让 Agent 查数据库，翻车点很少在语法。你说「上个月新增付费用户」，它拿 orders 表 count 一下，SQL 跑得通，数不对——因为你们内部把试用转正、退款、企业年付的摊法都算过一遍，而它只看得到字段名。
Wren AI 就是冲这个坑来的。GitHub 上 18,031 星，2026 年 10 月 30 日刚发 v0.17.1。它不做一个新的聊天框，而是给 Claude Code、Cursor、MCP 客户端这类已经在用的 Agent 补一层「业务口径」，让它们在动手写 SQL 之前先读一遍定义。
它管的不是表，是「意思」
Wren AI 出自 Canner，一家 2018 年在台北成立的数据公司，CEO 是 Howard Chi。项目 2024 年开仓，早期是 Docker 一键起的聊天式 BI；2026 年 5 月 7 日团队把 Wren Engine 并进主仓的 core/，旧的 wren-engine 仓库归档，老界面留在 legacy/v1 分支不再更新。
所以今天 clone 下来的是一个纯上下文层，三样东西：
- MDL（Modeling Definition Language），YAML 写模型、列、关系、视图和度量；
- instructions.md 和 queries.yml，写业务约定和验证过的问法；
- 一个本地 LanceDB 记忆索引，把「问法 + SQL」成对存下来做混合检索。
全是文本，能进 Git、能 review、能 diff。引擎是 Rust 写的，架在 Apache DataFusion 上，执行前先 dry-plan 预演计划、再 dry-run 校验，带行数上限和结构化报错。文档里明确列了 15 个连接器（DuckDB 内置，另有 PostgreSQL、MySQL、Doris、StarRocks、BigQuery、Snowflake、ClickHouse、Trino、SQL Server、Databricks、Redshift、Oracle、Athena、Spark），官网口径是 22+ 数据源。
上手：三条命令，模型你自己带
pip install "wrenai[memory,main]"
npx skills add Canner/WrenAI
然后在项目目录里对 Claude Code 说一句「Use Wren to set up my Postgres database」，它会自己建 profile、扫 schema、生成 MDL、跑第一条查询。装进去的只是个约 50 行的发现桩，具体指南由 CLI 按需下发，所以文档和你装的版本永远对得上。没有库可以先拿自带的 jaffle_shop 样例练手。
这里有个不一样的点：开源版不绑模型。CLI 不吃 token，谁的 Agent 用谁的模型，DeepSeek、Kimi、Claude 都行；云版才按 credit 计费，默认 gpt-5.6-luna。
README 甚至替国内用户写了两个坑：pip 换清华源，HuggingFace 下载超时先 export HF_ENDPOINT=https://hf-mirror.com。
实话：三个坑
一，许可证是拼的。 core/、sdk/、skills/、examples/ 是 Apache-2.0，docs/ 是 CC BY 4.0，仓库里还预先放了一份 AGPL-3.0 文本，留给未来可能引入的模块。商用前按路径看清楚，别只看 README 底部那个 Apache 2.0 徽章。这种混搭在 Agent 平台里越来越常见，许可证分层那篇讲的是同一件事。
二，开源版没有 UI，也没有权限。 这两样恰好是商业版的卖点：Cloud 年付 179 美元起，一个月约 3,000 次提问，$0.1 一个 credit；要行级列级权限、SSO/SCIM、气隙部署，得上 Enterprise Plus，按并发会话授权，官方说法一个会话顶 5 个活跃用户。小团队用 CLI 很舒服，要让业务同事自助查数，就得掏钱。
三，它不替你建模。 MDL 建得糙——把退款单算成收入、把试用算进付费——后面 dry-plan 再严也救不回来。这活还是数据团队的，Wren 只负责把这份知识从人脑搬进 Git。
团队规模也摆这儿：第三方口径 14 人（2025 年中）。2025 年底自称 1.3 万星、1 万用户，现在 18,031 星、2,761 次提交，节奏稳，但别指望它像大厂产品一样什么都替你做。
谁该看
手里已经有 Claude Code、Cursor、Hermes 这类 Agent，数据躺在 PostgreSQL、ClickHouse、Doris，天天被同事问「这个月 GMV 多少」的团队。如果你只是想把一张 CSV 画成图，或者乐意让 Agent 裸写 SQL 撞运气，这个项目对你是多余的。
语义层不是 Wren 一家的说法。dbt 今年的基准里，同一个模型走语义层能到 98%–100%，裸 text-to-SQL 只有 84%–90%，差距全在「口径」两个字。这也是为什么 Databricks 把 Agent Bricks 压成三条命令、Snowflake 把 Cortex 塞进仓库，路子是同一个。
想横向看平台怎么选，可以从 Dify 1.18 的更新看起；在意 Agent 支不支持 MCP，这张 十平台实测矩阵更直接；上线之后要观测，Langfuse 那篇能接上。
一句话：Wren AI 不是又一个问数界面，而是给所有 Agent 共用的一本业务字典。字典写得好不好，还是人的事。
