在 Crush 中安装与配置 Wren AICharm TUI 编码 Agent 的完整上手指南【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本篇技术指南讲解如何在CrushCharm 出品的终端 TUI 编码 Agent中安装 Wren AI 的技能Skills、触发 onboarding 工作流并完成环境检查、Profile 创建、项目脚手架与首次查询的端到端配置。读完本文你将掌握在纯终端环境中让 AI Agent 驱动 Wren AI 安装与初始化的完整操作链路并理解该过程背后由仓库源码支撑的实现原理。Crush 与 Wren AI为什么在终端里就能完成全部安装Crush 是 Charm 推出的 TUI 编码 Agent整个交互发生在终端中不需要打开浏览器或额外图形界面。Wren AI 将自身的能力封装为Skills——一系列 Markdown 工作流指南指示 AI 编码 AgentClaude Code、Codex、Crush 等如何操作wrenCLI。二者结合后你可以在一个终端会话里完成从零到首次查询的全部初始化。这套机制的关键设计是发现桩discovery stub模式你安装的只有一个名为wren的桩技能真正的流程指南保存在wrenCLI 内部由wren skills get name按需拉取。正如 skills/index.json 所描述工作流指南位于wrenCLIpip install wrenai中通过wren skills get/wren ask提供服务从而避免技能缓存与版本漂移问题。前置条件开始之前请确认你的环境满足以下要求Crush 已安装并完成认证crush命令可用。Python 3.11onboarding 技能的环境检查要求python3 --version不低于 3.11。Node.js / npm安装 Wren skills 使用npx skills add命令需要 npm 环境。Git用于克隆示例项目如需jaffle_shop示例数据。若你的系统 Python 是 PEP 668 管理的externally-managed-environmentonboarding 技能会建议先创建虚拟环境python3 -m venv .venv source .venv/bin/activate再继续。第一步安装 Wren skills在终端执行npx skills add Canner/WrenAI --agent crush--agent crush参数用于指定目标 Agent。该命令安装的是 skills/wren/SKILL.md 这个发现桩它的allowed-tools声明为Bash(wren:*)即允许 Agent 调用任意wren子命令其描述字段覆盖了数据提问、安装 Wren Engine、连接数据库、通过 dlt 连接 SaaS 数据、生成 MDL、丰富业务上下文、构建并部署 GenBI 应用等全部触发场景。除npx之外仓库同时提供了 skills/install.sh 脚本作为等效安装途径。该脚本支持--force参数覆盖已存在的安装并可通过环境变量WREN_SKILLS_BRANCH指定分支、CLAUDE_SKILLS_DIR指定目标目录默认$HOME/.claude/skills。两种方式殊途同归最终安装的只有一个wren发现桩其余流程指南全部由 CLI 按需下发。第二步启动 Crush 并触发 onboarding安装完成后启动 Crushcrush然后在 Crush 的对话框中输入Use the /wren skill to install and set up Wren AI.这条指令让 Crush 加载/wren技能。技能识别到这是从零初始化的任务后会拉取onboarding工作流指南对应 core/wren/src/wren/skills_content/onboarding/SKILL.md由它驱动 Agent 完成整个安装设置流程。onboarding 背后发生了什么Agent 的逐步执行流程正如原文档所述the skill walks the agent through environment checks, profile creation, project scaffolding, and a first query。结合仓库中 onboarding 技能的实现这一过程可细分为以下几个阶段1. 环境预检PreflightAgent 首先执行一组只读检查并汇报结果此阶段不询问任何项目信息python3 --version验证 Python 3.11不满足则要求升级并停止检查是否处于虚拟环境python3 -c import sys; print(sys.prefix ! sys.base_prefix)返回False时建议创建.venvwren --version若已安装则确认而非重复安装pwd记录当前目录。2. 项目脚手架与连接配置Agent 确认项目名与数据库类型后批量执行创建~/project/目录、安装对应连接器扩展pip install wrenai[ds,main]、通过wren docs connection-info ds --format md内省连接字段并生成.env模板。onboarding 技能在此处有一条硬性规则绝不通过对话索取凭据所有密钥一律由用户在自己的编辑器中填入.env文件Agent 永远看不到值。3. Profile 创建与绑定Agent 将.env中的每个字段写成${VAR}占位符形式的 YAML然后执行wren profile add project --from-file /tmp/conn.yml创建连接 Profile 后接着初始化项目骨架并绑定 Profilewren context init --empty wren context set-profile project其中wren context init会生成wren_project.yml、models/、views/、relationships.yml、knowledge/rules sql等目录结构并拒绝覆盖已存在的wren_project.yml。set-profile则把profile: project与data_source: ds写入wren_project.yml使项目与连接绑定后续命令与 SDK 的解析不再受全局 Profile 切换影响。4. MDL 生成与首次查询onboarding 技能明确要求在 MDL 构建完成之前绝不允许查询数据库。Agent 会切换到generate-mdl指南完成表结构内省、类型归一化与 YAML 生成随后执行wren context validate wren context build至此初始化完成。Agent 会基于发现的表提出 23 个自然语言问题示例如 How many orders last month?、Top 5 customers by total之后的日常查询交由usage指南驱动。技能分发机制为什么无需手动维护指南版本你可能会好奇为什么只安装一个桩技能Crush 就能执行完整流程答案在 skills/wren/SKILL.md 中wren skills list # all available workflow guides wren skills get onboarding # set up Wren end-to-end wren skills get usage # day-to-day querying wren skills get generate-mdl # generate MDL from a database schema wren skills get dlt-connector # connect SaaS sources via dlt wren skills get enrich-context # add business context (units, enums, cubes) wren skills get genbi # build deploy a shareable GenBI web app指南本身存放在wrenCLI 内部因此始终与所安装的wrenai版本匹配不存在技能缓存与版本漂移。对 Agent 而言它只需记住先wren skills get name再执行多步工作流这一规则即可。这也是 skills/index.json 中将其定位为 discovery stub发现桩的根本原因。下一步完整示例与真实数据库连接Crush 中的 onboarding 完成后官方文档给出了两条延伸路径基于示例数据的完整快速开始以 dbt Labs 的jaffle_shop示例数据集走通端到端流程约 15 分钟。该文档详细覆盖了创建虚拟环境、dbt build构建 DuckDB 数据库、安装wrenai[memory,main]、创建 Profile、wren context init脚手架、生成 MDL以及通过记忆系统进行日常问答的完整步骤并提供了wren dry-plan、wren dry-run、wren memory fetch/recall/store等常用命令速查表。连接你自己的数据库将 Wren AI 指向真实数据库。该指南列出了全部受支持的数据源及其连接器扩展PostgreSQL、MySQL、BigQuery、Snowflake、ClickHouse、Trino、SQL Server、Databricks、Redshift、Oracle、Athena、Spark 等并说明通用的五步流程安装连接器扩展 → 创建 Profile → 绑定到项目 → 生成 MDL → 开始查询。其中wren docs connection-info ds命令直接从引擎连接 Schema 生成字段说明始终与已安装的wrenai版本一致是确认连接字段的权威来源。无论是走jaffle_shop示例还是接入自有数据库Crush 用户都可以复用同一套/wren技能只需用自然语言下达指令Agent 会自行路由到dlt-connector、generate-mdl、usage或onboarding等对应指南让整个 Wren AI 的安装、建模与查询闭环全部在终端内完成。【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