Wren AI + Command Code 快速上手：用 `/wren` Skill 一条指令完成安装与初始化

Wren AI Command Code 快速上手用/wrenSkill 一条指令完成安装与初始化【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导读本文是 Wren AI 官方快速上手系列中针对Command Code这一 AI 编程代理coding agent的实操指南。你将学会在已登录 Command Code 的环境中用一行npx skills add安装 Wren 的 agent skill发现桩然后在 Command Code 里输入cmd并发出“Use the /wren skill to install and set up Wren AI”这一指令让代理自动完成环境检查、连接配置profile、项目脚手架project scaffolding和首次查询first query的完整初始化流程。读完本文你能理解 skill 分发模型discovery stub 按需拉取背后的实现原理并掌握如何继续走完jaffle_shop示例或连接真实数据库。背景Wren AI 的 Skill 分发模型Wren AI 通过Skills向 Claude Code、Command Code、Cursor、Cline、Codex 等 AI 编码代理交付可复用的工作流指南。Wren 0.8 起文档不再为每个工作流单独安装一份 markdown而是采用“一个发现桩 按需拉取”的模型安装到代理端的是一个约 50 行的发现桩discovery stub即 skills/wren/SKILL.md它告诉代理工作流指南和提示词模板都可以从wrenCLI 获取真正的工作流指南作为 Python 包数据打包进wrenai发行版位于 core/wren/src/wren/skills_content/由wren skills get name打印到 stdout因为内容随 wheel 一起分发代理读到的版本永远与已安装的 CLI 版本一致从根上消除了“skill 内容与 CLI 版本漂移”的问题。这一点在 docs/core/reference/skills.md 中有完整说明其优点包括不再把全部内容一次性加载进代理上下文按需取用也不会出现 skill 与 CLI 版本错位。前置条件Command Code 已安装并完成认证原文档给出的前置条件只有一条已安装并完成登录/认证的Command CodeAI 编码代理。需要说明的前提是Command Code 作为 AI 编码代理需要在会话启动时加载 skillsskills load at session start因此安装完 skill 后应开启一个新的 agent 会话再发起初始化指令。如果你尚未安装 Wren CLI 本身也没有关系——onboarding 流程会在环境检查阶段发现并引导安装wrenaiPython 包pip install wrenai参考 docs/core/get_started/installation.md 的安装步骤。第一步安装 Wren Skill在终端执行npx skills add Canner/WrenAI --agent command-code这个命令通过npx skills安装器把wren发现桩装进Command Code指定的 skill 目录。安装器默认会自动检测当前环境中已有的 AI 代理当同时安装了多个代理、想把桩装进所有代理时可改用--agent *见 skills/README.md 中npx skills add Canner/WrenAI的说明其参数示例包括claude-code、cursor、windsurf、clinecommand-code是其中受支持的目标之一。装完只会有一个 skill即wren——这是符合预期的。其余工作流指南onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi不再作为独立 skill 安装而是由桩在运行时通过wren skills get name按需拉取。除npx skills外仓库还提供了两种等价安装方式参考 skills/install.sh 与 skills/README.mdClaude Code 插件市场方式/plugin marketplace add Canner/WrenAI --path skills/plugin install wrenwren本地脚本方式bash skills/install.sh--force可覆盖已有安装WREN_SKILLS_BRANCH、CLAUDE_SKILLS_DIR环境变量分别控制分支与安装目录。第二步运行 Onboarding安装完成后在 Command Code 中启动新会话并运行cmd然后向代理提问Use the /wren skill to install and set up Wren AI.代理读取 skills/wren/SKILL.md 后会调用 CLI 拉取onboarding工作流指南wren skills get onboarding随后逐环节推进整个安装与初始化流程。环境检查Preflightonboarding 指南源码见 core/wren/src/wren/skills_content/onboarding/SKILL.md要求代理先做一组只读环境检查不向用户打听任何项目信息python3 --version——要求 Python 3.11不满足则请用户升级后停止检查虚拟环境python3 -c import sys; print(sys.prefix ! sys.base_prefix)PEP 668 系统需要 venvwren --version——若已安装则确认版本避免重复安装pwd——记录当前工作目录。检查结果以 4 条 bullet 汇报给用户后继续。二选一示例库还是自己的数据库接下来代理会询问是先体验内置的jaffle_shop演示约 30 秒、无需数据库还是连接自己的数据库选demo转到 docs/core/get_started/quickstart.mdjaffle_shop端到端演示结束本 skill选own DB继续走 onboarding 后续步骤。收集项目名 数据库类型代理一次性询问两件事项目名称将创建~/name/目录与数据库类型。数据库类型可用wren docs connection-info不带参数列出全部查看常见选择如postgres、mysql、bigquery、snowflake、clickhouse、trino、duckdb等。注意两个 agent 侧强约束原文档与 onboarding 指南都强调绝不在聊天里索要凭据host、port、user、password、token 一律不出现凭据只能通过.env文件由用户在自己编辑器中填写代理永远看不到值绝不凭空编造连接字段名必须用wren docs connection-info ds内省真实字段——该输出直接来自连接器的 Pydantic schema永远与当前安装版本一致参考 docs/core/guides/connect.md。创建连接 Profile 并绑定项目代理会用wren docs connection-info ds --format md生成.env模板键名为DS_FIELD的 UPPER_SNAKE值为空让用户填写后回复 done随后把每个字段写成${VAR}占位符形式的/tmp/conn.yml执行wren profile add project --from-file /tmp/conn.ymlProfile 即数据库连接配置存储在~/.wren/profiles.yml见 docs/core/guides/connect.md。验证通过后wren context init --empty # 脚手架项目models/、views/、relationships.yml、knowledge/、AGENTS.md wren context set-profile project # 把 profile 绑定进 wren_project.ymlset-profile会把profile: project和data_source: ds写入wren_project.yml使该项目未来的所有命令和 SDK 调用都确定性地使用该连接不受全局 profile 切换影响。生成 MDL 并完成首次查询MDLModeling Definition Language是描述表、列、连接的业务语义 YAML 层代理在任何数据查询之前必须先构建 MDL直接查不在 MDL 中的表会失败。onboarding 会转交generate-mdl指南wren skills get generate-mdl完成表内省、类型归一化、YAML 生成后回到wren context validate wren context build随后用wren --sql SELECT 1做连接 sanity 检查再基于生成的 MDL 执行第一次真实查询。整个流程结束即完成初始化代理随后把日常查询交给wren skills get usage指南驱动。为什么这条指令能驱动完整初始化底层实现印证“一句话指令触发全流程”并非魔法仓库源码提供了完整印证发现桩skills/wren/SKILL.md 的 frontmatter 声明了name: wren、description描述触发场景如 “install wren”、“set up wren engine”、license: Apache-2.0和allowed-tools: Bash(wren:*)代理据此决定何时调用及允许运行哪些命令按需拉取由 core/wren/src/wren/skills_cli.py 与 core/wren/src/wren/skills_delivery.py 实现skills_delivery.list_skills()遍历skills_content/目录汇总指南、references 与 scriptsget_skill(name, full...)返回SKILL.md--full时按文件名排序追加references/*.mdget_script(name, script)返回打包脚本如dlt-connector的introspect_dltCI 守护仓库中的 core/wren/tests/unit/test_served_content_guard.py 会扫描所有被提供的 skill 内容、参考文档和 ask 模板中出现的wren cmd调用与真实 CLI 命令树比对——保证指南不可能让代理去执行不存在的命令或 flag。Next Step继续深入完成 Command Code 初始化后官方推荐两条进阶路径使用示例数据快速开始——用内置jaffle_shop数据集走完端到端pip install wrenai[memory,main]安装 CLI、wren profile add jaffle-shop建 profile、wren context init初始化项目再在代理中发出 “Use the /wren skill to explore the jaffle_shop database and generate the MDL for the customers and orders tables” 生成 MDL最后用自然语言提问如 “How many customers placed more than one order?”体验“上下文层 记忆系统”驱动的准确 SQL 生成连接真实数据库——将 profile 指向真实数据源先pip install wrenai[ds]安装对应连接器 extra支持 PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Trino、SQL Server、Databricks、Redshift、Oracle、Athena、Spark 等 20 数据源再用wren profile add/wren context set-profile完成绑定随后按generate-mdl指南生成模型。常见问题速查为什么只安装了一个wrenskill自 Wren 0.8 起工作流指南不再单独安装全部内置在wrenai包内由桩按需wren skills get name拉取避免内容漂移与无谓的上下文占用见 docs/core/reference/skills.md。代理提示wren: command not found说明wrenai尚未安装或虚拟环境未激活先执行pip install wrenai并确认 Python 3.11再开启新会话重试。连接字段名不确定永远以wren docs connection-info ds的输出为准它内省自连接器 Pydantic schema是字段名的唯一权威来源。通过本文你已经掌握了 Wren AI 在 Command Code 中的标准初始化路径一行命令装桩 →cmd启动 → 一句话触发 onboarding让代理在受控的 agent 侧规则一次一轮、凭据只走.env、先建 MDL 再查询下完成全部设置随后即可开始自然语言数据问答。【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