Wren AI

Wren AI 走 open core 路线：负责理解你问题的「上下文引擎」开源在 GitHub（约 17.6K stars），官方强调所有商业方案跑的都是同一个引擎——云上或自托管都一样，「没有黑箱，也没有锁定」（No black box, no lock-in）。它想解决的是「LLM 不懂你的数据」这件事（官方原话：LLMs don't know your data. The open core does.）：靠一层语义模型（MDL）把业务名词映射到真实的表与字段，让自然语言查询落在准确的数据结构上。官方还提供覆盖 12 个平台、22 个选型要素的对比指南，供评估时参考。

核心能力

• Text-to-SQL 智能体：用自然语言提问，生成可执行的 SQL 并返回结果；核心的 TEXT-TO-SQL、MCP、CLI 均为开源组件。
• 语义层（MDL）：业务术语与数据库结构的映射，是准确率的关键；MDL 直接存在于你的 Git 仓库中，可版本化、可审计、可协作，甚至可以先把语义模型离线搭好再接入引擎。
• 生成式 BI 应用：商业版在开源引擎之上叠加 Agent 模式、上下文准备（context prep）与治理（governance）能力，产品分为 Wren AI OSS、Wren AI Cloud 与 Enterprise Plus 三个形态，边界公开透明。
• 多部署形态：支持云端、VPC 内与气隙（air-gapped）环境，官方主张「从你的约束所在之处开始」（Start where your constraints are）。
• 可读可改：核心逻辑开源，团队可以阅读代码、本地运行；官方还专门列出「怀疑论者该问的问题」并公开开源/商业边界。

适合谁

希望让业务同事自助查数、又不想被商业 BI 平台锁定的数据团队；对数据不能出内网有硬性要求的企业（支持气隙部署）；以及想先跑开源版验证、之后再平滑升级到付费方案的组织。

注意事项

• 准确率的天花板在语义层而非模型，MDL 定义不完整时，生成的 SQL 会频繁出错。
• 开源版是引擎，完整的 Agent 模式、上下文准备与治理能力在商业版，评估时注意开源与商业的边界。
• 语义层维护需要持续投入，业务术语变化后要及时更新映射；表结构复杂或命名混乱的库，前期整理 MDL 的工作量不可低估。
• 自托管需要自己准备模型、算力与运维资源；云版试用与付费条款以官网最新说明为准，开源版则完全免费、无使用限制。
• 生成 SQL 涉及写操作时，务必确认只读策略与权限配置，防止误改数据。

使用建议

先把核心指标与高频实体的定义在 MDL 里理清，再开放给业务方提问，语义层质量直接决定体验，值得优先投入；选型前对照官方「怀疑论者该问的问题」逐条确认（如停止付费后怎么办、能否从开源迁移到付费）；小范围试点验证准确率后再推广到全组织。对结果准确性敏感的场景，可先用只读账号试点并人工核验一周，再逐步放开；数据团队规模不大、但想用低门槛方式开放数据能力的小型组织同样适用。