跳到主要内容

关于 Wren AI 和我们的使命

Wren AI 是一个**开源 SQL AI 代理**，它使数据、产品和业务团队能够通过聊天访问洞察，内置设计精良的直观 UI 和 UX，并与 Excel 和 Google Sheets 等工具无缝集成。

为何现在是 Text-to-SQL 的时机？​

在快速发展的数据环境中，数据分析师扮演着重要角色，是连接数据和组织内多样化业务环境的关键桥梁。不同的业务部门各有独特的视角和需求，经常需要从数据中获取特定的洞察，这使得数据分析师的角色既关键又具挑战性。他们以符合各种利益相关者独特需求的方式解释、转换和沟通数据的能力是不可或缺的。

大型语言模型（LLM）和检索增强生成（RAG）等先进技术的出现正在彻底改变这一领域，增强了业务数据分析师的能力。RAG 通过整合检索到的外部信息进一步增强这一过程，使 LLM 能够生成更全面和准确的信息。

凭借对上下文的理解和自然语言处理能力，结合 RAG 的 LLM 使分析师能够高效且细致地导航和解释海量数据集。

使用 RAG 和 LLM 查询数据库的挑战​

结合 RAG 和 LLM 查询数据库并非新概念。许多解决方案已被提出用于解决此问题，但它们在四个关键阶段仍面临挑战：*上下文收集、检索、SQL 生成和协作*。尽管努力克服这些挑战，我们在这四个阶段中仍然面临困难。

challenges

阶段 1：上下文收集挑战​

  • 跨多样化来源的互操作性：跨不同来源、元数据服务和 API 无缝地泛化和规范化搜索和集成的信息。
  • 数据和元数据的复杂链接：这涉及在文档存储中将数据与其元数据关联。它包括存储元数据、模式和上下文，例如关系、计算和聚合。

阶段 2：检索挑战​

  • 向量存储优化：开发和实现向量存储的优化技术（例如索引和分块）对于提高搜索效率和精度至关重要。
  • 语义搜索的精度：挑战在于对上下文中查询理解的细微之处，这会显著影响结果的准确性。这通常涉及查询重写、重排序器等技术。

阶段 3：SQL 生成挑战​

  • SQL 查询的准确性和可执行性：生成既准确又可执行的 SQL 查询带来了重大挑战。这要求 LLM 深入理解 SQL 语法、数据库模式以及不同数据库系统的特定方言。
  • 适应查询引擎方言：数据库在 SQL 实现中通常有独特的方言和细微之处。设计能够适应这些差异并在各种系统之间生成兼容查询的 LLM 为挑战增加了另一层复杂性。

阶段 4：协作挑战​

  • 集体知识积累：挑战在于创建一个能够有效收集、整合和利用多样化用户群体的集体洞察和反馈的机制，以提高 LLM 检索数据的准确性和相关性。
  • 访问控制：虽然我们最终检索了数据，但下一个最重要的挑战是确保现有的组织数据访问策略和隐私法规也适用于新的 LLM 和 RAG 架构。

Wren AI 简介 - 面向数据和业务团队的 Text-to-SQL 整体解决方案。​

我们在开发 Wren AI 时采用了一些核心设计理念。

1. 用任何语言与您的数据对话​

Wren AI 支持您的语言，例如英语、德语、西班牙语、法语、日语、韩语、葡萄牙语、中文等。通过向 Wren AI 提出业务问题，解锁宝贵的洞察。它超越了表面层面的数据分析，揭示有意义的信息，并简化了从潜在客户评分模板到客户细分的答案获取过程。

2. 设计精良的 UI/UX 与语义索引​

Wren AI 实现了一种语义引擎架构，用于为 LLM 提供您的业务上下文；您可以轻松地在数据模式上建立一个逻辑表示层，帮助 LLM 更多地了解您的业务上下文。

3. 根据上下文生成 SQL 查询​

使用 Wren AI，您可以使用“建模定义语言”（MDL）处理元数据、模式、术语、数据关系以及计算和聚合背后的逻辑，减少重复编码并简化数据连接。

4. 无需编写代码即可获取洞察​

在 Wren AI 中开始新的对话时，您的问题将用于查找最相关的表。基于这些表，LLM 会生成三个相关问题供用户选择。您还可以提出后续问题以获得更深入的洞察。

5. GenBI​

GenBI 功能通过 AI 生成的摘要赋能用户，这些摘要与 SQL 查询一起提供关键洞察，简化复杂数据。立即将查询结果转换为 AI 生成的报告、图表，将原始数据转化为清晰、可操作的视觉效果。借助 GenBI，您可以轻松做出更快、更明智的决策。

6. 轻松导出和可视化您的数据​

Wren AI 提供无缝的端到端工作流程，使您可以轻松地将数据与流行的分析工具（例如 Excel 和 Google Sheets）连接。这样，您的洞察就始终可访问，允许您使用最熟悉的工具进行进一步分析。