RepoRadar WrenAI: генерация SQL-запросов для бизнес-аналитики из естественного языка
WrenAI — это открытая платформа для генеративной бизнес-аналитики (GenBI), которая превращает вопросы на естественном языке в SQL-запросы и визуализации из более чем 20 источников данных, включая BigQuery и Snowflake.
Проект решает задачу упрощения взаимодействия с данными для AI-агентов, обеспечивая при этом контроль за запрашиваемыми метриками и структурами данных. В отличие от традиционных BI-систем, WrenAI предлагает гибкость в генерации запросов и автоформировании дашбордов, соблюдая при этом внутренние правила бизнеса. Он будет полезен компаниям, которые используют AI-решения и хотят улучшить свои аналитические возможности, минимизируя ручные процессы.
WrenAI написан на Python и для запуска достаточно выполнить три команды, указанные в документации. Следует учесть, что проект всё еще находится на ранних стадиях развития и может требовать дополнительной настройки для вашей инфраструктуры. Используйте WrenAI, чтобы интегрировать генеративные возможности в свои BI-решения.
Что такое WrenAI
WrenAI — это открытый генеративный инструмент бизнес-аналитики (GenBI), который позволяет использовать AI-агентов для создания SQL-запросов, развертывания дашбордов и поддержания бизнес-определений в Git. Он совместим с различными AI-агентами, такими как Claude Code, Cursor и LangChain, и предоставляет им управляемый семантический слой и контекстную среду для генерации корректных SQL-запросов.
Как это работает
WrenAI преобразует бизнес-вопросы в SQL с помощью схем, которые сообщают агенту, где находятся данные, и определяют их значения через одобренные метрики и примеры. Все данные хранятся в виде YAML и Markdown файлов в репозитории, которым ты управляешь.
Установка и запуск
Чтобы начать использовать WrenAI, достаточно выполнить три команды:
pip install wrenai
npx skills add Canner/WrenAI
После установки ты можешь открыть своего агента в проектной папке и задать вопрос, например, "Use Wren to set up my Postgres database." Если у тебя нет базы данных, можно использовать встроенный пример `jaffle_shop`.
Для пользователей из материкового Китая, действие команды pip install может быть медленным. Можно использовать альтернативный источник:
pip install wrenai -i https://pypi.tuna.tsinghua.edu.cn/simple
Ключевые функции
- Генерация корректных SQL-запросов и дашбордов, а не просто их создание.
- Управление определениями бизнеса, включая версии метрик, и их возможность работы через существующие агенты.
- Весь контекст доступен для просмотра и версии в Git, что позволяет легко вносить изменения и обсуждать их.
- Поддержка работы с более чем 22 источниками данных на одном движке Apache DataFusion.
Ограничения и рекомендации
WrenAI больше подходит для создания надежной бизнес-аналитики, чем для одноразового создания графиков. Если тебе нужно всего лишь сделать один график из CSV-файла, возможно, стоит рассмотреть другие варианты. Также стоит помнить, что WrenAI требует некоторого обучения и настройки перед использованием.
Сообщество и поддержка
У WrenAI есть активное сообщество в Discord, где ты можешь задать вопросы или поделиться своим опытом. Также доступны обсуждения на GitHub, где можно увидеть планируемые функции и вносить свой вклад в развитие проекта.
Радар проекта: 82 из 100 — зрелый и живой проект
- Импульс 43 ≈ 9 звёзд в день
- Темп разработки 83 113 коммитов за 12 недель
- Зрелость 99 проекту 2 года, больше 100 релизов
- Сообщество 88 95 участников, 2099 форков
- Свежесть 99 последний коммит — 1 день назад
- Быстрый старт 75 есть: команда установки, сайт/демо, примеры
- Готовность к продакшену 65 релиз wren-v0.18.0, автосборка
- Безопасность и доверие 85 своя лицензия (не из открытых), SECURITY.md, организация
- Документация 100 README 15.9 тыс. знаков, 20 разделов, папка docs
- Экосистема 86 102 подписчика на обновления, 20 тем
Как считаем
Только открытые данные GitHub на 14.11.2026, без оценок нейросети. Каждая ось — от 0 до 100, итог — среднее.
- Импульс — звёзд в день: за время наших замеров, а пока их нет — за всю жизнь проекта; 200 в день — максимум.
- Темп разработки — коммитов за последние 12 недель; 300 — максимум. Пока GitHub не досчитал статистику, ось не учитывается.
- Зрелость — возраст проекта (3 года — максимум) и число релизов (30 — максимум), поровну.
- Сообщество — участников с коммитами (200 — максимум) и форков (5000 — максимум), поровну.
- Свежесть — дней с последнего коммита: сегодня — 100, полгода и больше или архив — 0.
- Быстрый старт — в README есть команда установки, раздел «быстрый старт» или примеры использования, в репозитории — Docker и папка примеров, у проекта есть сайт или демо.
- Готовность к продакшену — релизы, версия 1.0 и выше, автосборка (GitHub Actions), тесты, лицензия, журнал изменений.
- Безопасность и доверие — открытая лицензия (своя — половина балла), политика безопасности (SECURITY.md), проект организации, правила для участников, не в архиве.
- Документация — объём и структура README, папка docs или сайт, оценка «здоровья сообщества» GitHub.
- Экосистема — звёзды (50 тыс. — максимум), подписчики на обновления (1000 — максимум), темы репозитория.
Открыть на GitHub: Canner/WrenAI →
