AI I024: Wren AI：用自然语言查询数据库，开源BI工具降低数据门槛

2026年2月2日星期一

在如今的数据驱动时代，无论是做产品决策还是运营复盘，往往都离不开底层数据的支撑。

但尴尬的是，大部分负责业务的同事都不懂 SQL，当他们要查数据的时候，都要去找后端开发同事帮忙。

这种情况，不仅容易占用开发的时间，还经常需要来回沟通确认，耗费各自大量工作时间

最近，偶然在 GitHub 上发现 Wren AI 这款开源 BI 工具，正好解决了这个问题，已斩获 13000+ Star，还在持续上涨。

它允许我们通过自然语言描述，直接对数据库进行数据查询，并且能自动生成可视化分析图表。

简单来说，我们可以把它看作是一个"自带 AI 分析师的开源版 Metabase"。

以往我们用 Metabase 或者 Superset 这种 BI 工具，虽然已经简化了很多操作，但还是得拖拽字段，或者手写 SQL。

对于不懂技术的业务人员来说，门槛还是有点高，最后很多查数据的工作，还得落到我们开发的头上。

现在 Wren AI 直接把这个门槛降到了地板上。

它核心的 Text-to-SQL 能力，只需我们在对话框里输入问题，比如"上个月销量最高的前三个产品是啥"。

该系统就会在几秒钟内，生成准确的 SQL 语句，并直接查出结果。

而且，它不光能查数据，还能通过 Text-to-Chart 功能，自动把枯燥的数据渲染成可视化的柱状图、折线图。

业务人员或运营第一时间就能拿到图表，甚至都帮他们做好了分析，可以直接拿去做汇报。

除此之外，Wren AI 还引入了一个叫 "语义层（Semantic Layer）"的概念。

它不仅是单纯的转换，而是预先在这个层里定义好了数据模型、指标和关联关系。

这就像是给 AI 也就是大模型装了一个"业务校验器"，极大地提升了输出 SQL 的准确性和安全性。

更值得一说，它对模型的支持也非常灵活，我们可以接入 OpenAI、Claude，或者 Gemini 等主流模型。

如果我们团队内部的数据不允许发送给第三方服务，工具也支持我们通过 Ollama 使用本地部署的模型。

这意味着，我们可以完全在本地服务器上部署一套 Wren AI，并配合本地运行的 DeepSeek 等开源模型，搭建一个纯离线的智能数据查询平台。

在数据源方面，它目前已经支持了包括 MySQL、PostgreSQL、ClickHouse、DuckDB 等在内的 10 多种主流数据库。

不管公司的技术栈是什么，基本上都能无缝接入。

最后再来说一下，它的安装部署也相当简单，支持 macOS、Windows 以及 Linux 系统。

并且为我们提供了一个启动器，只要电脑里有 Dokcer 就能一键安装，开箱即用。

这里简单说下 macOS 系统的安装，整个过程主要是三步：

第一步：下载并启动安装器。

确保 Docker Desktop 已经打开，然后在终端运行这行命令：

curl -L https://github.com/Canner/WrenAI/releases/latest/download/wren-launcher-darwin-arm64.tar.gz | tar -xz && ./wren-launcher-darwin-arm64

第二步：配置模型。

运行命令后，会弹出一个设置窗口。我们只需要在界面上选择想用的 LLM 提供商，然后填入对应的 API Key。

第三步：访问使用。

配置完成后，脚本会自动拉取镜像并启动服务。等个几分钟，浏览器就会自动打开 http://localhost:3000，进去就能直接开始对话查数了。

当然，为了保证后续业务方查得准，我们在初次配置语义层的时候，还是需要懂数据库的同学把把关。

把表结构和业务逻辑理顺之后，后面就是一劳永逸的事情了。

如果我们正想给团队搭一套自助查数平台，或者想体验一下"对话即查询"的快感，Wren AI 确实是一个值得尝试的开源选择。

把查数据的自由权交还给业务，把创造的时间还给我们自己。

GitHub 项目地址：https://github.com/Canner/WrenAI

今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！

AI I024