用 Kiro CLI 快速安装 Wren AI：Skill 安装、onboarding 流程与源码级解读

用 Kiro CLI 快速安装 Wren AI：Skill 安装、onboarding 流程与源码级解读

【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

Wren AI（GenBI 开源项目）通过一套可复用的 AI Agent 技能（Skills）系统，让 Kiro CLI（AWS 推出的终端 AI 编程助手）等编码代理自动完成 Wren 引擎的安装、连接配置、项目脚手架与首次查询。本文以 kiro-cli.md 为主线，完整讲解 Kiro CLI 场景下的安装与 onboarding 步骤，并结合仓库中skills/目录与wrenCLI 源码，解释这套"技能分发"机制为什么能做到版本零漂移。

Kiro CLI 与 Wren AI：一次对话完成本地数据分析栈搭建

Wren AI 是一个开源的、受控的 text-to-SQL 上下文层：它对 20+ 数据源（BigQuery、Snowflake、PostgreSQL、ClickHouse、Amazon Redshift、Databricks 等）建立语义层（MDL），让 AI Agent 用业务语言而非裸表名写 SQL。官方推荐的接入方式是把wren技能装进你的编码代理——对 Kiro CLI 用户而言，这意味着你不需要手动敲安装命令、不需要手写 YAML 项目骨架，只需启动 Kiro 会话并说一句"用 /wren 技能安装并配置 Wren AI"，代理就会自动完成：环境检查 → 连接 profile 创建 → 项目脚手架 → 首次查询验证。

前置条件：两个必选项

开始之前，请确认以下两项已就绪（对应文档原文的 Prerequisites 部分）：

1. Kiro CLI 已安装并通过认证。Kiro 是 AWS 推出的终端 AI 编程助手，需要处于已登录状态才能正常启动代理会话、写入本地配置文件。
2. 自定义 agent 的资源配置（仅当你不使用默认 agent 时）。Kiro 的默认 agent 会自动加载技能；如果你使用了自定义 agent，必须在.kiro/agents/<agent>.json中显式声明技能资源路径，让代理在会话启动时能够发现wren技能：

{ "resources": ["skill://.kiro/skills/**/SKILL.md"] }

skill://协议指向 Kiro 本地技能目录中的每个SKILL.md发现桩文件。这与仓库中skills/wren/SKILL.md的定位一致——它只是一个约 50 行的"发现桩"（discovery stub），真正的流程指南由 CLI 按需下发（详见下文"技能分发模型"）。

安装 Wren skills：一行命令

在终端中执行：

npx skills add Canner/WrenAI --agent kiro-cli

这条命令通过 npm 生态的skillsCLI 从 WrenAI 仓库拉取技能，并把wren发现桩安装到 Kiro CLI 的技能目录。--agent kiro-cli用于显式指定目标客户端；仓库的 skills/install.sh 展示了安装脚本的等效逻辑：脚本默认目标目录是~/.claude/skills，但会尊重环境变量，并支持--force覆盖重装。如果你安装了多个代理并希望一次全装，可参考 installation.md 中的npx skills add Canner/WrenAI --agent '*'用法。

只安装一个wren技能是预期行为：自 Wren0.8起，onboarding、usage、generate-mdl、dlt-connector、enrich-context、genbi等工作流指南不再作为独立技能安装，而是打包进wrenaiPython 包，由发现桩按需拉取。详见 skills.md。

运行 onboarding：启动 Kiro 并下达指令

技能安装完成后，启动 Kiro：

kiro

然后在会话中输入：

Use the /wren skill to install and set up Wren AI.

这条提示词触发wren技能的onboarding工作流。根据 skills.md 中的 onboarding 章节，整个流程包含六个阶段：

User says "install wren" / "set up wren" │ ├── Preflight（只读检查） │ Python 3.11+、虚拟环境、wren CLI、工作目录 │ ├── 分支：内置 demo 还是自有数据库？ │ demo → 进入 quickstart 指南，结束 │ 自有 DB → 继续 │ ├── Step 1. 项目名 + 数据库类型 │ （一起询问，此时不索取任何凭据） │ ├── Step 2. 项目初始化（批量执行） │ mkdir、pip install、wren context init、 │ 通过连接器 introspection 生成 .env 模板 │ ├── Step 3. 用户编辑 .env 填入凭据 │ （代理永远看不到凭据明文） │ ├── Step 4. 验证连接 │ wren profile debug │ ├── Step 5. 生成 MDL │ wren skills get generate-mdl │ └── Step 6. 首次查询 wren --sql "SELECT 1"（冒烟测试） 再对生成的 MDL 跑真实查询

onboarding 的 Agent 侧铁律

仓库 skills.md 明确记录了四条强制规则，这也是为什么整个流程可以放心交给代理执行：

幕后机制：技能内容住在 CLI 里，而不是 Agent 里

为什么安装只放了一个"发现桩"？仓库的 skills/wren/SKILL.md 给出了直接答案：

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).

旧的交付模型把每个技能作为独立 markdown 文件夹装进代理技能目录（~/.claude/skills/、Cursorrules/等），带来的两个顽疾是：打包的 markdown 与已安装的 CLI 版本漂移、Agent 启动时无论是否需要都全量加载。从 Wren0.8起改为"内容随 wheel 走"：

• Agent 侧只装一个约 50 行的发现桩（skills/wren/SKILL.md），教会代理"工作流指南和成形提示词从 CLI 拉取"；
• 真实工作流指南打包在wrenaiPython 包中（src/wren/skills_content/），由wren skills get <name>打印到 stdout；
• 提示词模板同样按需下发：wren ask "<q>" --guided|--direct。

对应的 CLI 实现位于 skills_cli.py：wren skills get <name>支持--full（内联该技能的全部 references 文档）与--script <stem>（打印某个内置脚本源码，如 dlt-connector 的introspect_dlt.py）。技能内容随wrenaiwheel 一起发布，所以代理读到的指南永远与已安装的 CLI 版本一致，不存在缓存漂移。

另外，仓库内置了一个 CI 守卫测试（test_served_content_guard.py），会扫描技能内容、参考文档和 ask 模板中出现的每一个wren <cmd>调用，与真实 CLI 命令树比对——指南永远不会教代理运行不存在的命令或 flag。这是"技能内容可信"的工程保证。

技能清单：onboarding 之后你能做什么

wren发现桩支持的技能并不止 onboarding。Kiro 会话中你可以随时让代理按需拉取：

wren skills list # 列出全部可用指南 wren skills get onboarding # 端到端安装 Wren wren skills get usage # 日常查询工作流 wren skills get generate-mdl # 从数据库 schema 生成 MDL wren skills get dlt-connector # 通过 dlt 接入 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

对应的六大指南用途如下（摘自 skills.md）：

下一步：从快速示例到真实数据库

onboarding 完成后，文档指向两条进阶路径：

• 使用样例数据走完端到端流程：见 quickstart.md。该指南使用 dbt Labs 公开的jaffle_shop样例库（DuckDB），无需云数据库、无需 Docker，约 15 分钟即可获得一个"本地上下文层 + 记忆系统"：创建虚拟环境、pip install "wrenai[memory,main]"、wren profile add jaffle-shop、wren context init、让代理生成 MDL，然后直接用自然语言提问（"How many customers placed more than one order?"）。
• 连接你自己的真实数据库：见 connect.md。创建连接 profile 后，wren context set-profile <name>会把 profile 绑定到项目，之后日常查询就由usage指南驱动：wren memory fetch收集上下文 →wren memory recall召回相似历史查询 →wren --sql "..."经上下文层执行 →wren memory store存储成功的 NL→SQL 对。你问得越多，系统召回越准。

小结

Kiro CLI 场景下的 Wren AI 安装，本质是"一个发现桩 + 一个 onboarding 提示词"：npx skills add Canner/WrenAI --agent kiro-cli装入技能，kiro会话中的一句 "Use the /wren skill to install and set up Wren AI" 触发全自动安装流程。理解背后的技能分发模型（内容随 CLI 走、按需下发、CI 守卫验证命令真实性）能帮你更放心地把整个数据分析栈的搭建交给代理——这与仓库中"技能"的定位完全一致：技能是教 Agent 使用 Wren CLI 的流程指南，而非一堆会过期的静态 markdown。

【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