在 Google Antigravity 中安装与配置 Wren AI 的完整实战指南

在 Google Antigravity 中安装与配置 Wren AI 的完整实战指南【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 为 AI Agent 提供了一套开源、受治理的语义 SQL 层Semantic SQL LayerAgent 通过一条wrenskill 即可完成环境检查、连接配置、MDL 项目脚手架搭建与首次自然语言查询。本篇指南以 Google 的 AI 开发工作区Antigravity为客户端逐步演示如何把 Wren AI 的 Agent Skill 安装进 Antigravity、启动 onboarding 流程并结合仓库源码剖析 skill 背后真正执行的步骤帮助你在一小时内跑通安装 → 建项目 → 首次查询的完整链路。前置条件在开始之前请确认你的环境满足以下要求AntigravityGoogle 的 AI 开发工作区已安装并完成登录认证需要一个Google 账户用于登录 Antigravity建议具备 Python 3.11 环境Wren CLI 的运行时要求来自 onboarding skill 的 preflight 检查需要Node.js / npm因为 skill 通过npx安装参见 quickstart 的 Prerequisites 部分。其中已安装并认证之所以是硬性前提是因为后续所有 onboarding 操作都由 Antigravity 中的 Agent 会话代为执行——Agent 会在你的终端里运行wren命令而无需你手动敲击每一条 CLI。理解 Wren AI 的 Agent Skill 机制在运行安装命令之前有必要先理解这条 skill 的本质。Wren AI 的 Agent 集成采用发现存根discovery stub 按需取用工作流指南的架构这一点在 skills/wren/SKILL.md 中写得很清楚This is a discovery stub. The actual workflow guides and prompt helpers live inside thewrenCLI itself, so they always match the installed wrenai version (no skill cache, no version drift).也就是说npx skills add安装的只是一条极轻量的wren存根约 50 行 Markdown真正的工作流指南onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi全部内置于wrenCLI 中由 Agent 在运行时通过以下命令按需获取wren skills list # 列出全部可用工作流指南 wren skills get onboarding # 端到端搭建 Wren 环境 wren skills get usage # 日常查询 wren skills get generate-mdl # 从数据库 schema 生成 MDL wren skills get dlt-connector # 通过 dlt 连接 SaaS 数据源 wren skills get enrich-context # 补充业务上下文单位、枚举、cube wren skills get genbi # 构建并部署可分享的 GenBI Web 应用 # 加 --full 可附带该 skill 的参考文档 # 加 --script name 可获取捆绑脚本如 dlt-connector/introspect_dlt这种设计解决了传统 Agent skill 最常见的两个问题缓存过期与版本漂移——指南始终与已安装的wrenai版本匹配不存在 skill 内容落后于 CLI 功能的情况。在仓库中可以看到这套机制的完整落点存根本体skills/wren/SKILL.md安装脚本skills/install.sh支持--force覆盖安装skill 元数据索引skills/index.jsonCLI 端的指南服务实现core/wren/src/wren/skills_cli.pywren skills list/wren skills get两个命令六个内置指南的源码作为 Python 包数据随wrenai分发core/wren/src/wren/skills_content/安装 Wren skills在终端中执行npx skills add Canner/WrenAI --agent antigravity这条命令做了两件事从Canner/WrenAI仓库拉取skills/wren/目录以--agent antigravity指定将存根安装到 Antigravity 可识别的 skill 位置。--agent参数是可选的——CLI 会自动检测你已安装的 Agent例如claude-code、cursor、windsurf、cline。由于不同 Agent 的 skill 目录约定不同显式指定antigravity能保证安装位置正确。安装完成后Antigravity 的 Agent 会话即可通过/wren调用这条 skill。如果你偏好脚本方式仓库还提供了等价的 install.sh它会将wren存根复制到$HOME/.claude/skills/wren已存在时默认跳过传--force可强制覆盖同时支持从本地克隆目录安装或通过管道从远端下载。安装脚本与npx方式最终安装的是同一份存根。补充说明npx skills add安装的只是存根Wren CLI 本体wrenaiPython 包尚未安装。onboarding skill 的 preflight 阶段会检查wren --version是否可用若未安装会在后续步骤中执行pip install wrenai[数据源,main]完成安装因此你无需在此处手动处理。启动 onboarding 会话安装完存根后进入实际操作阶段在 Antigravity 中打开你的项目文件夹可以是空目录onboarding 会在此创建项目结构启动一个新的 Agent 会话向 Agent 提问Use the /wren skill to install and set up Wren AI.Agent 识别到该请求匹配wrenskill 的触发条件后会拉取wren skills get onboarding指南并严格按其流程逐轮执行。根据 onboarding SKILL.md整个流程会引导 Agent 依次完成阶段实际执行内容Preflight只读环境检查python3 --version确认 ≥ 3.11检查是否处于虚拟环境wren --version确认是否已装pwd记录工作目录分支选择询问用户走内置jaffle_shop演示约 30 秒无需数据库还是连接自己的数据库Step 1 收集信息仅询问项目名与数据库类型两项如postgres、bigquery、duckdb等Step 2 工作区与 .envmkdir -p ~/项目pip install wrenai[ds,main]通过wren docs connection-info ds生成连接字段模板并写入.env值留空由用户填写Step 3 创建 profile将.env中每个字段映射为${VAR}占位符写入/tmp/conn.yml再执行wren profile add 项目 --from-file /tmp/conn.yml自动完成校验Step 3.5 脚手架wren context init --empty创建models/、views/、relationships.yml、knowledge/rules sql、AGENTS.mdStep 3.6 绑定 profilewren context set-profile 项目将profile与data_source写入wren_project.yml锁定该项目的连接Step 4 生成 MDL调用wren skills get generate-mdl完成表探查、类型归一化、YAML 生成随后wren context validatewren context buildStep 5 首次查询基于发现的表给出 2~3 个自然语言问题建议转入usage指南这里有几个值得注意的细节均来自 onboarding SKILL.md 中强制约定的 Agent 行为规则每轮只做一步不提前收集后续步骤需要的信息避免一次问太多绝不在聊天中索要凭据host、port、user、password、token 一律通过.env文件传递Agent 全程看不到明文值且.env会被写入.gitignore绝不凭空捏造连接字段名必须运行wren docs connection-info ds从 Pydantic schema 实时内省真实字段MDL 构建前绝不查询数据库对不在 MDL 中的表发起查询会直接失败。环境检查完成后Agent 会以四条 bullet 汇报python3版本、虚拟环境状态、wren是否已安装、当前工作目录如果你的系统是 PEP 668 管理的如新版 Ubuntu/macOSAgent 会建议先创建虚拟环境python3 -m venv .venv source .venv/bin/activate再继续。onboarding 背后的关键命令从源码看实现上表的核心命令在仓库中有对应的源码实现连接字段内省wren docs connection-info ds输出直接由各连接器的 Pydantic 模型驱动保证字段名与当前安装版本严格一致参见 core/wren/src/wren/connector/ 下各数据源连接器实现以及 docs/core/guides/connect.md 中Use this instead of memorizing field names — the CLI is the source of truth的说明指南按需下发wren skills get onboarding在 skills_cli.py 中实现支持--full附带参考文档与--script name获取捆绑脚本两个选项Profile 绑定wren context set-profile将profile与data_source一并写入wren_project.yml此后无论全局激活哪个 profile该项目的查询都固定使用已绑定的连接避免多项目场景下误切参见 quickstart Step 5 的说明。支持的数据源一览onboarding 的 Step 1 会询问数据库类型可选项覆盖 20 数据源。以下为仓库 connect.md 明确列出的常用连接器及其安装 extra数据源Connector extraDuckDB内置无需 extraPostgreSQLpostgresMySQLmysqlBigQuerybigquerySnowflakesnowflakeClickHouseclickhouseTrino / PrestotrinoSQL ServermssqlDatabricksdatabricksRedshiftredshiftOracleoracleAthenaathenaSparkspark多个 extra 可合并安装pip install wrenai[postgres,bigquery,main]其中main提供交互式提示与浏览器版 profile 配置界面memoryLanceDB 支撑的语义记忆为可选但推荐它让后续查询具备NL→SQL 召回能力。首次查询从安装到出结果onboarding 收尾后Agent 会根据已发现的表推荐几个自然语言问题例如对订单库提问上个月有多少订单或按客户总消费排名前 5。此后进入日常查询模式Agent 会加载wren skills get usage指南其工作流包含五个环节取上下文wren memory fetch找到与问题相关的表和列召回示例wren memory recall检索相似的历史查询编写 SQL基于语义层模型名而非裸表名生成执行wren --sql ...经 Wren Engine 执行存储wren memory store将成功的 NL→SQL 对存入记忆供未来召回。查询得越多记忆越丰富后续回答的准确度随之提升。下一步安装与 onboarding 完成后可以继续深入Quickstart with sample data — 使用jaffle_shop示例数据端到端走一遍约 15 分钟覆盖虚拟环境创建、dbt build造数、profile 配置、MDL 生成、cube 与 GenBI 看板等完整环节Connect your data — 将 Wren AI 指向真实数据库掌握 profile 创建、绑定与排障的完整流程若在 onboarding 中遇到错误Agent 会按 onboarding SKILL.md 的约定从connect.md的 troubleshooting 章节中定位对应症状如wren: command not found、MissingSecretError、PydanticValidationError、连接被拒/防火墙/IP 白名单等并向你展示修复建议。至此你已经在 Google Antigravity 中完成了 Wren AI 的安装、项目搭建与首次查询。后续无论是接入更多数据库、补充业务上下文cube、枚举、单位还是将语义层一键构建为可分享的 GenBI 仪表盘并部署到 Vercel / Cloudflare都可以通过/wrenskill 以自然语言驱动完成。【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