-trip避免一次性向用户抛出过多信息保持每轮对话聚焦绝不在聊天中索要凭据host、port、user、password、token 都不行凭据只通过.env文件传递Agent 全程看不到具体值绝不臆造连接字段名必须运行wren docs connection-info ds从实时 Pydantic schema 内省真实字段MDL 构建完成前绝不查询数据库强制 Agent 先搭建上下文层再查数据第三步Onboarding 内部流程详解虽然关联文档只用一句话概括了 Onboarding 的职责但该 skill 在仓库中的实现core/wren/src/wren/skills_content/onboarding/SKILL.md把流程拆成了清晰的步骤这也是安装 Wren AI 时 Agent 实际执行的动作Step 1 — 收集项目名 数据库类型。这两项是下一步唯一需要的信息数据库类型可通过wren docs connection-info无参数查看完整列表常见取值如postgres、mysql、bigquery、snowflake、clickhouse、trino、duckdb。Step 2 — 工作区与.env搭建批量执行。创建~/project/目录安装wrenai[ds,main]然后通过wren docs connection-info ds --format md内省连接器生成.env模板值为空的DS_FIELD键如POSTGRES_HOST、POSTGRES_PORT5432。随后用户在自己的编辑器里填好.env并回复 doneAgent 永远看不到值。Step 3 — 创建连接 profile。Agent 写一个所有字段均为${VAR}占位符的/tmp/conn.yml然后运行wren profile add project --from-file /tmp/conn.yml校验自动执行profile 静默覆盖、没有--force标志。失败时按 docs/core/guides/connect.md 中的 troubleshooting 章节对症处理缺密钥、驱动认证失败、ValidationError、主机不可达等。Step 3.5 — 脚手架项目wren context init --empty生成models/、views/、relationships.yml、knowledge/rules sql、AGENTS.md等目录结构且拒绝覆盖已存在的wren_project.yml。Step 3.6 — 绑定 profile 到项目wren context set-profile project把profile: project和data_source: ds写入wren_project.yml从此该项目的一切 CLI/SDK 查询都确定性地使用该连接不受全局wren profile switch影响。Step 4 — 生成 MDL交接。Agent 必须先运行wren skills get generate-mdl完成表内省、类型归一化与 YAML 生成再执行wren context validate与wren context build并汇报模型数量与告警。Step 5 — 进入查询阶段交接。Agent 基于发现的表建议 23 个自然语言问题之后日常查询转由wren skills get usage指南驱动。安装后的首查验证与后续步骤安装完成后你可以在项目目录里直接验证成果例如运行wren context show查看建模上下文、wren --sql SELECT 1做连接 sanity 检查然后用自然语言提问如 How many customers placed more than one order?Agent 会基于 MDL 上下文层而非原始表结构来写 SQL。关联文档在 Next step 中给出了两条推荐的进阶路径路径均已转换为仓库相对路径Quickstart with sample data— 用jaffle_shop示例数据走一遍端到端流程从dbt build造数、pip install wrenai[memory,main]、wren profile add jaffle-shop、wren context init到用 Agent 生成 MDL 并查询约 15 分钟无需云数据库Connect your data— 将 Wren AI 指向真实数据库包含按数据源分类的连接字段说明、特殊编码BigQuery base64、Snowflake account 格式、Athena AWS 凭据等以及完整的故障排查手册。两条路径都与本次 ForgeCode 安装无缝衔接Onboarding 分支中选择 demo 时直接走路径 1选择自带数据库时则从路径 2 中的 profile 与.env配置继续。小结用 ForgeCode 安装 Wren AI 的本质是两条命令加一个自然语言指令npx skills add Canner/WrenAI --agent forgecode把 discovery stub 装进 Agentforge启动对话后一句 Use the /wren skill to install and set up Wren AI. 触发 onboarding 工作流。随后的环境检查、.env凭据隔离、profile 创建、项目脚手架、MDL 生成与首次查询全部由 Agent 依据wrenCLI 内动态分发的 skill 内容逐步完成——这种存根在 Agent、内容在 CLI的交付模型保证了安装指南始终与所安装的wrenai版本严格一致。【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