WrenAI: open-source GenBI-движок для AI-агентов и data-команд

Что такое WrenAI и для кого он?

WrenAI — это open-source GenBI-движок, который позволяет AI-агентам генерировать, разворачивать и управлять бизнес-аналитикой: от SQL-ответа до публичного дашборда, работая с 22+ источниками данных.

Проект разрабатывается командой Canner и ориентирован на несколько аудиторий:

• Data-инженеры и аналитики — хотят дать бизнесу самообслуживание без потока SQL-запросов
• Разработчики AI-агентов — нужен надёжный контекстный слой поверх баз данных
• Бизнес-пользователи — хотят задавать вопросы на естественном языке и получать дашборды
• Корпоративные команды — нужна управляемость, аудит и ролевой доступ

На GitHub проект набрал более 15 400 звёзд и 1 700+ форков. К концу 2025 года облачная версия достигла более 10 000 пользователей, а крупные предприятия перевели WrenAI в производственные нагрузки.

Ключевые возможности

1. Governed Text-to-SQL через семантический слой MDL

WrenAI вводит MDL (Modeling Definition Language) — JSON-based семантическую модель, которая явно кодирует бизнес-концепции, связи, вычисляемые поля и метрики. Это значит: вместо того чтобы LLM угадывал, что значит tbl_ord_2024.amt_net, MDL объясняет — это «Чистая сумма заказа после скидок и возвратов».

// Пример фрагмента MDL-описания метрики
{
  "name": "net_revenue",
  "expression": "SUM(orders.amount - orders.refunds)",
  "description": "Net revenue after discounts and refunds",
  "filters": [{"field": "orders.status", "operator": "=", "value": "completed"}]
}

С помощью WrenAI можно обрабатывать метаданные, схему, терминологию, связи между данными и логику вычислений с помощью MDL, что сокращает дублирование кода и упрощает объединение данных.

2. Text-to-Chart и интерактивные дашборды

Достаточно спросить «Общая выручка за прошлый квартал» — и получить точный SQL-запрос. Или «Линейный график ежемесячных регистраций за 2024 год» — и увидеть готовый чарт.

Задайте вопрос на обычном языке — и Wren AI построит дашборд в реальном времени на ваших управляемых данных, со встроенными drill-down, roll-up и глобальными фильтрами.

3. Самокоррекция SQL-запросов

WrenAI делает дополнительный шаг для повышения точности: он валидирует сгенерированный SQL, запуская его. Если возникает ошибка, запрос снова отправляется в LLM для исправления. Это происходит в непрерывном цикле до получения корректного SQL, который успешно выполняется в базе данных.

4. Безопасность: только метаданные

WrenAI гарантирует, что отправляет LLM только метаданные, а не реальные данные — что исключает риск передачи PII-информации в языковые модели.

RLS (row-level security) и CLS применяются на уровне выполнения запроса, для каждого пользователя и агента. Ролевой доступ с полными журналами активности. Доказуемо — кто что видел, какой запрос какое число произвёл.

5. Поддержка 22+ источников данных

WrenAI поддерживает 20+ источников данных: BigQuery, PostgreSQL, ClickHouse, Amazon Redshift и работает независимо от диалекта SQL. Среди поддерживаемых — также Snowflake, Databricks, MySQL, Microsoft SQL Server, DuckDB, Trino, Apache Athena и другие.

6. Агентная архитектура и MCP-интеграция

MDL — это файлы, которые агенты читают и пишут напрямую. Skills, Memory, Semantic Model и Instructions — всё версионировано, поддерживает ветвление, PR-ревью и откат.

Одна команда npx skills add Canner/WrenAI автоматически определяет Claude Code, Cursor, Cline, Codex и другие агенты.

7. Embedded API и white-label

Можно строить собственный UX поверх «сырых» эндпоинтов: natural language → governed SQL с исполнением, плюс спецификации чартов для рендеринга в вашем стеке.

Под капотом: Python/FastAPI-пайплайн — классификация намерений, векторный поиск через Qdrant, промптинг LLM и циклы исправления SQL. Ядро выполнения запросов — Rust + Apache DataFusion, который разрешает MDL-семантику перед отправкой SQL в базу.

8. Многоязычность

Wren AI понимает несколько языков: английский, немецкий, испанский, французский, японский, корейский, португальский, китайский и другие.

Архитектура работы

graph LR
    A[Вопрос на естественном языке] --> B[Wren AI Service\nFastAPI + Qdrant]
    B --> C[MDL Semantic Layer\nБизнес-контекст]
    C --> D[LLM\nGPT-4o / Claude / Gemini]
    D --> E[Генерация SQL]
    E --> F{Валидация SQL}
    F -- Ошибка --> D
    F -- OK --> G[Wren Engine\nRust + DataFusion]
    G --> H[База данных\n22+ источников]
    H --> I[Результат: таблица / чарт / дашборд]

Тарифы и варианты развёртывания

Ядро, SDK и skills распространяются под лицензией Apache-2.0.

Начните бесплатно с open-source GenBI. Обновитесь до полного Agentic GenBI для governance, embedded API и корпоративной поддержки.

В 2025 году появился подход Hybrid LLM Interchange в Self-hosted Enterprise: организации могут балансировать между точностью и возможностями с одной стороны, и конфиденциальностью данных с другой.

Плюсы и минусы

Сравнение с альтернативами

Фундаментальное различие: Vanna — это мощная библиотека компонентов для разработчиков, желающих встроить функциональность text-to-SQL в кастомные приложения. WrenAI — полноценная AI-управляемая платформа бизнес-аналитики для организаций, которым нужно масштабировать доступ к данным с корпоративным управлением.

MindsDB хорошо справляется с базовыми запросами и интеграцией машинного обучения, но лишён функций визуализации и возможности настройки вывода, что делает его применимым преимущественно к простым сценариям.

Vanna.AI предлагает сильные возможности визуализации, но испытывает трудности с синтаксическими ошибками и идентификацией таблиц, что делает её более пригодной для простых случаев использования.

«Если вам нужен двигатель, чтобы собрать собственный автомобиль — выбирайте Vanna. Если нужен готовый автомобиль, чтобы везти всю организацию вперёд — выбирайте Wren AI.»

Быстрый старт

# Установка через pip
pip install wrenai

# С поддержкой PostgreSQL и памяти
pip install "wrenai[postgres,memory]"

# Добавление skills для AI-агента (Claude Code, Cursor, Cline...)
npx skills add Canner/WrenAI

Агент запускает wren skills get onboarding, следует пошаговому руководству, проверяет среду, создаёт профиль подключения, скаффолдит проект и выполняет первый запрос.

curl -X POST '.../api/v1/generate_sql' \
  -d '{"question": "Top customers by LTV?"}'
# Ответ: { "sql": "SELECT ...", "threadId": ... }

Вердикт: кому подойдёт WrenAI?

WrenAI подойдёт, если:

• Вы хотите, чтобы AI-агенты генерировали достоверную BI-аналитику — ответы и дашборды, а не просто правдоподобный SQL. Ваша бизнес-логика (определения, перечисления, правила объединений) живёт вне базы данных, и агенты постоянно ошибаются.
• Вам нужен контекст, который является открытым, проверяемым и версионированным, доступным для каждого агента и человека — а не заблокированным за UI одного вендора.
• Вы строите корпоративную аналитику с аудитом, RLS и множеством источников данных.
• Вы интегрируете BI в собственный продукт через Embedded API.

Пропустите WrenAI, если:

• Вам нужен одноразовый чарт из единственного CSV-файла, или вас устраивает агент, угадывающий SQL без какого-либо управления.
• Вы ищете простой Python-компонент для встраивания SQL-генерации (тогда Vanna будет лучше).
• Вам критически нужны ML-возможности прямо в запросах (тогда MindsDB).

Итоговый рейтинг

WrenAI — один из наиболее зрелых open-source решений для управляемого Text-to-SQL в 2025–2026 году. Семантический слой MDL, самокоррекция запросов и нативная интеграция с AI-агентами выгодно отличают его от конкурентов. Основной порог входа — необходимость настроить MDL-модель под свой домен, что требует времени, но окупается предсказуемостью и управляемостью на масштабе.