在 Code Studio 中接入 Wren AI：使用 Skills 一键安装与 Onboarding 实战指南

在 Code Studio 中接入 Wren AI使用 Skills 一键安装与 Onboarding 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/WrenAI本指南面向使用Code StudioOPPO/Heytap 出品的编码 IDE的开发者讲解如何在该 AI 编程客户端中通过官方wrenskill 快速完成 Wren AI 的安装、环境检查、项目脚手架搭建与首次查询。读完本文你将掌握npx skills add Canner/WrenAI --agent codestudio的完整用法、Wren AI Discovery Stub 按需拉取 的 Skills 分发机制以及由 AI Agent 代跑的完整 Onboarding 工作流并能在几分钟内让 Code Studio 直接对数据库提出自然语言问题。前置条件在开始之前请确认你的环境满足以下条件条件说明Code StudioOPPO/Heytap 编码 IDE需已安装并完成登录认证Node.js / npm用于执行npx skills add ...安装命令Python 3.11Wren CLIwrenai包的运行环境要求安装前建议使用虚拟环境隔离依赖提示Wren AI 的 Agent 接入采用 wren CLI skills 分发 架构——真正的技能内容工作流指南、提示词模板都打包在wrenaiPython 包内客户端只需要安装一个很轻的 发现存根discovery stub再由 Agent 按需从 CLI 拉取。因此 Python 3.11 与 Node.js 两者缺一不可。安装 Wren skills打开终端执行npx skills add Canner/WrenAI --agent codestudio命令中的--agent codestudio用于显式指定目标 AI 客户端为 Code Studio。如果省略--agent参数安装器会自动探测当前环境中已安装的 AI 客户端并写入对应目录对于 Code Studio、Claude Code、Cursor、Windsurf、Cline 等主流客户端均支持。该命令安装的实际上是一个约 50 行的发现存根位于 skills/wren/SKILL.md它的作用是告诉 AgentWren CLI 存在且所有工作流指南都通过wren skills get name按需获取。存根本身不携带重内容因此安装几乎是即时的也天然避免了技能内容与 CLI 版本漂移的问题——Agent 读到的内容永远与当前安装的 wrenai 版本一致。备选安装方式如果你不便使用npx仓库 skills/install.sh 提供了等价的本机安装脚本bash skills/install.sh # 安装发现存根 bash skills/install.sh --force # 覆盖已存在的安装也可以直接以管道方式远程执行安装脚本会将存根拷贝到~/.claude/skills/等客户端技能目录。若在本地仓库克隆中运行脚本会直接复用仓库内skills/wren/目录否则会从远端拉取。先装 CLI再装 skills无论采用哪种方式安装 skills都必须在客户端可用的环境中先安装 Wren CLI 本体因为所有技能内容都随 CLI 分发pip install wrenai # 核心 CLI默认内置 DuckDB 连接器 pip install wrenai[memory,main] # 额外启用语义记忆 交互式 UI推荐wrenai还支持按数据源追加 extras例如pip install wrenai[memory,main,postgres]可选的连接器包括postgres、mysql、bigquery、snowflake、clickhouse、trino、mssql、databricks、redshift、athena、oracle、spark等。安装完成后可用wren version验证。运行 onboarding安装完成后在 Code Studio 中打开你的项目文件夹并新开一个聊天会话发现存根只在会话启动时加载新会话才能生效。然后在对话框中输入Use the /wren skill to install and set up Wren AI.Agent 收到该指令后会加载wren存根识别出这是一次从零开始的安装/初始化任务并自动调用 onboarding 工作流指南wren skills get onboarding来驱动后续步骤。根据 onboarding 技能内容整个过程包含以下阶段阶段一Preflight 环境预检只读Agent 首先执行一组只读检查不询问任何项目信息python3 --version—— 要求 Python 3.11版本过低则提示用户升级并停止虚拟环境检查对比sys.prefix与sys.base_prefix—— 若未处于虚拟环境建议创建PEP 668 系统必须;wren --version—— 确认 CLI 是否已安装pwd—— 记录当前工作目录。检查结果以 4 条列表形式汇报给用户后继续。阶段二分支选择演示数据 or 自有数据库Agent 会询问先试用内置的jaffle_shop演示数据约 30 秒、无需数据库还是连接自己的数据库选择demo→ 转向 jaffle_shop 端到端快速入门本技能结束选择own DB→ 继续后续步骤。阶段三收集项目名与数据库类型这是唯一一次信息收集Agent 只会同时问两件事项目名将创建~/name/目录与数据库类型如postgres、mysql、bigquery、snowflake、clickhouse、trino、duckdb等。不会在此时索要任何凭据。阶段四批量初始化项目与.env模板Agent 以批量方式执行每步简要汇报最后统一引导用户填写.envmkdir -p ~/project cd ~/project—— 创建工作目录pip install wrenai[ds,main]—— 按所选数据源安装对应 extras通过连接器内省生成.env模板wren docs connection-info ds --format md该命令从实时的 Pydantic schema 中内省出该数据源的真实连接字段保证字段名永远正确、不靠记忆并据此写出形如POSTGRES_HOST、POSTGRES_PORT5432的UPPER_SNAKE空值模板建议将.env加入.gitignore并提示chmod 600 .env告知用户.env路径请其填好每个值后回复 done。安全规则Onboarding 强制约定——任何凭据host、port、user、password、token绝不通过聊天传递只写入用户编辑器中的.env文件Agent 全程看不到明文值。阶段五创建连接 Profile用户回复 done 后Agent 把.env中的每个字段以${VAR}占位符形式写入/tmp/conn.yml然后执行wren profile add project --from-file /tmp/conn.ymlwren profile add会自动做连接校验校验通过后继续若有告警则按 连接指南 中的 Troubleshooting 章节逐症状排查。阶段六脚手架与绑定wren context init --empty # 创建 models/、views/、relationships.yml、knowledge/ 等项目布局拒绝覆盖已有 wren_project.yml wren context set-profile project # 把 profile 与 data_source 写入 wren_project.yml绑定后该项目后续的所有 CLI 命令与 SDK 调用都会确定性解析到该连接不受全局wren profile switch影响。阶段七生成 MDL交接给 generate-mdlAgent 在任何数据查询之前必须先构建 MDL未建模的表查询会失败因此会执行wren skills get generate-mdl拉取建模指南完成表内省、类型归一化、YAML 生成后回到本流程wren context validate wren context build随后按模型数量决定是否建议启用记忆索引模型数 ≥ 200 时推荐pip install wrenai[memory]并执行wren memory index。阶段八首次查询Agent 基于发现的表提出 2~3 个自然语言示例问题如 orders 场景下的 How many orders last month?并用wren --sql SELECT 1做连通性 sanity 检查后正式进入日常查询流程wren skills get usage。Wren AI Skills 分发机制为什么一条命令就够Code Studio 场景下的 一键安装 之所以成立得益于 Wren AI 自 0.8 起采用的技能交付模型详见 Skills 参考文档 与 技能分发说明发现存根Discovery Stub客户端只安装一个wren存根它声明了技能名称、描述、许可与可用工具allowed-tools: Bash(wren:*)并告诉 Agent 工作流指南来自 CLI按需拉取Agent 通过wren skills get name从 CLI 打印出 SKILL.md 正文需要深入时可追加参数wren skills list # 列出全部可用指南 wren skills get onboarding # 端到端安装引导 wren skills get usage # 日常查询工作流 wren skills get generate-mdl # 从数据库 schema 生成 MDL wren skills get dlt-connector # 通过 dlt 接入 SaaS 数据源 wren skills get enrich-context # 补充业务语义单位、枚举、Cube wren skills get genbi # 构建并部署 GenBI 仪表盘 wren skills get name --full # 内联附带 references/ 参考文档 wren skills get name --script s # 打印捆绑脚本源码如 introspect_dlt从源码看wren skills命令组实现在 skills_cli.py底层由 skills_delivery.py 通过importlib.resources直接读取wren/skills_content/name/SKILL.md--full会按文件名排序内联所有references/*.md--script则按 stem 匹配scripts/下的脚本。由于技能内容作为 wheel 包数据随wrenai一起发布pip install wrenai永远携带与之匹配的技能内容不存在缓存或版本漂移。此外仓库还内置了 CI 守卫tests/unit/test_served_content_guard.py扫描技能内容、参考文档与 ask 模板中出现的每个wren cmd调用与真实 CLI 命令树比对确保指南不会教 Agent 运行不存在的命令或参数。验证安装效果安装完成后你可以在 Code Studio 的新会话中验证Use the /wren skill to show what commands are available.Agent 应能回答wren skills list、wren ask question --guided|--direct为弱/强 LLM 包装提示词、wren --sql ...经 MDL 层执行 SQL、wren profile add / list / switch、wren context show / build / validate等命令面。若需要最完整的命令清单可直接运行wren --help。下一步Onboarding 完成、项目可查询之后可以继续深入jaffle_shop 快速入门—— 使用内置示例数据走完wren context init→generate-mdl→ 记忆索引 → 自然语言提问 → Cube → GenBI 部署的完整端到端流程约 15 分钟连接真实数据库—— 为 Wren AI 指向真实数据源包含每种数据源的分步连接说明、连接字段内省方式wren docs connection-info ds与完整的 Troubleshooting 手册Skills 参考—— 了解全部六个工作流指南onboarding / usage / generate-mdl / enrich-context / dlt-connector / genbi的分工与触发词Wren 项目参考—— 深入学习 MDLModeling Definition Language的项目结构与建模语法。无论选择哪条路径只要遵循 先装wrenai再装 skills 存根最后在 Code Studio 新会话中发起 Onboarding 的顺序即可在数分钟内让 Code Studio 成为你数据库的语义查询入口。【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