尧图网站建设 
在 Windsurf 中使用 Wren AI安装 Wren Skills 并完成 Agent 驱动的语义层快速上手【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本指南以 WrenAI 官方文档 docs/core/get_started/quickstart-with-agent/windsurf.md 为骨架讲解如何在 Codeium Windsurf IDE 中安装 Wren AI 的 Agent Skill、通过 Cascade 面板运行 onboarding 流程并借助wrenCLI 完成环境检查、连接配置、项目脚手架与首次查询。读完本文你将掌握一条从零开始、纯自然语言驱动的 Wren AI 安装与初始化路径并能立刻迁移到其他支持 Skills 的 AI 编程客户端。为什么需要 Skill 而不是手工配置Wren AIGenBI面向 AI Agent 的生成式 BI 语义层把所有核心能力封装在wrenCLI 中连接 20 数据源PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Redshift、Databricks 等、维护 MDLModeling Definition Language建模文件、执行 SQL、管理本地语义记忆。而Skill是分发给 AI 编程 AgentClaude Code、Cursor、Cline、Codex、Windsurf 等的 Markdown 工作流指南告诉 Agent 如何一步步正确操作这个 CLI。Wren AI 采用发现桩discovery stub 按需下发的交付模型自 Wren0.8起详见 docs/core/reference/skills.md只向 Agent 安装一个约 50 行的发现桩文件 skills/wren/SKILL.md它声明allowed-tools: Bash(wren:*)并告诉 Agent完整的工作流指南在 CLI 内部请用wren skills get name按需拉取真实的指南onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi打包在wrenaiPython wheel 里通过 skills_cli.py 中的wren skills get命令打印到 stdout因此内容始终与已安装的 wrenai 版本一致不存在 skill 缓存导致的版本漂移。这正是 Windsurf 集成方案简洁的原因你只需安装一个桩剩下的交给 CLI 与 Agent。前置条件在开始之前确保满足WindsurfCodeium Windsurf IDE已安装并完成登录认证对应 windsurf.md 的 Prerequisites。Python 3.11wrenCLI 的运行时要求onboarding 预检第一步就会检查。Node.js / npmnpx skills add依赖 npm 来安装技能桩。Git克隆示例项目或后续拉取仓库资源时需要。Windsurf 的 Skill 安装使用 skills/install.sh 同一套机制——该脚本将skills/wren/目录复制到本机 Agent 技能目录默认~/.claude/skillsnpx skills add只是它的便捷封装并会自动探测当前客户端。第一步安装 Wren Skills在终端执行npx skills add Canner/WrenAI --agent windsurf其中--agent windsurf显式指定目标客户端为 Windsurfnpx skills安装器默认会自动检测 Claude Code、Cursor、Cline、Codex 等客户端skills/README.md 中明确列出了--agent name的可选值claude-code、cursor、windsurf、cline。该命令只安装一个wren发现桩其清单定义见 skills/index.json描述为 Discovery stub for the Wren AI agent skill bundle。安装后请新开一个 Agent 会话——桩文件只在会话启动时加载之后 Agent 才会在需要时通过wren skills get name拉取工作流指南。如果希望用更可控的方式安装例如离线或从本地仓库安装也可以直接运行仓库内的安装脚本bash skills/install.sh # 安装发现桩 bash skills/install.sh --force # 覆盖已存在的安装注意安装桩本身不代表 CLI 已就绪。Wren AI 的全部技能内容都在wrenCLI 中需先安装 Python 包pip install wrenai带语义记忆用pip install wrenai[memory,main]其余数据源连接器按需追加 extra如pip install wrenai[memory,main,postgres]。第二步在 Cascade 中运行 onboarding在 Windsurf 中打开你的项目文件夹File → Open Folder...然后从右侧边栏打开Cascade 面板快捷键⌘L/CtrlL。在 Cascade 中输入Use the /wren skill to install and set up Wren AI.wren发现桩会把这个请求识别为 onboarding 类任务Agent 随即执行wren skills get onboarding拉取完整指南 core/wren/src/wren/skills_content/onboarding/SKILL.md开始逐步引导。onboarding 的完整执行路径从 onboarding/SKILL.md 可以看到Agent 会严格按每轮一步的规则推进且全程遵守四条铁律铁律原因每轮只做一步不提前收集信息避免一次性轰炸用户保持每轮焦点绝不在聊天中索要凭据host/port/user/password/token 一律走.env凭据值对 Agent 不可见由用户在自己的编辑器中填写绝不臆造连接字段名先跑wren docs connection-info ds字段从活的 Pydantic schema 反射而来永远正确MDL 构建之前绝不查询数据库强制 Agent 先搭好语义上下文层具体流程如下预检Preflight只读检查python3 --version需 3.11、虚拟环境状态python3 -c import sys; print(sys.prefix ! sys.base_prefix)、wren --version是否已安装、记录当前pwd。分支选择问用户用内置jaffle_shopdemo约 30 秒无需数据库还是连接自己的数据库——选 demo 则转向 docs/core/get_started/quickstart.md选自己的库则继续。收集项目名 数据库类型仅这两项仍不涉及凭据。批量搭建工作区 生成.env模板mkdir -p ~/project、pip install wrenai[ds,main]并用wren docs connection-info ds --format md反射真实字段生成空值.env如 Postgres 的POSTGRES_HOST、POSTGRES_PORT5432、POSTGRES_USER、POSTGRES_PASSWORD提示用户填完后回复 done。创建连接 Profile用户回复 done 后Agent 用占位符写/tmp/conn.yml并执行wren profile add project --from-file /tmp/conn.yml自动校验出错时查阅 docs/core/guides/connect.md 的故障排查章节。脚手架项目wren context init --empty生成models/、views/、relationships.yml、knowledge/rules sql、AGENTS.md等目录结构。绑定 Profilewren context set-profile project把profile:与data_source:写进wren_project.yml此后本项目查询与全局活跃 profile 解耦。生成 MDL转交generate-mdl技能wren skills get generate-mdl完成后wren context validate→wren context build。首次查询建议 2–3 个基于已发现表的自然语言问题如 How many orders last month?随后将日常查询转交usage技能。这正是原文档所说 The skill walks the agent through environment checks, profile creation, project scaffolding, and a first query 的完整落地过程。技能桩背后的命令面在 Cascade 中Agent 使用的核心命令来自发现桩与 docs/core/reference/skills.md值得提前了解wren skills list # 列出所有可用工作流指南 wren skills get onboarding # 端到端安装/初始化本文主流程 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 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 内联该技能的参考文档 # 加 --script name 获取捆绑脚本如 dlt-connector/introspect_dlt日常数据操作则是wren的顶层命令非子应用wren --sql ... # 通过 MDL 层执行 SQL wren dry-plan --sql ... # 仅转译不落库用于诊断 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仓库还内置了一个 CI 守卫测试tests/unit/test_served_content_guard.py扫描所有被服务技能内容中出现的wren cmd调用并与真实命令树比对确保指南不会教 Agent 运行不存在的命令或参数——这为 Cascade 中的每一步操作提供了可靠性保障。验证与后续步骤onboarding 完成后可以在 Cascade 或终端中验证环境wren version # 确认 CLI 版本 wren profile list # 确认 profile 处于 active 状态 wren profile debug # 测试数据库连接 wren context show # 查看项目模型清单然后进入原文档的 Next step两条推荐路径用示例数据走通全流程参考 docs/core/get_started/quickstart.md克隆 dbt 的jaffle_shop_duckdb并dbt build生成 DuckDB 库随后由 Agent 完成 profile 创建、MDL 生成并用自然语言提问如 How many customers placed more than one order?、Which 5 customers have the highest lifetime value?。日常查询时 Agent 会执行wren memory fetch取上下文、wren memory recall回忆相似查询、wren --sql执行、wren memory store保存 NL→SQL 对查询越多系统越准。连接真实数据库参阅 docs/core/guides/connect.md通过wren docs connection-info ds获取任意数据源的真实连接字段并配置 profile。无论哪条路径在 Windsurf 中你都不需要手写任何连接配置或 SQL——只需在 Cascade 里用自然语言提出需求wren技能会负责把每一步映射到正确的 CLI 命令上。【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 Windsurf 中使用 Wren AI：安装 Wren Skills 并完成 Agent 驱动的语义层快速上手
在 Windsurf 中使用 Wren AI安装 Wren Skills 并完成 Agent 驱动的语义层快速上手【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本指南以 WrenAI 官方文档 docs/core/get_started/quickstart-with-agent/windsurf.md 为骨架讲解如何在 Codeium Windsurf IDE 中安装 Wren AI 的 Agent Skill、通过 Cascade 面板运行 onboarding 流程并借助wrenCLI 完成环境检查、连接配置、项目脚手架与首次查询。读完本文你将掌握一条从零开始、纯自然语言驱动的 Wren AI 安装与初始化路径并能立刻迁移到其他支持 Skills 的 AI 编程客户端。为什么需要 Skill 而不是手工配置Wren AIGenBI面向 AI Agent 的生成式 BI 语义层把所有核心能力封装在wrenCLI 中连接 20 数据源PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Redshift、Databricks 等、维护 MDLModeling Definition Language建模文件、执行 SQL、管理本地语义记忆。而Skill是分发给 AI 编程 AgentClaude Code、Cursor、Cline、Codex、Windsurf 等的 Markdown 工作流指南告诉 Agent 如何一步步正确操作这个 CLI。Wren AI 采用发现桩discovery stub 按需下发的交付模型自 Wren0.8起详见 docs/core/reference/skills.md只向 Agent 安装一个约 50 行的发现桩文件 skills/wren/SKILL.md它声明allowed-tools: Bash(wren:*)并告诉 Agent完整的工作流指南在 CLI 内部请用wren skills get name按需拉取真实的指南onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi打包在wrenaiPython wheel 里通过 skills_cli.py 中的wren skills get命令打印到 stdout因此内容始终与已安装的 wrenai 版本一致不存在 skill 缓存导致的版本漂移。这正是 Windsurf 集成方案简洁的原因你只需安装一个桩剩下的交给 CLI 与 Agent。前置条件在开始之前确保满足WindsurfCodeium Windsurf IDE已安装并完成登录认证对应 windsurf.md 的 Prerequisites。Python 3.11wrenCLI 的运行时要求onboarding 预检第一步就会检查。Node.js / npmnpx skills add依赖 npm 来安装技能桩。Git克隆示例项目或后续拉取仓库资源时需要。Windsurf 的 Skill 安装使用 skills/install.sh 同一套机制——该脚本将skills/wren/目录复制到本机 Agent 技能目录默认~/.claude/skillsnpx skills add只是它的便捷封装并会自动探测当前客户端。第一步安装 Wren Skills在终端执行npx skills add Canner/WrenAI --agent windsurf其中--agent windsurf显式指定目标客户端为 Windsurfnpx skills安装器默认会自动检测 Claude Code、Cursor、Cline、Codex 等客户端skills/README.md 中明确列出了--agent name的可选值claude-code、cursor、windsurf、cline。该命令只安装一个wren发现桩其清单定义见 skills/index.json描述为 Discovery stub for the Wren AI agent skill bundle。安装后请新开一个 Agent 会话——桩文件只在会话启动时加载之后 Agent 才会在需要时通过wren skills get name拉取工作流指南。如果希望用更可控的方式安装例如离线或从本地仓库安装也可以直接运行仓库内的安装脚本bash skills/install.sh # 安装发现桩 bash skills/install.sh --force # 覆盖已存在的安装注意安装桩本身不代表 CLI 已就绪。Wren AI 的全部技能内容都在wrenCLI 中需先安装 Python 包pip install wrenai带语义记忆用pip install wrenai[memory,main]其余数据源连接器按需追加 extra如pip install wrenai[memory,main,postgres]。第二步在 Cascade 中运行 onboarding在 Windsurf 中打开你的项目文件夹File → Open Folder...然后从右侧边栏打开Cascade 面板快捷键⌘L/CtrlL。在 Cascade 中输入Use the /wren skill to install and set up Wren AI.wren发现桩会把这个请求识别为 onboarding 类任务Agent 随即执行wren skills get onboarding拉取完整指南 core/wren/src/wren/skills_content/onboarding/SKILL.md开始逐步引导。onboarding 的完整执行路径从 onboarding/SKILL.md 可以看到Agent 会严格按每轮一步的规则推进且全程遵守四条铁律铁律原因每轮只做一步不提前收集信息避免一次性轰炸用户保持每轮焦点绝不在聊天中索要凭据host/port/user/password/token 一律走.env凭据值对 Agent 不可见由用户在自己的编辑器中填写绝不臆造连接字段名先跑wren docs connection-info ds字段从活的 Pydantic schema 反射而来永远正确MDL 构建之前绝不查询数据库强制 Agent 先搭好语义上下文层具体流程如下预检Preflight只读检查python3 --version需 3.11、虚拟环境状态python3 -c import sys; print(sys.prefix ! sys.base_prefix)、wren --version是否已安装、记录当前pwd。分支选择问用户用内置jaffle_shopdemo约 30 秒无需数据库还是连接自己的数据库——选 demo 则转向 docs/core/get_started/quickstart.md选自己的库则继续。收集项目名 数据库类型仅这两项仍不涉及凭据。批量搭建工作区 生成.env模板mkdir -p ~/project、pip install wrenai[ds,main]并用wren docs connection-info ds --format md反射真实字段生成空值.env如 Postgres 的POSTGRES_HOST、POSTGRES_PORT5432、POSTGRES_USER、POSTGRES_PASSWORD提示用户填完后回复 done。创建连接 Profile用户回复 done 后Agent 用占位符写/tmp/conn.yml并执行wren profile add project --from-file /tmp/conn.yml自动校验出错时查阅 docs/core/guides/connect.md 的故障排查章节。脚手架项目wren context init --empty生成models/、views/、relationships.yml、knowledge/rules sql、AGENTS.md等目录结构。绑定 Profilewren context set-profile project把profile:与data_source:写进wren_project.yml此后本项目查询与全局活跃 profile 解耦。生成 MDL转交generate-mdl技能wren skills get generate-mdl完成后wren context validate→wren context build。首次查询建议 2–3 个基于已发现表的自然语言问题如 How many orders last month?随后将日常查询转交usage技能。这正是原文档所说 The skill walks the agent through environment checks, profile creation, project scaffolding, and a first query 的完整落地过程。技能桩背后的命令面在 Cascade 中Agent 使用的核心命令来自发现桩与 docs/core/reference/skills.md值得提前了解wren skills list # 列出所有可用工作流指南 wren skills get onboarding # 端到端安装/初始化本文主流程 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 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 内联该技能的参考文档 # 加 --script name 获取捆绑脚本如 dlt-connector/introspect_dlt日常数据操作则是wren的顶层命令非子应用wren --sql ... # 通过 MDL 层执行 SQL wren dry-plan --sql ... # 仅转译不落库用于诊断 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仓库还内置了一个 CI 守卫测试tests/unit/test_served_content_guard.py扫描所有被服务技能内容中出现的wren cmd调用并与真实命令树比对确保指南不会教 Agent 运行不存在的命令或参数——这为 Cascade 中的每一步操作提供了可靠性保障。验证与后续步骤onboarding 完成后可以在 Cascade 或终端中验证环境wren version # 确认 CLI 版本 wren profile list # 确认 profile 处于 active 状态 wren profile debug # 测试数据库连接 wren context show # 查看项目模型清单然后进入原文档的 Next step两条推荐路径用示例数据走通全流程参考 docs/core/get_started/quickstart.md克隆 dbt 的jaffle_shop_duckdb并dbt build生成 DuckDB 库随后由 Agent 完成 profile 创建、MDL 生成并用自然语言提问如 How many customers placed more than one order?、Which 5 customers have the highest lifetime value?。日常查询时 Agent 会执行wren memory fetch取上下文、wren memory recall回忆相似查询、wren --sql执行、wren memory store保存 NL→SQL 对查询越多系统越准。连接真实数据库参阅 docs/core/guides/connect.md通过wren docs connection-info ds获取任意数据源的真实连接字段并配置 profile。无论哪条路径在 Windsurf 中你都不需要手写任何连接配置或 SQL——只需在 Cascade 里用自然语言提出需求wren技能会负责把每一步映射到正确的 CLI 命令上。【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