站点图标 高效码农

不会SQL也能3分钟自动生成数据图表？Wren AI独家实践指南

高效码农

用自然语言问数据库：Wren AI 入门到实践

让不会写 SQL 的人也能在 3 分钟内拿到图表和洞察

这篇文章能帮你解决什么？

场景 传统做法 Wren AI 做法
公司周报要一张“过去 30 天付费用户留存”的图 拉数据工程师排期 → 写 SQL → 画图 → 返工 直接问：“过去 30 天的付费用户留存率折线图” → 10 秒出图
产品经理想看不同渠道的 LTV 打开 BI 工具拖拽字段 → 发现缺指标 → 找人补数据 问：“按渠道计算平均 LTV” → 直接返回数字和解释
开发者想在自己 App 里加一个“AI 数据问答”功能 研究 LLM、写 Prompt、调接口、做缓存 调用 Wren AI API，两行代码搞定

1. Wren AI 是什么？

一句话：
Wren AI 是一个开源的 GenBI（生成式商业智能）代理，能把你的自然语言问题变成准确的 SQL、图表和文字洞察。

它由三个核心模块组成：

  1. 语义层（Semantic Layer）
    把数据库里的表、字段、关联关系翻译成人类语言，并告诉大模型“这里有什么、该怎么算”。
  2. 大模型路由（LLM Router）
    支持 OpenAI、Gemini、Claude、DeepSeek、Ollama 等十几种模型，自动挑选或回退，确保生成 SQL 的准确性。
  3. 应用接口（API & Embed）
    提供 REST API，方便把问答能力塞进自家产品、飞书机器人、Slack 机器人或网页。

2. 三分钟上手：本地安装

以下步骤全部来自官方文档，亲测在 macOS、Ubuntu、Windows WSL2 均可复现。

2.1 前置条件

  • Docker & Docker Compose
  • 至少 4 GB 空闲内存
  • 一个可访问的数据库（示例用 DuckDB 演示，无需额外安装）

2.2 一键启动

# 克隆仓库
git clone https://github.com/Canner/WrenAI.git
cd WrenAI/docker

# 启动所有服务
docker compose up -d

首次启动会拉取 4 个容器：

容器 作用
wren-ui 前端页面
wren-engine 语义解析与 SQL 生成
wren-ai-service 大模型调用与缓存
duckdb 示例数据库

浏览器打开 http://localhost:3000，看到下图界面即成功：

3. 第一次对话：从“提问”到“图表”的完整链路

3.1 连接数据源

  1. 点击左侧 “Connections” → “Add Connection”。
  2. 选择 DuckDB → 填路径（默认已预置 ecommerce.duckdb）。
  3. 保存后，系统会自动扫描表结构，生成语义模型（MDL）。

3.2 校验语义层

系统会把 orders, users, products 等表翻译成如下模型：

  • Metric: total_revenue = SUM(order_items.price)
  • Dimension: order_date, user_country
  • Relationship: orders.user_id → users.id

你可以直接修改别名，例如把 order_items.price 改成“订单金额”，后续提问时就能用中文。

3.3 提问

在顶部输入框输入：

“最近 7 天每天的订单金额折线图”

系统会：

  1. 生成 SQL 
    SELECT DATE(order_date) AS day,
       SUM(price) AS total_revenue
FROM orders
WHERE order_date >= CURRENT_DATE - INTERVAL 7 DAY
GROUP BY day
ORDER BY day;
  2. 运行 SQL 并返回折线图
  3. 给出 AI 摘要：
    “最近 7 天的收入呈上升趋势，周二达到峰值 $12,345。”

4. 深入：如何确保答案可信？

4.1 语义层的三道保险

保险 说明 举例
Schema 约束 字段类型、主外键、枚举值 防止把字符串当数字
业务指标 预定义聚合口径 LTV = SUM(revenue) / COUNT(DISTINCT user_id)
权限控制 行级、列级脱敏 销售只能看自己区域的数据

4.2 大模型选择建议

官方测试了以下组合（越高越好）：

模型 复杂 SQL 准确率 平均响应时间 备注
GPT-4-turbo 92 % 4 s 推荐生产环境
Gemini-1.5-pro 89 % 3 s 成本低，适合 POC
Ollama-llama3:8b 71 % 9 s 本地离线场景

低能力模型会给出“看似合理”的错误 SQL，因此请优先用最强模型。

5. 把能力嵌入你的产品：API 速通

5.1 获取 API Key

  1. 打开 Settings → API Keys → Generate
  2. 复制 sk-***，有效期 30 天，可刷新。

5.2 发起请求

curl -X POST https://api.getwren.ai/v1/ask \
  -H "Authorization: Bearer sk-***" \
  -H "Content-Type: application/json" \
  -d '{
        "question": "去年各月营收",
        "mdl_hash": "duckdb_ecommerce_abc123"
      }'

返回结构：

{
  "sql": "SELECT ...",
  "chart": { "type": "line", "data": [...] },
  "summary": "营收从 1 月的 $10k 增长到 12 月的 $80k..."
}

5.3 前端嵌入

官方提供了一个 Streamlit Demo，核心代码不到 30 行：

import streamlit as st, requests
q = st.text_input("想问什么？")
if q:
    r = requests.post("https://api.getwren.ai/v1/ask", json={"question": q}, headers=headers)
    st.line_chart(r.json()["chart"]["data"])

6. 常见问题 FAQ

Q1：支持哪些数据库？

A：

  • 云数仓：BigQuery、Snowflake、Redshift、Athena
  • 开源：PostgreSQL、MySQL、ClickHouse、DuckDB
  • 商业：SQL Server、Oracle、Trino
    如果你的数据源不在列表，到 GitHub Discussion 投票，官方按月评估。

Q2：企业内部有敏感数据，能私有化吗？

A：可以。

  • 开源版：用 Docker Compose 一键部署在本地或 VPC。
  • 商业版：提供 Helm Chart，可装进 Kubernetes，配合 Ollama 实现大模型也本地化。

Q3：如何防止大模型“胡编”？

A：

  1. 语义层兜底：所有指标提前定义，模型只能调用，不能创造。
  2. 执行前校验：系统会用 SQL Parser 检查语法，再用数据库执行计划验证表和字段存在。
  3. 白名单模式：管理员可关闭“自由提问”，只允许问预设问题模板。

Q4：不会写 SQL 的运营同学能直接用吗？

A：可以。

  • 在语义层把 DATEDIFF(order_date, signup_date) 定义成“用户生命周期（天）”后，运营直接问：“用户生命周期分布”，系统返回直方图。

7. 真实案例：一家跨境电商的 48 小时落地实录

以下信息来自官方 Discord 用户分享，经授权摘录。

时间 动作 成果
Day 1 上午 工程师用 Docker 起服务 15 分钟完成
Day 1 下午 数据分析师把 87 张表拖进语义层 定义 34 个业务指标
Day 2 上午 市场团队开始用自然语言问“上周 TikTok 渠道 ROI” 准确率 90 %
Day 2 下午 把 API 嵌进飞书机器人 销售随时在群里提问

8. 下一步：从“能问”到“敢问”

  1. 持续迭代语义层
    每周花 30 分钟 review 新增字段，保持模型新鲜。
  2. 建立问题字典
    把高频问题整理成“官方问法”，减少同义反复。
  3. 监控准确率
    在后台打开 “Query Log”，每周抽样 20 条人工验证，准确率低于 85 % 及时调模型或改语义。

9. 结语

Wren AI 把“写 SQL”的门槛降到“说话”的级别，但背后的严谨性并没有打折：

  • 语义层保证指标口径统一
  • 多模型路由保证生成质量
  • 开放 API 让开发者能二次创造

如果你厌倦了“提需求 → 等排期 → 返工”的循环，不妨花 3 分钟本地跑一遍，再花 1 小时把公司最核心的 10 个指标搬进语义层。
剩下的，就交给一句自然语言吧。

立即体验

退出移动版