在 MCPJam 中使用 Wren AI从 Skills 安装到 Onboarding 全流程指南【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本文面向使用 MCPJam 这类 AI 开发工具的开发者讲解如何将 Wren AI 的 Agent Skills 接入 MCPJam包括一条安装命令完成wren发现桩discovery stub的部署、在 MCPJam 中通过自然语言触发 onboarding 完整流程以及流程背后由 CLI 按需下发工作流指南的架构原理。读完本文你将能够在 MCPJam 的会话中一键拉起 Wren AI 的环境检查、连接配置、项目脚手架与首次查询。MCPJam 与 Wren AIAgent 优先的接入思路MCPJam 是一款 AI 开发工具本文对应的官方文档将其定位为 “MCPJam development tool”。Wren AI 为其提供了开箱即用的接入方式——你不需要手工运行一串安装命令只需要安装一个名为wren的 Skill 发现桩剩下的环境检查、依赖安装、连接配置、项目初始化和首次查询全部由 MCPJam 中的 Agent 代劳。这种“Agent 优先”的设计贯穿 Wren AI 的整套交付模型。仓库中的 skills/wren/SKILL.md 开篇就说明了这一点This is a discovery stub. The actual workflow guides and prompt helpers live inside thewrenCLI itself, so they always match the installed wrenai version (no skill cache, no version drift).也就是说Skill 本身只是一份“说明书”告诉 Agent 如何驱动wrenCLI真正的操作流程存放在 CLI 内部按需拉取永远与本地安装的 wrenai 版本保持一致不存在技能缓存导致的版本漂移问题。前置条件开始之前请确认以下环境满足要求MCPJam 已安装并完成认证authenticated。这是本文关联文档 mcpjam.md 中列出的唯一硬性前提。Python 3.11。这是 Wren AI onboarding 流程中对运行环境的检查项之一见 onboarding 技能 中的 Preflight 步骤python3 --version要求 3.11 及以上低于此版本需要先升级。Node.js / npmnpx skills命令需要 npm 环境。如果尚未安装 Wren AI 本体也没关系——onboarding 流程会替你处理它会在 Preflight 阶段检查wren --version未安装时通过pip install wrenai[ds,main]自动完成 Python 包的安装ds为你的数据源代号如postgres、bigquery、snowflake、clickhouse、duckdb等详见 quickstart.md。安装 Wren Skills在终端中执行下面这一条命令npx skills add Canner/WrenAI --agent mcpjam这条命令的作用是从 Canner/WrenAI 仓库中拉取wren这个 Skill 发现桩并显式指定安装目标为mcpjam这个 AI Agent。关于--agent参数installation.md 中有两点补充说明自动探测不传--agent时CLI 会自动探测你已安装的 Agent如 Claude Code、Cursor、Cline、Codex 等并安装到对应目录见 README.md。多 Agent 覆盖如果你希望多个 AI 编码 Agent 都能使用该技能可以传入通配符npx skills add Canner/WrenAI --agent *安装完成后只会有一个名为wren的 Skill 被安装对 Claude Code 而言位于~/.claude/skills/wren/SKILL.mdMCPJam 等 Agent 会读取到对应的技能目录中。这是预期行为自 Wren 0.8 起onboarding、usage、generate-mdl、dlt-connector、enrich-context等工作流指南不再作为独立技能安装而是内置于wrenCLI 中由 Agent 按需通过wren skills get name获取。仓库中的 skills/install.sh 揭示了同样的安装逻辑脚本默认安装目录为$HOME/.claude/skills可用CLAUDE_SKILLS_DIR环境变量覆盖支持--force强制覆盖已有安装并能在本地克隆仓库与curl管道下载两种模式下工作。其注释明确说明“The actual skill content lives inside thewrenCLI itself (pip install wrenai). This script installs the discovery stub (wren) that points an AI client at the CLI.”同时安装 CLI 本体可选手动执行虽然 onboarding 流程会自动安装wrenaiPython 包但如果你希望跳过 Agent 的自动安装环节、提前把 CLI 准备好可以手动执行pip install wrenai[memory,main]其中memoryextraLanceDB 支撑的语义记忆NL→SQL 召回、嵌入检索可选但推荐mainextra交互式提示与浏览器端 profile 配置 UI各数据源连接器以独立 extra 提供例如pip install wrenai[memory,main,postgres]。安装后可用wren version验证。在 MCPJam 中运行 Onboarding安装完成后按以下步骤启动在 MCPJam 中打开你的项目文件夹开始一个新的会话技能在会话启动时加载务必新开会话输入以下提示语Use the /wren skill to install and set up Wren AI.Agent 收到指令后会加载/wren技能即安装好的发现桩读取其中的指引然后开始驱动wrenCLI 完成全套 onboarding。根据 mcpjam.md 的说明这个流程会引导 Agent 依次完成环境检查environment checks连接配置/Profile 创建profile creation项目脚手架project scaffolding首次查询a first queryOnboarding 内部发生了什么为了让 Agent 在执行时行为可控、不犯错onboarding 技能 定义了严格的运行模式“READ THIS FIRST”一条铁律是“每次对话轮次只执行一个步骤”每一步都是独立的回合——先简要说明、只询问本步所需的信息、执行命令、确认结果、再进入下一步。具体规则包括❌禁止提前收集后续步骤的信息——不要在同一消息里同时索要项目名、数据库类型和凭据❌禁止在聊天中索要任何凭据host、port、user、password、token 都不行——凭据一律通过.env文件由用户在自己的编辑器里填写Agent 全程不接触明文值❌MDL 构建之前禁止查询数据库必须先执行wren skills get generate-mdl❌禁止臆造连接字段名——必须运行wren docs connection-info ds获取真实字段该命令从 Pydantic schema 实时内省生成永远正确。典型步骤速览Preflight环境预检依次运行python3 --version、虚拟环境检查、wren --version、pwd以 4 条列表向用户汇报分支决策询问用户是使用内置jaffle_shop演示数据约 30 秒、无需数据库还是连接自有数据库Step 1收集项目名与数据库类型两个信息Step 2批量创建~/project/目录、安装wrenai[ds,main]、通过wren docs connection-info ds --format md生成.env模板字段以UPPER_SNAKE命名、值留空并提示用户填写后回复 “done”Step 3用占位符变量编写/tmp/conn.yml并执行wren profile add project --from-file /tmp/conn.yml创建连接 Profile自动校验静默覆盖Step 3.5wren context init --empty创建项目脚手架models/、views/、relationships.yml、knowledge/、AGENTS.mdStep 3.6wren context set-profile project将 Profile 绑定到项目把profile:与data_source:写入wren_project.yml保证后续查询不依赖全局激活的 ProfileStep 4wren skills get generate-mdl生成 MDL然后执行wren context validate与wren context build若模型数 ≥ 200 会建议安装wrenai[memory]并执行wren memory indexStep 5根据发现的表提出 23 个自然语言问题示例然后移交到usage技能进入日常查询。背后的技能交付机制wren发现桩之所以能驱动如此复杂的流程依赖于仓库中一套完整的“CLI 内嵌技能”架构技能清单与获取skills_cli.py 实现了wren skills list、wren skills get name等子命令--full参数会附带技能的所有 reference 文档--script name用于拉取技能捆绑的脚本打包与校验skills_delivery.py 负责从 Python 包数据目录wren/skills_content/name/中读取技能内容每个技能目录必须包含SKILL.md否则抛出SkillNotFoundErrorlist_skills会解析 frontmatter 中的description生成摘要并汇总references/与scripts/技能内容源码各技能指南以 Python 包数据形式存放在 core/wren/src/wren/skills_content/onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi 等而不是skills/目录下的独立文件夹具体说明见 skills/SKILLS.md 与 skills/AUTHORING.md。wren发现桩中声明的常用命令速览skills/wren/SKILL.mdwren skills list # 查看全部可用工作流指南 wren skills get onboarding # 端到端搭建 Wren wren skills get usage # 日常查询 wren skills get generate-mdl # 从数据库 schema 生成 MDL wren skills get dlt-connector # 通过 dlt 连接 SaaS 数据源 wren skills get enrich-context # 补充业务上下文单位、枚举、Cube wren skills get genbi # 构建并部署可分享的 GenBI Web 应用 # 追加 --full 可附带技能参考文档 # 追加 --script name 可拉取捆绑脚本如 dlt-connector 的 introspect_dlt一旦 Agent 读完发现桩它就会知道任何多步骤工作流开始前先运行wren skills get name获取对应指南日常数据命令wren --sql ...、wren context show/build/validate、wren profile add/list/switch、wren memory index/recall/store作为 CLI 顶层命令直接可用。这也解释了为什么 MCPJam 中的一次简单提示语就能驱动完整的安装与配置流程。下一步完成 onboarding 后你有两个官方推荐的进阶方向使用示例数据快速上手使用 dbt 的jaffle_shop示例数据集DuckDB无需云数据库、无需 Docker端到端走一遍 Profile 创建、wren context init、MDL 生成与自然语言查询约 15 分钟连接你的真实数据库将 Wren AI 指向真实数据源BigQuery、Snowflake、PostgreSQL、ClickHouse、Amazon Redshift、Databricks 等 20 数据源按connect.md中的连接流程与分数据源排查手册配置。之后直接在 MCPJam 的会话中提出业务问题即可例如How many customers placed more than one order this month?Agent 会利用 Wren AI 的语义层解析 schema、召回相似历史查询wren memory recall、生成并执行 SQLwren --sql ...并将成功的 NL→SQL 对存入记忆wren memory store——问得越多回答越准。【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
