在 IBM Bobwatsonx Code Assistant中安装与配置 Wren AI从 skills 安装到首次数据查询的完整指南【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/WrenAI本文是一份面向 IBM watsonx Code Assistant即 IBM Bob用户的 Wren AI 集成指南核心解决一个问题如何让 Bob 通过 Wren AI 的/wrenskill 自动完成环境检查、连接配置、项目脚手架搭建和首次数据查询。读完本文你将掌握在 Bob 中一键安装 Wren skills、驱动 onboarding 工作流、以及继续深入jaffle_shop示例或真实数据库的完整路径并理解这一过程中 Wren AI 的 discovery stub 与 on-demand 技能分发机制背后的设计原理。前置条件使用 IBM Bob 集成前需要准备什么在开始之前请确认你的环境满足以下两个条件这也对应仓库中 bob.md 的 Prerequisites 一节IBM Bob 已安装并完成认证IBM Bob 是 IBM watsonx 家族的 coding agentwatsonx Code Assistant它是 Wren AI 支持的众多 AI 编程代理之一。拥有一个 IBM Cloud 账户Bob 的认证与使用依赖 IBM Cloud 账户请确保登录状态有效。需要注意的是本指南假设你使用 IBM Bob 作为 AI 客户端。Wren AI 的 skills 安装机制本身是通用的——同一套技能可以安装在 Claude Code、Cursor、Cline、Windsurf、Codex 等多种客户端上见 skills/README.mdBob 只是其中明确支持的--agent目标之一。安装 Wren skills一条命令完成 discovery stub 安装安装 Wren skills 是整个集成的第一步也是唯一一步手动操作。执行npx skills add Canner/WrenAI --agent bob这条命令实际做了什么从仓库中 skills/README.md 与 skills/index.json 可以看出这条命令安装的并不是一堆完整的技能内容而是一个名为wren的discovery stub发现存根它是一个约 50 行左右的SKILL.md见 skills/wren/SKILL.md带有name: wren、description、license: Apache-2.0等 YAML frontmatter它的全部职责是教会 AI 代理去调用wrenCLI——比如wren skills list、wren skills get name、wren ask question --guided|--direct等真正的技能内容workflow guides、reference docs、prompt helpers存放在wrenaiPython 包内部src/wren/skills_content/目录由wren skills get name按需从 CLI 打印出来。这种存根 按需拉取的架构自 Wren 0.8 起采用解决了早期逐技能安装带来的两个老大难问题版本漂移随包分发的内容永远与安装的 CLI 版本一致不会出现技能文档说的命令CLI 里却没有和内容预加载浪费代理不会一次性加载所有用不上的技能内容。仓库中的 CI 守卫测试 tests/unit/test_served_content_guard.py 甚至会逐一校验被分发的技能内容、参考文档和 ask 模板里出现的每个wren cmd调用是否真实存在于 CLI 命令树中确保技能永远不会教代理运行不存在的命令。安装方式的备选与变体如果你安装了多个 AI 编码代理想让存根同时出现在所有客户端中可以改用通配符npx skills add Canner/WrenAI --agent *不依赖npx时也可以直接运行仓库内提供的本地安装脚本见 skills/install.shbash skills/install.sh # 安装 discovery stub 到默认客户端技能目录 bash skills/install.sh --force # 覆盖已存在的同名技能install.sh 脚本会自动检测是从本地克隆还是通过管道拉取运行支持通过环境变量WREN_SKILLS_BRANCH指定分支、CLAUDE_SKILLS_DIR指定目标目录默认$HOME/.claude/skills并在目标已存在时跳过安装除非加--force。安装后的一层前提wrenCLI 本身存根只是指路牌真正干活的是wrenCLI。安装存根之后Bob 在执行技能流程时会发现并调用 CLI因此你通常还需要安装 Python 包本体skills/README.md 中将其列为 Requirements 之一pip install wrenai # 核心 CLI内置 DuckDB 连接器如果后面要连接 PostgreSQL、BigQuery、Snowflake 等数据源则追加对应 connector extra例如pip install wrenai[memory,main,postgres]。在 IBM Bob 中运行 onboarding一句话触发完整工作流存根安装完成后打开你的项目文件夹所在的 IBM Bobwatsonx Code Assistant新建一个对话skills 在会话启动时加载然后向 Bob 提问Use the /wren skill to install and set up Wren AI.这句提示词是触发点。Bob 读到/wrenskill 后会根据技能描述判断这是一个从零搭建 Wren AI任务从而拉取onboarding工作流指南wren skills get onboarding来驱动整个流程。如 bob.md 所述技能会引导代理依次完成环境检查 → profile 创建 → 项目脚手架 → 首次查询。onboarding 技能内部的完整执行流程仓库 core/wren/src/wren/skills_content/onboarding/SKILL.md 完整定义了这套代理工作流了解它有助于你预判 Bob 接下来每一步会做什么Preflight只读环境检查检查python3 --version要求 3.11、当前是否在虚拟环境中PEP 668 系统需要、wren --version是否已安装、记录当前工作目录。此阶段不询问任何项目或凭据问题。分支选择询问你是想先跑内置的jaffle_shop示例约 30 秒、无需数据库还是直接连接自己的数据库。选择示例则指向 quickstart.md选择自有数据库则继续。Step 1 – 收集项目名与数据库类型一次性询问项目名将创建~/name/和数据库类型如postgres、mysql、bigquery、snowflake、clickhouse、trino、duckdb等可用wren docs connection-info查看完整列表但绝不在此刻索要凭据。Step 2 – 工作区与.env搭建批量执行创建项目目录、安装wrenai[ds,main]、通过wren docs connection-info ds --format md内省连接器真实字段生成一份键为DS_FIELD的空值.env模板例如POSTGRES_HOST、POSTGRES_PORT5432并把.env加入.gitignore。Step 3 – 用户在编辑器中填写.env这是设计上很关键的一环——凭据永远只通过.env文件传递代理绝不要求用户在聊天中粘贴 host、端口、密码或 token。用户填完回复 done 后代理才继续。Step 3.5/3.6 – 脚手架与绑定执行wren context init --empty生成项目布局models/、views/、relationships.yml、knowledge/、AGENTS.md再执行wren context set-profile project将连接 profile 绑定到项目写入profile:与data_source:到wren_project.yml从此该项目无论全局活跃 profile 如何切换都使用固定连接。Step 4 – 生成 MDL转交generate-mdl技能完成表结构探查、类型归一化wren utils parse-type与 YAML 生成随后运行wren context validate与wren context build。注意一个硬性规则MDL 构建完成前绝不查询数据库否则查询会失败。Step 5 – 首次查询技能基于发现的表给出 23 个自然语言问题建议如订单表场景下的 How many orders last month?并提示日常查询应切换到usage技能。这套流程还内嵌了几条强制性的 agent-side 规则每轮只做一步避免一次性抛给用户过多信息、绝不在聊天中索要凭据、绝不臆造连接字段名一律通过wren docs connection-info ds内省该输出直接来自引擎的 Pydantic 连接 schema永远与所装版本一致。出错时怎么办onboarding 技能明确约定它不内置错误处理手册而是将你导向 docs/core/guides/connect.md 的 troubleshooting 章节按症状对号入座——包括wren: command not found、pip install的 externally-managed-environment 错误、缺失密钥MissingSecretError、驱动认证失败、PydanticValidationError/未知数据源、连接被拒/防火墙/云数据库 IP 白名单、以及wren context validate的警告类别等。遇到手册未覆盖的错误代理会把错误原文告诉你并指引你通过wren docs或仓库 issue 渠道排查。首次查询与后续路径从示例数据到真实数据库onboarding 完成后Wren AI 项目即进入可用状态。下一步有两条推荐路径先跑通jaffle_shop端到端示例参考 Quickstart with sample data使用 dbt Labs 公开的jaffle_shop_duckdb示例数据集约 15 分钟无需云数据库、无需 Docker体验从wren profile add、wren context init到生成 MDL、用自然语言提问、甚至构建 GenBI 仪表盘的完整闭环。仓库 examples/v5-jaffle 中还附带了一个完整的 v5 示例项目含orders模型、ref_sql.sql、customer_orders视图与order_metricscube可以作为手写 MDL 的参考范本。直接连接真实数据库参考 Connect your data。通用流程为安装对应 connector extra如pip install wrenai[postgres,bigquery,main]→wren profile add创建 profile →wren context set-profile绑定项目 → 用generate-mdl技能生成 MDL → 开始查询。目前支持的连接器包括 DuckDB内置、PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Trino/Presto、SQL Server、Databricks、Redshift、Oracle、Athena、Spark 等对应实现可在 core/wren/src/wren/connector/ 目录下逐一查看如postgres.py、bigquery.py、snowflake.py。接入真实数据源后日常使用只需在 Bob 中直接提问即可。Agent 会依据usage技能执行标准查询生命周期用wren memory fetch获取相关表/列的上下文 → 用wren memory recall回忆相似历史查询 → 基于 MDL 上下文编写 SQL使用模型名而非裸表名→ 通过wren --sql ...执行 → 用wren memory store把成功的自然语言-SQL 对存回记忆索引。查询越多、记忆越准这是 Wren AI 的语义记忆系统持续进化的机制相关实现位于 core/wren/src/wren/memory/。小结通过 IBM Bob 集成 Wren AI本质上是三步走安装 discovery stubnpx skills add Canner/WrenAI --agent bob→ 新建会话并触发 onboarding一句 Use the /wren skill to install and set up Wren AI.→ 在技能引导下完成环境检查、凭据配置.env、项目脚手架与首次查询。整个过程中Wren AI 的技能内容随wrenai包按需分发、凭据只经.env传递、连接字段以内省结果为准——这些设计保证了代理驱动的配置流程既稳定又可审计。完成基础搭建后无论你选择用jaffle_shop快速体验还是直接连接生产数据库都可以继续在 Bob 中全程使用自然语言驱动数据问答。【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 IBM Bob（watsonx Code Assistant）中安装与配置 Wren AI：从 skills 安装到首次数据查询的完整指南
在 IBM Bobwatsonx Code Assistant中安装与配置 Wren AI从 skills 安装到首次数据查询的完整指南【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/WrenAI本文是一份面向 IBM watsonx Code Assistant即 IBM Bob用户的 Wren AI 集成指南核心解决一个问题如何让 Bob 通过 Wren AI 的/wrenskill 自动完成环境检查、连接配置、项目脚手架搭建和首次数据查询。读完本文你将掌握在 Bob 中一键安装 Wren skills、驱动 onboarding 工作流、以及继续深入jaffle_shop示例或真实数据库的完整路径并理解这一过程中 Wren AI 的 discovery stub 与 on-demand 技能分发机制背后的设计原理。前置条件使用 IBM Bob 集成前需要准备什么在开始之前请确认你的环境满足以下两个条件这也对应仓库中 bob.md 的 Prerequisites 一节IBM Bob 已安装并完成认证IBM Bob 是 IBM watsonx 家族的 coding agentwatsonx Code Assistant它是 Wren AI 支持的众多 AI 编程代理之一。拥有一个 IBM Cloud 账户Bob 的认证与使用依赖 IBM Cloud 账户请确保登录状态有效。需要注意的是本指南假设你使用 IBM Bob 作为 AI 客户端。Wren AI 的 skills 安装机制本身是通用的——同一套技能可以安装在 Claude Code、Cursor、Cline、Windsurf、Codex 等多种客户端上见 skills/README.mdBob 只是其中明确支持的--agent目标之一。安装 Wren skills一条命令完成 discovery stub 安装安装 Wren skills 是整个集成的第一步也是唯一一步手动操作。执行npx skills add Canner/WrenAI --agent bob这条命令实际做了什么从仓库中 skills/README.md 与 skills/index.json 可以看出这条命令安装的并不是一堆完整的技能内容而是一个名为wren的discovery stub发现存根它是一个约 50 行左右的SKILL.md见 skills/wren/SKILL.md带有name: wren、description、license: Apache-2.0等 YAML frontmatter它的全部职责是教会 AI 代理去调用wrenCLI——比如wren skills list、wren skills get name、wren ask question --guided|--direct等真正的技能内容workflow guides、reference docs、prompt helpers存放在wrenaiPython 包内部src/wren/skills_content/目录由wren skills get name按需从 CLI 打印出来。这种存根 按需拉取的架构自 Wren 0.8 起采用解决了早期逐技能安装带来的两个老大难问题版本漂移随包分发的内容永远与安装的 CLI 版本一致不会出现技能文档说的命令CLI 里却没有和内容预加载浪费代理不会一次性加载所有用不上的技能内容。仓库中的 CI 守卫测试 tests/unit/test_served_content_guard.py 甚至会逐一校验被分发的技能内容、参考文档和 ask 模板里出现的每个wren cmd调用是否真实存在于 CLI 命令树中确保技能永远不会教代理运行不存在的命令。安装方式的备选与变体如果你安装了多个 AI 编码代理想让存根同时出现在所有客户端中可以改用通配符npx skills add Canner/WrenAI --agent *不依赖npx时也可以直接运行仓库内提供的本地安装脚本见 skills/install.shbash skills/install.sh # 安装 discovery stub 到默认客户端技能目录 bash skills/install.sh --force # 覆盖已存在的同名技能install.sh 脚本会自动检测是从本地克隆还是通过管道拉取运行支持通过环境变量WREN_SKILLS_BRANCH指定分支、CLAUDE_SKILLS_DIR指定目标目录默认$HOME/.claude/skills并在目标已存在时跳过安装除非加--force。安装后的一层前提wrenCLI 本身存根只是指路牌真正干活的是wrenCLI。安装存根之后Bob 在执行技能流程时会发现并调用 CLI因此你通常还需要安装 Python 包本体skills/README.md 中将其列为 Requirements 之一pip install wrenai # 核心 CLI内置 DuckDB 连接器如果后面要连接 PostgreSQL、BigQuery、Snowflake 等数据源则追加对应 connector extra例如pip install wrenai[memory,main,postgres]。在 IBM Bob 中运行 onboarding一句话触发完整工作流存根安装完成后打开你的项目文件夹所在的 IBM Bobwatsonx Code Assistant新建一个对话skills 在会话启动时加载然后向 Bob 提问Use the /wren skill to install and set up Wren AI.这句提示词是触发点。Bob 读到/wrenskill 后会根据技能描述判断这是一个从零搭建 Wren AI任务从而拉取onboarding工作流指南wren skills get onboarding来驱动整个流程。如 bob.md 所述技能会引导代理依次完成环境检查 → profile 创建 → 项目脚手架 → 首次查询。onboarding 技能内部的完整执行流程仓库 core/wren/src/wren/skills_content/onboarding/SKILL.md 完整定义了这套代理工作流了解它有助于你预判 Bob 接下来每一步会做什么Preflight只读环境检查检查python3 --version要求 3.11、当前是否在虚拟环境中PEP 668 系统需要、wren --version是否已安装、记录当前工作目录。此阶段不询问任何项目或凭据问题。分支选择询问你是想先跑内置的jaffle_shop示例约 30 秒、无需数据库还是直接连接自己的数据库。选择示例则指向 quickstart.md选择自有数据库则继续。Step 1 – 收集项目名与数据库类型一次性询问项目名将创建~/name/和数据库类型如postgres、mysql、bigquery、snowflake、clickhouse、trino、duckdb等可用wren docs connection-info查看完整列表但绝不在此刻索要凭据。Step 2 – 工作区与.env搭建批量执行创建项目目录、安装wrenai[ds,main]、通过wren docs connection-info ds --format md内省连接器真实字段生成一份键为DS_FIELD的空值.env模板例如POSTGRES_HOST、POSTGRES_PORT5432并把.env加入.gitignore。Step 3 – 用户在编辑器中填写.env这是设计上很关键的一环——凭据永远只通过.env文件传递代理绝不要求用户在聊天中粘贴 host、端口、密码或 token。用户填完回复 done 后代理才继续。Step 3.5/3.6 – 脚手架与绑定执行wren context init --empty生成项目布局models/、views/、relationships.yml、knowledge/、AGENTS.md再执行wren context set-profile project将连接 profile 绑定到项目写入profile:与data_source:到wren_project.yml从此该项目无论全局活跃 profile 如何切换都使用固定连接。Step 4 – 生成 MDL转交generate-mdl技能完成表结构探查、类型归一化wren utils parse-type与 YAML 生成随后运行wren context validate与wren context build。注意一个硬性规则MDL 构建完成前绝不查询数据库否则查询会失败。Step 5 – 首次查询技能基于发现的表给出 23 个自然语言问题建议如订单表场景下的 How many orders last month?并提示日常查询应切换到usage技能。这套流程还内嵌了几条强制性的 agent-side 规则每轮只做一步避免一次性抛给用户过多信息、绝不在聊天中索要凭据、绝不臆造连接字段名一律通过wren docs connection-info ds内省该输出直接来自引擎的 Pydantic 连接 schema永远与所装版本一致。出错时怎么办onboarding 技能明确约定它不内置错误处理手册而是将你导向 docs/core/guides/connect.md 的 troubleshooting 章节按症状对号入座——包括wren: command not found、pip install的 externally-managed-environment 错误、缺失密钥MissingSecretError、驱动认证失败、PydanticValidationError/未知数据源、连接被拒/防火墙/云数据库 IP 白名单、以及wren context validate的警告类别等。遇到手册未覆盖的错误代理会把错误原文告诉你并指引你通过wren docs或仓库 issue 渠道排查。首次查询与后续路径从示例数据到真实数据库onboarding 完成后Wren AI 项目即进入可用状态。下一步有两条推荐路径先跑通jaffle_shop端到端示例参考 Quickstart with sample data使用 dbt Labs 公开的jaffle_shop_duckdb示例数据集约 15 分钟无需云数据库、无需 Docker体验从wren profile add、wren context init到生成 MDL、用自然语言提问、甚至构建 GenBI 仪表盘的完整闭环。仓库 examples/v5-jaffle 中还附带了一个完整的 v5 示例项目含orders模型、ref_sql.sql、customer_orders视图与order_metricscube可以作为手写 MDL 的参考范本。直接连接真实数据库参考 Connect your data。通用流程为安装对应 connector extra如pip install wrenai[postgres,bigquery,main]→wren profile add创建 profile →wren context set-profile绑定项目 → 用generate-mdl技能生成 MDL → 开始查询。目前支持的连接器包括 DuckDB内置、PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Trino/Presto、SQL Server、Databricks、Redshift、Oracle、Athena、Spark 等对应实现可在 core/wren/src/wren/connector/ 目录下逐一查看如postgres.py、bigquery.py、snowflake.py。接入真实数据源后日常使用只需在 Bob 中直接提问即可。Agent 会依据usage技能执行标准查询生命周期用wren memory fetch获取相关表/列的上下文 → 用wren memory recall回忆相似历史查询 → 基于 MDL 上下文编写 SQL使用模型名而非裸表名→ 通过wren --sql ...执行 → 用wren memory store把成功的自然语言-SQL 对存回记忆索引。查询越多、记忆越准这是 Wren AI 的语义记忆系统持续进化的机制相关实现位于 core/wren/src/wren/memory/。小结通过 IBM Bob 集成 Wren AI本质上是三步走安装 discovery stubnpx skills add Canner/WrenAI --agent bob→ 新建会话并触发 onboarding一句 Use the /wren skill to install and set up Wren AI.→ 在技能引导下完成环境检查、凭据配置.env、项目脚手架与首次查询。整个过程中Wren AI 的技能内容随wrenai包按需分发、凭据只经.env传递、连接字段以内省结果为准——这些设计保证了代理驱动的配置流程既稳定又可审计。完成基础搭建后无论你选择用jaffle_shop快速体验还是直接连接生产数据库都可以继续在 Bob 中全程使用自然语言驱动数据问答。【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
