尧图网站建设 
在 VS Code 中用 Cline 安装与运行 Wren AIAgent Skill 快速上手指南【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 AIGenBIGenerative BI是面向 AI Agent 的开源语义 SQL 层让自然语言问题能直接转化为可信的 SQL、图表与仪表盘覆盖 20 数据源BigQuery、Snowflake、PostgreSQL、ClickHouse、Redshift、Databricks 等。本文以 docs/core/get_started/quickstart-with-agent/cline.md 为核心讲解如何在 VS Code 的 Cline 插件中安装 Wren AI 的 Agent Skillwren并通过一次自然语言指令完成环境检查、profile 创建、项目脚手架搭建与首次查询的完整 onboarding 流程。读完本文你将掌握 Wren AI Skill 在 Cline 中的安装命令、onboarding 的执行方式以及这套Skill 发现桩 CLI 按需下发工作流背后的设计与源码级原理。先搞清楚Wren AI 的 Skill 到底是什么在动手前先理解一个关键设计Wren AI 的 Skill 内容并不是静态存储在仓库里的一份份 markdown 指南而是一个发现桩discovery stub。从 skills/wren/SKILL.md 可以看到该 Skill 的 frontmatter 明确写着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wrenSkill 的职责是告诉 AI AgentWren CLI 存在、该如何调用它而真正的工作流指南onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi 等都内嵌在wrenCLI 中通过wren skills get name按需拉取。这样做的收益是指南永远与用户安装的 wrenai 版本一致不存在 Skill 缓存过期或版本漂移问题。与之呼应skills/index.json 把该 Skill 标记为discovery-stubtags 包含cli、sql、mdl、semantic-layer、genbi并声明其行为是教 Agent 调用wren skills list、wren skills get name、wren ask prompt --guided|--direct三个核心命令。从源码结构看仓库 skills_content 目录下确实内嵌了onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi六份工作流指南的完整 markdown它们就是 CLI 在运行时通过wren skills get对外提供的内容源。前置条件在 VS Code 中通过 Cline 使用 Wren AI需要先满足ClineVS Code 中开源的自主编码 Agent 插件需已安装并完成认证登录你的模型提供商账号。Python 3.11Wren CLI 的运行环境要求在 onboarding 工作流中会通过python3 --version预检。Node.js / npm使用npx安装 Skill 时需要。Git从 GitHub 拉取 Skill 包时需要可选取决于安装方式。安装 Wren skills一条命令完成在 Cline 场景下官方推荐通过npx skills安装 Wren AI 的 Skill 发现桩npx skills add Canner/WrenAI --agent cline其中--agent cline显式指定目标 Agent 为 Cline。从 skills/README.md 的说明看安装器支持自动检测当前 AI 客户端也可以显式指定--agent name合法取值包括claude-code、cursor、windsurf、cline等。省略--agent时安装器会尝试自动探测。除了npx skills还有另外两种等价的安装路径# 方式一Claude Code 插件市场仅 Claude Code 适用 /plugin marketplace add Canner/WrenAI --path skills /plugin install wrenwren # 方式二本地安装脚本 bash skills/install.sh # 安装发现桩 bash skills/install.sh --force # 覆盖已存在的安装skills/install.sh 的逻辑值得注意默认安装目标目录是$HOME/.claude/skills可通过环境变量CLAUDE_SKILLS_DIR覆盖脚本会先判断是否已有同名 Skill存在且未加--force时跳过若检测到本地仓库则直接从本地复制否则从 GitHub 下载Canner/WrenAI对应分支的skills/wren目录。注意npx skills add安装的是发现桩它只教 Agent 认识 Wren CLI。真正的工作流指南要在后续 onboarding 过程中由 CLI 按需下发。运行 onboarding在 Cline 里说一句话安装完成后进入实际使用环节在 VS Code 中打开你的项目文件夹确保 Cline 扩展已启用。点击 Activity Bar活动栏中的 Cline 图标打开聊天面板。在对话框中输入Use the /wren skill to install and set up Wren AI.Cline 识别到/wrenSkill 后会拉取 onboarding 工作流指南对应 CLI 命令wren skills get onboarding并逐步骤驱动执行。按 onboarding 指南 的定义它带领 Agent 依次完成环境预检检查python3 --version要求 3.11、确认是否在虚拟环境中、wren --version是否已安装、记录当前工作目录Profile 创建引导用户选择项目名与数据库类型通过wren docs connection-info ds生成.env模板用wren profile add project --from-file /tmp/conn.yml创建并校验连接 profile项目脚手架wren context init --empty生成models/、views/、relationships.yml、knowledge/等目录结构再用wren context set-profile project把 profile 绑定到项目首次查询生成 MDL 后wren context validatewren context build建议 23 个基于已发现表的自然语言问题作为起点。onboarding 的 Agent 行为守则值得特别说明的是onboarding 指南 开篇定义了严格的每轮一步one step per turn运行模式这些规则对 Cline 这类自主 Agent 同样生效一次往返只做一步每个编号步骤独立成一轮对话先简要说明、再问该步骤所需的最小信息、执行命令、确认后进入下一步绝不在聊天中索要凭据host、port、user、password、token 一律通过.env文件由用户在编辑器里填写Agent 永远看不到具体值MDL 构建前禁止查询数据库对不在 MDL 中的表发起查询会失败禁止臆造连接字段名必须运行wren docs connection-info ds查看实时字段它从 Pydantic 模式实时内省生成永远准确。这套守则保证了 Cline 在无人值守环境下执行 onboarding 时不会泄露凭据、也不会因猜测字段名而失败。安装后的运行机制发现桩如何驱动 ClineSkill 安装完成后Cline 会读取wren/SKILL.md并学习如何调用 CLI。核心命令面在 skills/wren/SKILL.md 中有完整定义wren skills list # 列出全部可用工作流指南 wren skills get onboarding # 端到端设置 Wren AI 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 可包含该指南的参考文档 # 加 --script name 可拉取捆绑脚本如 dlt-connector / introspect_dlt日常数据操作命令则是顶层命令非子应用Cline 可直接调用wren --sql ... # 通过 MDL 层执行 SQL wren query --sql ... # 同上显式写法 wren dry-plan --sql ... # 仅转译不触库 wren context show / build / validate # 项目 / MDL 生命周期 wren profile add / list / switch # 命名连接 profile wren memory index / recall / store # 语义记忆需 [memory] extra对较弱的 LLM 还可以用wren ask question --guided严格任务流对较强 LLM 用--direct最小包装来包装用户问题提升 Agent 回答数据问题的稳定性。理解 onboarding 背后的完整链路源码视角为了在 Cline 中更高效地使用值得理解 onboarding 指南背后的完整命令链路。以下关键步骤均出自 onboarding 指南Step 2 —— 工作区与.env设置创建项目目录后安装带数据源 extra 的包pip install wrenai[ds,main]再通过wren docs connection-info ds --format md内省连接器生成.env模板POSTGRES_HOST POSTGRES_PORT5432 POSTGRES_DATABASE POSTGRES_USER POSTGRES_PASSWORDStep 3 —— 创建连接 profile用户填好.env后Agent 用wren profile add project --from-file /tmp/conn.yml导入 profile每个字段用${VAR}占位符引用.env键。CLI 会自动校验且覆盖 profile 是静默行为没有--force标志。Step 3.5 / 3.6 —— 脚手架与绑定wren context init --empty拒绝覆盖已有wren_project.ymlwren context set-profile project会把profile:与data_source:一并写入wren_project.yml保证后续命令与 SDK 能确定性解析连接——即使全局切换了其他 profile也不会破坏该项目的查询。Step 4 —— 生成 MDL交接Agent 必须先生成 MDL 再查询。指南要求执行wren skills get generate-mdl完成后回运行wren context validatewren context build并报告模型数。若模型数 200建议安装wrenai[memory]并执行wren memory index。Step 5 —— 就绪基于已发现的表建议 23 个自然语言问题随后把日常查询交接给wren skills get usage指南。用jaffle_shop样例数据快速验证可选如果你不想先接真实数据库可以参考 Quickstart with sample data 用 dbt 的jaffle_shop样例数据DuckDB 本地文件约 15 分钟无需云数据库和 Docker端到端走一遍python3 -m venv ~/.venvs/wren source ~/.venvs/wren/bin/activate pip install wrenai[memory,main] # DuckDB 默认内置无需额外 extra npx skills add Canner/WrenAI --agent cline随后用wren profile add jaffle-shop --ui浏览器表单或--interactive/--from-file创建 DuckDB profile再wren context initwren context set-profile jaffle-shop最后在 Cline 里让 Agent 调用/wrenskill 探索customers与orders两张表并生成 MDL之后即可直接提问例如How many customers placed more than one order?下一步完成 onboarding 后可以按官方路径继续深入Quickstart with sample data —— 用jaffle_shop样例端到端走一遍完整流程Connect your data —— 把 Wren AI 指向真实数据库含各数据源专属配置说明与完整排障手册CLI 参考 —— 查看wren全量命令面Skills 参考 —— 了解 Skill 分发机制与全部工作流指南。需要说明的是Cline 只是 Wren AI Skill 支持的众多 AI 客户端之一。仓库 quickstart-with-agent 目录下还提供了 Claude Code、Cursor、Windsurf、Gemini CLI、Codex 等数十种 Agent 的对应安装指南安装命令的唯一区别在于--agent name参数。这套一次安装、处处按需下发的 Skill 分发机制让 Wren AI 可以无版本漂移地适配任何支持 Skill 的编码 Agent。【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 在 VS Code 中用 Cline 安装与运行 Wren AI：Agent Skill 快速上手指南
在 VS Code 中用 Cline 安装与运行 Wren AIAgent Skill 快速上手指南【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 AIGenBIGenerative BI是面向 AI Agent 的开源语义 SQL 层让自然语言问题能直接转化为可信的 SQL、图表与仪表盘覆盖 20 数据源BigQuery、Snowflake、PostgreSQL、ClickHouse、Redshift、Databricks 等。本文以 docs/core/get_started/quickstart-with-agent/cline.md 为核心讲解如何在 VS Code 的 Cline 插件中安装 Wren AI 的 Agent Skillwren并通过一次自然语言指令完成环境检查、profile 创建、项目脚手架搭建与首次查询的完整 onboarding 流程。读完本文你将掌握 Wren AI Skill 在 Cline 中的安装命令、onboarding 的执行方式以及这套Skill 发现桩 CLI 按需下发工作流背后的设计与源码级原理。先搞清楚Wren AI 的 Skill 到底是什么在动手前先理解一个关键设计Wren AI 的 Skill 内容并不是静态存储在仓库里的一份份 markdown 指南而是一个发现桩discovery stub。从 skills/wren/SKILL.md 可以看到该 Skill 的 frontmatter 明确写着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wrenSkill 的职责是告诉 AI AgentWren CLI 存在、该如何调用它而真正的工作流指南onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi 等都内嵌在wrenCLI 中通过wren skills get name按需拉取。这样做的收益是指南永远与用户安装的 wrenai 版本一致不存在 Skill 缓存过期或版本漂移问题。与之呼应skills/index.json 把该 Skill 标记为discovery-stubtags 包含cli、sql、mdl、semantic-layer、genbi并声明其行为是教 Agent 调用wren skills list、wren skills get name、wren ask prompt --guided|--direct三个核心命令。从源码结构看仓库 skills_content 目录下确实内嵌了onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi六份工作流指南的完整 markdown它们就是 CLI 在运行时通过wren skills get对外提供的内容源。前置条件在 VS Code 中通过 Cline 使用 Wren AI需要先满足ClineVS Code 中开源的自主编码 Agent 插件需已安装并完成认证登录你的模型提供商账号。Python 3.11Wren CLI 的运行环境要求在 onboarding 工作流中会通过python3 --version预检。Node.js / npm使用npx安装 Skill 时需要。Git从 GitHub 拉取 Skill 包时需要可选取决于安装方式。安装 Wren skills一条命令完成在 Cline 场景下官方推荐通过npx skills安装 Wren AI 的 Skill 发现桩npx skills add Canner/WrenAI --agent cline其中--agent cline显式指定目标 Agent 为 Cline。从 skills/README.md 的说明看安装器支持自动检测当前 AI 客户端也可以显式指定--agent name合法取值包括claude-code、cursor、windsurf、cline等。省略--agent时安装器会尝试自动探测。除了npx skills还有另外两种等价的安装路径# 方式一Claude Code 插件市场仅 Claude Code 适用 /plugin marketplace add Canner/WrenAI --path skills /plugin install wrenwren # 方式二本地安装脚本 bash skills/install.sh # 安装发现桩 bash skills/install.sh --force # 覆盖已存在的安装skills/install.sh 的逻辑值得注意默认安装目标目录是$HOME/.claude/skills可通过环境变量CLAUDE_SKILLS_DIR覆盖脚本会先判断是否已有同名 Skill存在且未加--force时跳过若检测到本地仓库则直接从本地复制否则从 GitHub 下载Canner/WrenAI对应分支的skills/wren目录。注意npx skills add安装的是发现桩它只教 Agent 认识 Wren CLI。真正的工作流指南要在后续 onboarding 过程中由 CLI 按需下发。运行 onboarding在 Cline 里说一句话安装完成后进入实际使用环节在 VS Code 中打开你的项目文件夹确保 Cline 扩展已启用。点击 Activity Bar活动栏中的 Cline 图标打开聊天面板。在对话框中输入Use the /wren skill to install and set up Wren AI.Cline 识别到/wrenSkill 后会拉取 onboarding 工作流指南对应 CLI 命令wren skills get onboarding并逐步骤驱动执行。按 onboarding 指南 的定义它带领 Agent 依次完成环境预检检查python3 --version要求 3.11、确认是否在虚拟环境中、wren --version是否已安装、记录当前工作目录Profile 创建引导用户选择项目名与数据库类型通过wren docs connection-info ds生成.env模板用wren profile add project --from-file /tmp/conn.yml创建并校验连接 profile项目脚手架wren context init --empty生成models/、views/、relationships.yml、knowledge/等目录结构再用wren context set-profile project把 profile 绑定到项目首次查询生成 MDL 后wren context validatewren context build建议 23 个基于已发现表的自然语言问题作为起点。onboarding 的 Agent 行为守则值得特别说明的是onboarding 指南 开篇定义了严格的每轮一步one step per turn运行模式这些规则对 Cline 这类自主 Agent 同样生效一次往返只做一步每个编号步骤独立成一轮对话先简要说明、再问该步骤所需的最小信息、执行命令、确认后进入下一步绝不在聊天中索要凭据host、port、user、password、token 一律通过.env文件由用户在编辑器里填写Agent 永远看不到具体值MDL 构建前禁止查询数据库对不在 MDL 中的表发起查询会失败禁止臆造连接字段名必须运行wren docs connection-info ds查看实时字段它从 Pydantic 模式实时内省生成永远准确。这套守则保证了 Cline 在无人值守环境下执行 onboarding 时不会泄露凭据、也不会因猜测字段名而失败。安装后的运行机制发现桩如何驱动 ClineSkill 安装完成后Cline 会读取wren/SKILL.md并学习如何调用 CLI。核心命令面在 skills/wren/SKILL.md 中有完整定义wren skills list # 列出全部可用工作流指南 wren skills get onboarding # 端到端设置 Wren AI 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 可包含该指南的参考文档 # 加 --script name 可拉取捆绑脚本如 dlt-connector / introspect_dlt日常数据操作命令则是顶层命令非子应用Cline 可直接调用wren --sql ... # 通过 MDL 层执行 SQL wren query --sql ... # 同上显式写法 wren dry-plan --sql ... # 仅转译不触库 wren context show / build / validate # 项目 / MDL 生命周期 wren profile add / list / switch # 命名连接 profile wren memory index / recall / store # 语义记忆需 [memory] extra对较弱的 LLM 还可以用wren ask question --guided严格任务流对较强 LLM 用--direct最小包装来包装用户问题提升 Agent 回答数据问题的稳定性。理解 onboarding 背后的完整链路源码视角为了在 Cline 中更高效地使用值得理解 onboarding 指南背后的完整命令链路。以下关键步骤均出自 onboarding 指南Step 2 —— 工作区与.env设置创建项目目录后安装带数据源 extra 的包pip install wrenai[ds,main]再通过wren docs connection-info ds --format md内省连接器生成.env模板POSTGRES_HOST POSTGRES_PORT5432 POSTGRES_DATABASE POSTGRES_USER POSTGRES_PASSWORDStep 3 —— 创建连接 profile用户填好.env后Agent 用wren profile add project --from-file /tmp/conn.yml导入 profile每个字段用${VAR}占位符引用.env键。CLI 会自动校验且覆盖 profile 是静默行为没有--force标志。Step 3.5 / 3.6 —— 脚手架与绑定wren context init --empty拒绝覆盖已有wren_project.ymlwren context set-profile project会把profile:与data_source:一并写入wren_project.yml保证后续命令与 SDK 能确定性解析连接——即使全局切换了其他 profile也不会破坏该项目的查询。Step 4 —— 生成 MDL交接Agent 必须先生成 MDL 再查询。指南要求执行wren skills get generate-mdl完成后回运行wren context validatewren context build并报告模型数。若模型数 200建议安装wrenai[memory]并执行wren memory index。Step 5 —— 就绪基于已发现的表建议 23 个自然语言问题随后把日常查询交接给wren skills get usage指南。用jaffle_shop样例数据快速验证可选如果你不想先接真实数据库可以参考 Quickstart with sample data 用 dbt 的jaffle_shop样例数据DuckDB 本地文件约 15 分钟无需云数据库和 Docker端到端走一遍python3 -m venv ~/.venvs/wren source ~/.venvs/wren/bin/activate pip install wrenai[memory,main] # DuckDB 默认内置无需额外 extra npx skills add Canner/WrenAI --agent cline随后用wren profile add jaffle-shop --ui浏览器表单或--interactive/--from-file创建 DuckDB profile再wren context initwren context set-profile jaffle-shop最后在 Cline 里让 Agent 调用/wrenskill 探索customers与orders两张表并生成 MDL之后即可直接提问例如How many customers placed more than one order?下一步完成 onboarding 后可以按官方路径继续深入Quickstart with sample data —— 用jaffle_shop样例端到端走一遍完整流程Connect your data —— 把 Wren AI 指向真实数据库含各数据源专属配置说明与完整排障手册CLI 参考 —— 查看wren全量命令面Skills 参考 —— 了解 Skill 分发机制与全部工作流指南。需要说明的是Cline 只是 Wren AI Skill 支持的众多 AI 客户端之一。仓库 quickstart-with-agent 目录下还提供了 Claude Code、Cursor、Windsurf、Gemini CLI、Codex 等数十种 Agent 的对应安装指南安装命令的唯一区别在于--agent name参数。这套一次安装、处处按需下发的 Skill 分发机制让 Wren AI 可以无版本漂移地适配任何支持 Skill 的编码 Agent。【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