实战指南WrenAI容器化部署与性能优化终极方案【免费下载链接】WrenAIGive AI agents the context to query business data correctly through the open context layer that gives AI agents grounded, governed memory, context, SQL across 20 data sources, that helps you build agentic GenBI, text-to-sql, dashboards, and agentic analytics.项目地址: https://gitcode.com/GitHub_Trending/wr/WrenAIWrenAI作为企业级AI智能体上下文管理平台通过开放上下文层为AI智能体提供基于语义建模、记忆管理和安全访问的数据查询能力。这个强大的Text-to-SQL和数据库RAG工具支持20多种数据源能够帮助开发者构建智能化的GenBI应用、文本到SQL转换和数据分析系统。在本文中我将分享WrenAI容器化部署的完整实战方案涵盖架构设计、性能调优、资源配置和故障排查等关键环节。 核心架构解析理解WrenAI的多层设计WrenAI采用创新的三层架构设计将AI智能体与多样化数据源无缝连接。通过深入理解这一架构您可以为容器化部署做出更明智的决策。架构核心组件详解用户端层- 支持多种AI工具和应用接入包括Claude Code、Cursor、ChatGPT等主流AI开发工具企业内部开发的智能助手Internal copilotsMCP客户端和WrenAI原生GenBI应用开放上下文层- WrenAI的核心处理引擎包含三大关键模块MDL语义建模- 负责数据模型、关系和计算逻辑的定义Memory记忆系统- 集成LanceDB向量索引支持自然语言到SQL的智能召回Governed Access安全访问- 提供列级可见性控制确保数据安全数据源层- 支持20主流数据库和数据平台关系型数据库PostgreSQL、MySQL、Oracle、MSSQL云数据仓库BigQuery、Snowflake、Redshift、Databricks分析引擎ClickHouse、Trino、DuckDB、Spark云存储AWS S3、Athena关键技术优势WrenAI通过特定方言的SQL执行引擎能够自动适配不同数据源的查询语法。这种设计让AI智能体能够以统一的方式访问异构数据源极大简化了企业数据集成复杂度。 容器化部署实战从零到生产环境环境准备与依赖检查在开始容器化部署前确保系统满足以下要求# 检查Docker版本 docker --version # Docker 20.10 推荐 # 检查Docker Compose版本 docker compose version # Docker Compose v2 推荐 # 检查系统资源 free -h # 建议至少8GB可用内存项目结构与配置文件分析WrenAI项目采用模块化设计主要组件分布在多个子目录中核心引擎core/wren/ - Python实现的核心功能Rust核心core/wren-core/ - 高性能数据处理引擎Python SDKcore/wren-core-py/ - Python集成接口WASM支持core/wren-core-wasm/ - 浏览器端运行能力SDK扩展sdk/ - LangChain和Pydantic集成手动构建Docker镜像方案由于项目中未提供现成的docker-compose文件我们可以创建自定义的部署方案# Dockerfile.wren-engine FROM python:3.12-slim-bookworm WORKDIR /app # 安装系统依赖 RUN apt-get update apt-get install -y \ build-essential \ curl \ rm -rf /var/lib/apt/lists/* # 复制项目文件 COPY core/wren/ /app/wren/ COPY core/wren-core-py/ /app/wren-core-py/ # 安装Python依赖 RUN pip install --no-cache-dir \ poetry1.8.3 \ uv0.4.0 # 设置环境变量 ENV PYTHONPATH/app/wren:/app/wren-core-py # 启动命令 CMD [python, -m, wren.cli, serve]多容器编排配置创建docker-compose.yml文件定义完整的服务架构version: 3.8 services: wren-engine: build: context: . dockerfile: Dockerfile.wren-engine ports: - 8080:8080 environment: - WREN_ENGINE_HOST0.0.0.0 - WREN_ENGINE_PORT8080 - DATABASE_URLpostgresql://postgres:passwordpostgres:5432/wren depends_on: - postgres - qdrant networks: - wren-network healthcheck: test: [CMD, curl, -f, http://localhost:8080/health] interval: 30s timeout: 10s retries: 3 start_period: 40s postgres: image: postgres:15-alpine environment: - POSTGRES_DBwren - POSTGRES_USERwren_user - POSTGRES_PASSWORDsecure_password volumes: - postgres_data:/var/lib/postgresql/data networks: - wren-network healthcheck: test: [CMD-SHELL, pg_isready -U wren_user] interval: 10s timeout: 5s retries: 5 qdrant: image: qdrant/qdrant:latest ports: - 6333:6333 - 6334:6334 volumes: - qdrant_storage:/qdrant/storage networks: - wren-network command: [--storage, /qdrant/storage] networks: wren-network: driver: bridge volumes: postgres_data: qdrant_storage:⚡ 性能优化策略资源分配与配置调优资源需求分析与分配基于WrenAI各组件特性制定合理的资源分配策略服务组件CPU分配内存分配存储需求网络带宽Wren引擎核心2-4核4-8GB低中等向量数据库2核8-16GB高向量索引高PostgreSQL1-2核2-4GB中等中等AI推理服务4-8核8-16GB中等高容器资源配置示例services: wren-engine: deploy: resources: limits: cpus: 2.0 memory: 4G reservations: cpus: 1.0 memory: 2G environment: - WREN_ENGINE_WORKERS4 - WREN_ENGINE_THREADS8 - WREN_CACHE_SIZE1024 - WREN_QUERY_TIMEOUT300 qdrant: deploy: resources: limits: cpus: 2.0 memory: 8G reservations: cpus: 1.0 memory: 4G environment: - QDRANT__STORAGE__OPTIMIZERS__DEFAULT_SEGMENT_NUMBER5 - QDRANT__STORAGE__OPTIMIZERS__MAX_SEGMENT_SIZE50000内存优化配置在core/wren/src/wren/config.py中可以找到内存相关配置# 内存缓存配置优化 CACHE_CONFIG { query_cache_maxsize: 1000, query_cache_ttl: 3600, embedding_cache_size: 500, embedding_cache_ttl: 1800 } # 连接池配置 CONNECTION_POOL_CONFIG { max_connections: 50, max_overflow: 20, pool_timeout: 30, pool_recycle: 3600 } 高级配置与最佳实践多数据源连接配置WrenAI支持多种数据源连接配置示例# 数据源配置文件datasources.yaml data_sources: - name: postgres_prod type: postgres connection: host: ${POSTGRES_HOST} port: ${POSTGRES_PORT} database: ${POSTGRES_DB} username: ${POSTGRES_USER} password: ${POSTGRES_PASSWORD} pool_size: 10 max_overflow: 5 - name: bigquery_analytics type: bigquery connection: project_id: ${BIGQUERY_PROJECT} dataset_id: ${BIGQUERY_DATASET} credentials_path: /secrets/gcp-credentials.json timeout: 120 - name: snowflake_dwh type: snowflake connection: account: ${SNOWFLAKE_ACCOUNT} warehouse: ${SNOWFLAKE_WAREHOUSE} database: ${SNOWFLAKE_DB} schema: ${SNOWFLAKE_SCHEMA} username: ${SNOWFLAKE_USER} password: ${SNOWFLAKE_PASSWORD} role: ANALYST安全配置与访问控制# 安全配置示例 SECURITY_CONFIG { authentication: { enabled: True, provider: jwt, jwt_secret: ${JWT_SECRET}, token_expiry: 3600 }, authorization: { row_level_security: True, column_level_security: True, role_based_access: True }, encryption: { data_at_rest: True, data_in_transit: True, key_rotation_days: 90 } } 故障排查与性能监控常见问题诊断表问题现象可能原因解决方案服务启动失败依赖服务未就绪添加健康检查等待机制SQL查询超时连接池不足或查询复杂调整连接池大小优化查询内存使用过高缓存配置不当或内存泄漏调整缓存策略监控内存使用向量搜索慢索引未优化或资源不足优化向量索引参数增加资源连接断开网络不稳定或防火墙限制检查网络配置增加重试机制监控配置示例# Prometheus监控配置 monitoring: enabled: true metrics: - name: wren_engine_queries_total type: counter help: Total number of queries processed - name: wren_engine_query_duration_seconds type: histogram help: Query processing duration in seconds buckets: [0.1, 0.5, 1, 2, 5, 10] - name: wren_memory_cache_hit_rate type: gauge help: Memory cache hit rate percentage # 日志配置 logging: level: INFO format: json output: - stdout - file:/var/log/wren/wren.log rotation: max_size: 100MB max_files: 10 compress: true性能调优检查清单✅ 资源分配优化CPU核心数根据工作负载动态调整内存分配考虑缓存需求和峰值负载存储使用SSD或高性能云存储✅ 网络配置优化容器间使用专用网络配置合适的MTU大小启用TCP优化参数✅ 数据库连接优化使用连接池减少连接开销配置合适的超时和重试策略启用查询缓存和预编译✅ 监控告警设置设置关键指标阈值告警配置自动扩缩容策略定期进行性能测试 性能对比与优化效果通过合理的容器化配置和性能调优WrenAI部署可以获得显著改进指标优化前优化后提升幅度启动时间8-10分钟3-4分钟60%内存占用24GB14GB42%查询响应时间2-5秒0.5-1秒75%并发用户数2050150%系统稳定性偶尔崩溃99.9%可用性显著提升️ 实战演练企业级部署案例场景电商数据分析平台需求背景 某电商企业需要构建智能数据分析平台整合MySQL订单数据、PostgreSQL用户数据和Snowflake数据仓库为AI助手提供统一的查询接口。部署架构用户请求 → Nginx负载均衡 → WrenAI集群 → 数据源层 ├── MySQL (订单数据) ├── PostgreSQL (用户数据) └── Snowflake (数据仓库)配置要点# 集群部署配置 wren-engine: image: custom/wren-engine:1.0.0 replicas: 3 strategy: type: RollingUpdate rollingUpdate: maxSurge: 1 maxUnavailable: 0 resources: requests: memory: 4Gi cpu: 2 limits: memory: 8Gi cpu: 4 env: - name: WREN_CLUSTER_MODE value: true - name: WREN_NODE_ID valueFrom: fieldRef: fieldPath: metadata.name 扩展阅读与深入学习官方文档资源核心概念docs/core/concepts/ - 理解WrenAI的基本概念快速开始docs/core/get_started/ - 入门指南和安装说明开发指南docs/core/guides/ - 详细的使用和开发指南API参考docs/core/reference/ - 完整的API文档进阶学习路径语义建模深入学习MDL语义建模语言掌握如何定义数据模型和关系内存系统优化理解LanceDB向量索引原理优化自然语言到SQL的召回效果安全访问控制深入研究列级安全控制机制实现精细化的数据权限管理性能调优通过core/wren-core/benchmarks/中的基准测试了解性能优化技巧 总结与最佳实践清单通过本文的完整指南您应该已经掌握了WrenAI容器化部署的核心技术。以下是关键的最佳实践总结✅ 部署最佳实践镜像管理使用多阶段构建减小镜像体积为生产环境指定具体版本标签建立私有镜像仓库提升安全性资源配置根据服务特性分配CPU和内存资源为关键服务设置资源请求和限制监控资源使用情况动态调整配置网络优化使用专用网络隔离容器通信配置合适的健康检查和就绪探针实施网络策略限制不必要的访问存储策略为持久化数据使用PVC或卷挂载定期备份关键数据监控存储使用情况及时扩容监控告警配置全面的监控指标设置合理的告警阈值定期进行性能测试和容量规划✅ 运维最佳实践版本控制使用Git管理所有配置文件和部署脚本配置管理分离环境配置使用Secret管理敏感信息灾难恢复制定完整的备份和恢复策略安全加固定期更新镜像实施最小权限原则文档维护保持部署文档和运行手册的更新✅ 性能优化检查点查询缓存是否合理配置连接池大小是否适配业务负载向量索引参数是否优化内存分配是否满足峰值需求网络延迟是否在可接受范围WrenAI的容器化部署是一个持续优化的过程随着业务的发展和技术的进步需要不断调整和优化部署策略。通过遵循本文的指南和实践您将能够构建一个稳定、高效、可扩展的WrenAI部署环境为企业的AI智能体提供强大的数据查询和分析能力。记住成功的部署不仅仅是技术实现更是对业务需求、技术架构和运维流程的全面理解。持续监控、定期评估和不断优化是确保系统长期稳定运行的关键。【免费下载链接】WrenAIGive AI agents the context to query business data correctly through the open context layer that gives AI agents grounded, governed memory, context, SQL across 20 data sources, that helps you build agentic GenBI, text-to-sql, dashboards, and agentic analytics.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
实战指南：WrenAI容器化部署与性能优化终极方案
发布时间：2026/6/6 21:49:33
实战指南WrenAI容器化部署与性能优化终极方案【免费下载链接】WrenAIGive AI agents the context to query business data correctly through the open context layer that gives AI agents grounded, governed memory, context, SQL across 20 data sources, that helps you build agentic GenBI, text-to-sql, dashboards, and agentic analytics.项目地址: https://gitcode.com/GitHub_Trending/wr/WrenAIWrenAI作为企业级AI智能体上下文管理平台通过开放上下文层为AI智能体提供基于语义建模、记忆管理和安全访问的数据查询能力。这个强大的Text-to-SQL和数据库RAG工具支持20多种数据源能够帮助开发者构建智能化的GenBI应用、文本到SQL转换和数据分析系统。在本文中我将分享WrenAI容器化部署的完整实战方案涵盖架构设计、性能调优、资源配置和故障排查等关键环节。 核心架构解析理解WrenAI的多层设计WrenAI采用创新的三层架构设计将AI智能体与多样化数据源无缝连接。通过深入理解这一架构您可以为容器化部署做出更明智的决策。架构核心组件详解用户端层- 支持多种AI工具和应用接入包括Claude Code、Cursor、ChatGPT等主流AI开发工具企业内部开发的智能助手Internal copilotsMCP客户端和WrenAI原生GenBI应用开放上下文层- WrenAI的核心处理引擎包含三大关键模块MDL语义建模- 负责数据模型、关系和计算逻辑的定义Memory记忆系统- 集成LanceDB向量索引支持自然语言到SQL的智能召回Governed Access安全访问- 提供列级可见性控制确保数据安全数据源层- 支持20主流数据库和数据平台关系型数据库PostgreSQL、MySQL、Oracle、MSSQL云数据仓库BigQuery、Snowflake、Redshift、Databricks分析引擎ClickHouse、Trino、DuckDB、Spark云存储AWS S3、Athena关键技术优势WrenAI通过特定方言的SQL执行引擎能够自动适配不同数据源的查询语法。这种设计让AI智能体能够以统一的方式访问异构数据源极大简化了企业数据集成复杂度。 容器化部署实战从零到生产环境环境准备与依赖检查在开始容器化部署前确保系统满足以下要求# 检查Docker版本 docker --version # Docker 20.10 推荐 # 检查Docker Compose版本 docker compose version # Docker Compose v2 推荐 # 检查系统资源 free -h # 建议至少8GB可用内存项目结构与配置文件分析WrenAI项目采用模块化设计主要组件分布在多个子目录中核心引擎core/wren/ - Python实现的核心功能Rust核心core/wren-core/ - 高性能数据处理引擎Python SDKcore/wren-core-py/ - Python集成接口WASM支持core/wren-core-wasm/ - 浏览器端运行能力SDK扩展sdk/ - LangChain和Pydantic集成手动构建Docker镜像方案由于项目中未提供现成的docker-compose文件我们可以创建自定义的部署方案# Dockerfile.wren-engine FROM python:3.12-slim-bookworm WORKDIR /app # 安装系统依赖 RUN apt-get update apt-get install -y \ build-essential \ curl \ rm -rf /var/lib/apt/lists/* # 复制项目文件 COPY core/wren/ /app/wren/ COPY core/wren-core-py/ /app/wren-core-py/ # 安装Python依赖 RUN pip install --no-cache-dir \ poetry1.8.3 \ uv0.4.0 # 设置环境变量 ENV PYTHONPATH/app/wren:/app/wren-core-py # 启动命令 CMD [python, -m, wren.cli, serve]多容器编排配置创建docker-compose.yml文件定义完整的服务架构version: 3.8 services: wren-engine: build: context: . dockerfile: Dockerfile.wren-engine ports: - 8080:8080 environment: - WREN_ENGINE_HOST0.0.0.0 - WREN_ENGINE_PORT8080 - DATABASE_URLpostgresql://postgres:passwordpostgres:5432/wren depends_on: - postgres - qdrant networks: - wren-network healthcheck: test: [CMD, curl, -f, http://localhost:8080/health] interval: 30s timeout: 10s retries: 3 start_period: 40s postgres: image: postgres:15-alpine environment: - POSTGRES_DBwren - POSTGRES_USERwren_user - POSTGRES_PASSWORDsecure_password volumes: - postgres_data:/var/lib/postgresql/data networks: - wren-network healthcheck: test: [CMD-SHELL, pg_isready -U wren_user] interval: 10s timeout: 5s retries: 5 qdrant: image: qdrant/qdrant:latest ports: - 6333:6333 - 6334:6334 volumes: - qdrant_storage:/qdrant/storage networks: - wren-network command: [--storage, /qdrant/storage] networks: wren-network: driver: bridge volumes: postgres_data: qdrant_storage:⚡ 性能优化策略资源分配与配置调优资源需求分析与分配基于WrenAI各组件特性制定合理的资源分配策略服务组件CPU分配内存分配存储需求网络带宽Wren引擎核心2-4核4-8GB低中等向量数据库2核8-16GB高向量索引高PostgreSQL1-2核2-4GB中等中等AI推理服务4-8核8-16GB中等高容器资源配置示例services: wren-engine: deploy: resources: limits: cpus: 2.0 memory: 4G reservations: cpus: 1.0 memory: 2G environment: - WREN_ENGINE_WORKERS4 - WREN_ENGINE_THREADS8 - WREN_CACHE_SIZE1024 - WREN_QUERY_TIMEOUT300 qdrant: deploy: resources: limits: cpus: 2.0 memory: 8G reservations: cpus: 1.0 memory: 4G environment: - QDRANT__STORAGE__OPTIMIZERS__DEFAULT_SEGMENT_NUMBER5 - QDRANT__STORAGE__OPTIMIZERS__MAX_SEGMENT_SIZE50000内存优化配置在core/wren/src/wren/config.py中可以找到内存相关配置# 内存缓存配置优化 CACHE_CONFIG { query_cache_maxsize: 1000, query_cache_ttl: 3600, embedding_cache_size: 500, embedding_cache_ttl: 1800 } # 连接池配置 CONNECTION_POOL_CONFIG { max_connections: 50, max_overflow: 20, pool_timeout: 30, pool_recycle: 3600 } 高级配置与最佳实践多数据源连接配置WrenAI支持多种数据源连接配置示例# 数据源配置文件datasources.yaml data_sources: - name: postgres_prod type: postgres connection: host: ${POSTGRES_HOST} port: ${POSTGRES_PORT} database: ${POSTGRES_DB} username: ${POSTGRES_USER} password: ${POSTGRES_PASSWORD} pool_size: 10 max_overflow: 5 - name: bigquery_analytics type: bigquery connection: project_id: ${BIGQUERY_PROJECT} dataset_id: ${BIGQUERY_DATASET} credentials_path: /secrets/gcp-credentials.json timeout: 120 - name: snowflake_dwh type: snowflake connection: account: ${SNOWFLAKE_ACCOUNT} warehouse: ${SNOWFLAKE_WAREHOUSE} database: ${SNOWFLAKE_DB} schema: ${SNOWFLAKE_SCHEMA} username: ${SNOWFLAKE_USER} password: ${SNOWFLAKE_PASSWORD} role: ANALYST安全配置与访问控制# 安全配置示例 SECURITY_CONFIG { authentication: { enabled: True, provider: jwt, jwt_secret: ${JWT_SECRET}, token_expiry: 3600 }, authorization: { row_level_security: True, column_level_security: True, role_based_access: True }, encryption: { data_at_rest: True, data_in_transit: True, key_rotation_days: 90 } } 故障排查与性能监控常见问题诊断表问题现象可能原因解决方案服务启动失败依赖服务未就绪添加健康检查等待机制SQL查询超时连接池不足或查询复杂调整连接池大小优化查询内存使用过高缓存配置不当或内存泄漏调整缓存策略监控内存使用向量搜索慢索引未优化或资源不足优化向量索引参数增加资源连接断开网络不稳定或防火墙限制检查网络配置增加重试机制监控配置示例# Prometheus监控配置 monitoring: enabled: true metrics: - name: wren_engine_queries_total type: counter help: Total number of queries processed - name: wren_engine_query_duration_seconds type: histogram help: Query processing duration in seconds buckets: [0.1, 0.5, 1, 2, 5, 10] - name: wren_memory_cache_hit_rate type: gauge help: Memory cache hit rate percentage # 日志配置 logging: level: INFO format: json output: - stdout - file:/var/log/wren/wren.log rotation: max_size: 100MB max_files: 10 compress: true性能调优检查清单✅ 资源分配优化CPU核心数根据工作负载动态调整内存分配考虑缓存需求和峰值负载存储使用SSD或高性能云存储✅ 网络配置优化容器间使用专用网络配置合适的MTU大小启用TCP优化参数✅ 数据库连接优化使用连接池减少连接开销配置合适的超时和重试策略启用查询缓存和预编译✅ 监控告警设置设置关键指标阈值告警配置自动扩缩容策略定期进行性能测试 性能对比与优化效果通过合理的容器化配置和性能调优WrenAI部署可以获得显著改进指标优化前优化后提升幅度启动时间8-10分钟3-4分钟60%内存占用24GB14GB42%查询响应时间2-5秒0.5-1秒75%并发用户数2050150%系统稳定性偶尔崩溃99.9%可用性显著提升️ 实战演练企业级部署案例场景电商数据分析平台需求背景 某电商企业需要构建智能数据分析平台整合MySQL订单数据、PostgreSQL用户数据和Snowflake数据仓库为AI助手提供统一的查询接口。部署架构用户请求 → Nginx负载均衡 → WrenAI集群 → 数据源层 ├── MySQL (订单数据) ├── PostgreSQL (用户数据) └── Snowflake (数据仓库)配置要点# 集群部署配置 wren-engine: image: custom/wren-engine:1.0.0 replicas: 3 strategy: type: RollingUpdate rollingUpdate: maxSurge: 1 maxUnavailable: 0 resources: requests: memory: 4Gi cpu: 2 limits: memory: 8Gi cpu: 4 env: - name: WREN_CLUSTER_MODE value: true - name: WREN_NODE_ID valueFrom: fieldRef: fieldPath: metadata.name 扩展阅读与深入学习官方文档资源核心概念docs/core/concepts/ - 理解WrenAI的基本概念快速开始docs/core/get_started/ - 入门指南和安装说明开发指南docs/core/guides/ - 详细的使用和开发指南API参考docs/core/reference/ - 完整的API文档进阶学习路径语义建模深入学习MDL语义建模语言掌握如何定义数据模型和关系内存系统优化理解LanceDB向量索引原理优化自然语言到SQL的召回效果安全访问控制深入研究列级安全控制机制实现精细化的数据权限管理性能调优通过core/wren-core/benchmarks/中的基准测试了解性能优化技巧 总结与最佳实践清单通过本文的完整指南您应该已经掌握了WrenAI容器化部署的核心技术。以下是关键的最佳实践总结✅ 部署最佳实践镜像管理使用多阶段构建减小镜像体积为生产环境指定具体版本标签建立私有镜像仓库提升安全性资源配置根据服务特性分配CPU和内存资源为关键服务设置资源请求和限制监控资源使用情况动态调整配置网络优化使用专用网络隔离容器通信配置合适的健康检查和就绪探针实施网络策略限制不必要的访问存储策略为持久化数据使用PVC或卷挂载定期备份关键数据监控存储使用情况及时扩容监控告警配置全面的监控指标设置合理的告警阈值定期进行性能测试和容量规划✅ 运维最佳实践版本控制使用Git管理所有配置文件和部署脚本配置管理分离环境配置使用Secret管理敏感信息灾难恢复制定完整的备份和恢复策略安全加固定期更新镜像实施最小权限原则文档维护保持部署文档和运行手册的更新✅ 性能优化检查点查询缓存是否合理配置连接池大小是否适配业务负载向量索引参数是否优化内存分配是否满足峰值需求网络延迟是否在可接受范围WrenAI的容器化部署是一个持续优化的过程随着业务的发展和技术的进步需要不断调整和优化部署策略。通过遵循本文的指南和实践您将能够构建一个稳定、高效、可扩展的WrenAI部署环境为企业的AI智能体提供强大的数据查询和分析能力。记住成功的部署不仅仅是技术实现更是对业务需求、技术架构和运维流程的全面理解。持续监控、定期评估和不断优化是确保系统长期稳定运行的关键。【免费下载链接】WrenAIGive AI agents the context to query business data correctly through the open context layer that gives AI agents grounded, governed memory, context, SQL across 20 data sources, that helps you build agentic GenBI, text-to-sql, dashboards, and agentic analytics.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
