Wren AI

Agente de IA que escreve SQL sem saber o que cada tabela significa erra métrica e join. O Wren AI é uma camada semântica que Claude Code, Cursor, Codex ou LangChain consultam antes de gerar a consulta. As definições de métricas, joins e exemplos ficam em arquivos versionados no Git, e cada SQL é validado contra esse modelo antes de rodar.

Para que serve

• Ensinar ao agente as regras de negócio da empresa, para que receita e cliente ativo tenham sempre a mesma definição.
• Apontar a mesma camada para BigQuery, Snowflake, PostgreSQL, ClickHouse, Redshift, Databricks ou DuckDB.
• Gerar dashboards e publicá-los na Vercel ou na Cloudflare Pages.
• Plugar o contexto em LangChain ou Pydantic pelos SDKs, ou em qualquer cliente MCP.

Como começar

A versão aberta não tem interface gráfica: funciona por CLI e servidor MCP.

pip install wrenai
npx skills add Canner/WrenAI

Depois, abra o agente numa pasta de projeto e peça que ele configure o banco usando o Wren. O modelo de linguagem é o do agente que você já usa, com a conta ou a chave dele. A antiga aplicação em Docker virou Wren GenBI Classic, parada no branch legacy/v1 sem correções de segurança. Evite essa versão em instalação nova.

Licença e custo

O repositório tem três arquivos de licença. Motor, SDK, skills e exemplos ficam sob Apache 2.0, e a documentação usa Creative Commons BY 4.0. O texto da AGPL 3.0 está lá para módulos futuros, mas nenhuma pasta usa essa licença hoje.

A parte comercial reúne a interface GenBI, dashboards embutidos, segurança por linha e coluna, auditoria e SLA. O Wren AI Cloud tem teste de sete dias. O Enterprise Plus, hospedado por você, é licenciado por sessão, com preço sob consulta.

Quando vale a pena

O público do Wren AI são times que já consultam o banco por um agente de código e cansaram de métrica inventada. O post Como conectar IA aos dados da empresa: os 4 caminhos mostra onde essa abordagem entra. Se a equipe quer painéis clicáveis sem agente nenhum, um BI tradicional como o Metabase atende melhor.