一个开源 GenBI AI 本地代理(确保本地数据安全),使数据驱动型团队能够与其数据进行互动,生成文本到 SQL、图表、电子表格、报告和 BI

一、GenBI AI 代理介绍(文末提供下载)

github地址:https://github.com/Canner/WrenAI

本文信息图片均来源于github作者主页

       在 Wren AI,我们的使命是通过生成式商业智能 (GenBI) 使组织能够无缝访问数据,从而彻底改变商业智能。我们的目标是通过先进的 AI 驱动型解决方案、可组合数据框架和语义智能来打破数据洞察的障碍,使每个团队成员都能自信地做出更快、更智能的数据驱动型决策。以用户为中心的端到端开源 SQL AI 代理 - 文本到 SQL 的整体解决方案以用户为中心的端到端开源 SQL AI 代理 - 文本到 SQL 的整体解决方案。

二、主要特点

      1、Wren AI 会说您的语言,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 询问您的业务问题来解锁有价值的见解。它超越了表面的数据分析,揭示了有意义的信息,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、Wren AI 支持与各种大型语言模型LLMs 集成,包括但不限于:

  • OpenAI Models

  • Azure OpenAI Models

  • DeepSeek Models

  • Google AI Studio – Gemini Models

  • Vertex AI Models (Gemini + Anthropic)

  • Bedrock Models

  • Anthropic API Models

  • Groq Models

  • Ollama Models

  • Databricks Models

      3、GenBI 功能为用户提供 AI 生成的摘要,这些摘要与 SQL 查询一起提供关键见解,从而简化复杂数据。立即将查询结果转换为 AI 生成的报告、图表,将原始数据转换为清晰、可操作的视觉对象。借助 GenBI,您可以轻松做出更快、更明智的决策。

      4、Wren AI 实施了语义引擎架构来提供您的业务LLM上下文;您可以轻松地在数据架构上建立逻辑表示层,以帮助LLM了解有关您的业务上下文的更多信息。

       5、除了从数据库中检索数据之外,Wren AI 现在还可以回答探索性问题,例如“我拥有哪些数据”或“我的客户表中有哪些列?此外,我们的 AI 会根据您的情况动态生成推荐问题和智能后续查询,使数据探索更智能、更快速、更直观。让您的团队能够使用 AI 轻松获得更深入的洞察。

      6、借助 Wren AI,您可以使用“建模定义语言”处理元数据、架构、术语、数据关系以及计算和聚合背后的逻辑,从而减少重复编码并简化数据联接。

       7、在 Wren AI 中开始新对话时,您的问题将用于查找最相关的表。从这些中,LLM为用户生成最相关的问题。您还可以提出后续问题以获得更深入的见解。

       8、Wren AI 提供无缝的端到端工作流程,使您能够轻松地将数据与 Excel 和 Google 表格等流行的分析工具连接起来。这样,您的见解仍然可以访问,从而可以使用您最熟悉的工具进行进一步分析。

三、安装条件

1. 在本地计算机上安装 Docker Desktop。请确保 Docker Desktop 的版本至少为 >= 4.17。

2. 准备 OpenAI API 密钥,请确保您的 Open API 密钥具有 Full Permission(All)

3.解压缩文件,您将看到一个名为 wren-launcher-windows.exe以管理员身份运行,选择您要选择的LLM提供商。如果是 OpenAI,请进入下一步;否则,请阅读此处的文档以设置自定义LLM提供程序。

输入您的 OpenAI API 密钥,然后选择要在 Wren AI 中使用的 OpenAI 生成模型。我们现在支持以下模型:输入您的 OpenAI API 密钥,然后选择要在 Wren AI 中使用的 OpenAI 生成模型。我们现在支持以下模型:

  • GPT-4o-mini 
  • GPT-4o Mini
  • GPT-40 Robot

等待安装完成,安装将自动运行。该程序将为您设置 docker 容器,并在安装后在浏览器中为您打开应用程序 URL。如果启动程序没有为您打开 URL,请转到 localhost:3000 以开始使用 Wren AI.

夸克网盘分享

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/11675.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

41. 缺失的第一个正数

参考题解:https://leetcode.cn/problems/first-missing-positive/solutions/7703/tong-pai-xu-python-dai-ma-by-liweiwei1419 难点在于时间复杂度控制在O(n),空间复杂度为常数级。 哈希表时间复杂度符合,但是空间复杂度为O(n) 排序空间复杂…

深入核心:一步步手撕Tomcat搭建自己的Web服务器

介绍: servlet:处理 http 请求 tomcat:服务器 Servlet servlet 接口: 定义 Servlet 声明周期初始化:init服务:service销毁:destory 继承链: Tomcat Tomcat 和 servlet 原理&#x…

final-关键字

一、final修饰的类不能被继承 当final修饰一个类时,表明这个类不能被其他类继承。例如,在 Java 中,String类就是被final修饰的,这保证了String类的不可变性和安全性,防止其他类通过继承来改变String类的行为。 final…

51单片机 01 LED

一、点亮一个LED 在STC-ISP中单片机型号选择 STC89C52RC/LE52RC;如果没有找到hex文件(在objects文件夹下),在keil中options for target-output- 勾选 create hex file。 如果要修改编程 :重新编译-下载/编程-单片机重…

知识库建设与知识管理实践对企业发展的助推作用探索

内容概要 在当今瞬息万变的商业环境中,知识库建设与知识管理实践日益成为企业发展的重要驱动力。知识库作为组织内信息和知识的集成,起着信息存储、整理和共享的关键作用。通过有效的知识库建设,企业不仅能够提升员工获取信息的便利性&#…

【Pytorch和Keras】使用transformer库进行图像分类

目录 一、环境准备二、基于Pytorch的预训练模型1、准备数据集2、加载预训练模型3、 使用pytorch进行模型构建 三、基于keras的预训练模型四、模型测试五、参考 现在大多数的模型都会上传到huggface平台进行统一的管理,transformer库能关联到huggface中对应的模型&am…

如何使用 DeepSeek 和 Dexscreener 构建免费的 AI 加密交易机器人?

我使用DeepSeek AI和Dexscreener API构建的一个简单的 AI 加密交易机器人实现了这一目标。在本文中,我将逐步指导您如何构建像我一样的机器人。 DeepSeek 最近发布了R1,这是一种先进的 AI 模型。您可以将其视为 ChatGPT 的免费开源版本,但增加…

ArkTS渲染控制

文章目录 if/else:条件渲染ArkUI通过自定义组件的build()函数和@Builder装饰器中的声明式UI描述语句构建相应的UI。在声明式描述语句中开发者除了使用系统组件外,还可以使用渲染控制语句来辅助UI的构建,这些渲染控制语句包括控制组件是否显示的条件渲染语句,基于数组数据快…

potplayer字幕

看视频学习,实时字幕可以快速过滤水字数阶段,提高效率,但是容易错过一些信息。下面就是解决这一问题。 工具ptoplayer 一.生成字幕 打开学习视频,右键点击视频画面,点选字幕。勾选显示字幕。点选创建有声字幕&#…

deepseek的两种本地使用方式

总结来说 ollama是命令行 GPT4ALL桌面程序。 然后ollamaAnythingLLM可以达到桌面或web的两种接入方式。 一. ollama和deepseek-r1-1.5b和AnythingLLM 本文介绍一个桌面版的deepseek的本地部署过程,其中ollama可以部署在远程。 1. https://www.cnblogs.com/janeysj/p…

海外问卷调查渠道查,如何影响企业的运营

我们注意到,随着信息资源和传播的变化,海外问卷调查渠道查已发生了深刻的变化。几年前,市场调研是业内专家们的事,即使是第二手资料也需要专业人士来完成;但如今的因特网和许许多多的信息数据库,使每个人都…

TensorFlow简单的线性回归任务

如何使用 TensorFlow 和 Keras 创建、训练并进行预测 1. 数据准备与预处理 2. 构建模型 3. 编译模型 4. 训练模型 5. 评估模型 6. 模型应用与预测 7. 保存与加载模型 8.完整代码 1. 数据准备与预处理 我们将使用一个简单的线性回归问题,其中输入特征 x 和标…

当卷积神经网络遇上AI编译器:TVM自动调优深度解析

从铜线到指令:硬件如何"消化"卷积 在深度学习的世界里,卷积层就像人体中的毛细血管——数量庞大且至关重要。但鲜有人知,一个简单的3x3卷积在CPU上的执行路径,堪比北京地铁线路图般复杂。 卷积的数学本质 对于输入张…

MySQL(高级特性篇) 13 章——事务基础知识

一、数据库事务概述 事务是数据库区别于文件系统的重要特性之一 (1)存储引擎支持情况 SHOW ENGINES命令来查看当前MySQL支持的存储引擎都有哪些,以及这些存储引擎是否支持事务能看出在MySQL中,只有InnoDB是支持事务的 &#x…

影视文件大数据高速分发方案

在当今的数字时代,影视行业的内容创作和传播方式经历了翻天覆地的变化。随着4K、8K高清视频的普及,以及虚拟现实(VR)和增强现实(AR)技术的发展,影视文件的数据量正以前所未有的速度增长。这就要求行业内的参与者必须拥有高效的大数据传输解决…

C语言教程——文件处理(2)

目录 前言 一、顺序读写函数(续) 1.1fprintf 1.2fscanf 1.3fwrite 1.4fread 二、流和标准流 2.1流 2.2标准流 2.3示例 三、sscanf和sprintf 3.1sprintf 3.2sscanf 四、文件的随机读写 4.1fseek 4.2ftell 4.3rewind 五、文件读取结束的…

建表注意事项(2):表约束,主键自增,序列[oracle]

没有明确写明数据库时,默认基于oracle 约束的分类 用于确保数据的完整性和一致性。约束可以分为 表级约束 和 列级约束,区别在于定义的位置和作用范围 复合主键约束: 主键约束中有2个或以上的字段 复合主键的列顺序会影响索引的使用,需谨慎设计 添加…

线性回归的损失和优化02

线性回归的损失和优化 学习目标 知道线性回归中损失函数知道使用正规方程对损失函数优化的过程知道使用梯度下降法对损失函数优化的过程 假设刚才的房子例子,真实的数据之间存在这样的关系: 真实关系: 真实房子价格 0.02中心区域的距离 0.…

年化18%-39.3%的策略集 | backtrader通过xtquant连接qmt实战

原创内容第785篇,专注量化投资、个人成长与财富自由。 大年初五,年很快就过完了。 其实就是本身也只是休假一周,但是我们赋予了它太多意义。 周五咱们发布发aitrader v4.1,带了backtraderctp期货的实盘接口: aitra…

【数据结构】_链表经典算法OJ(力扣/牛客第二弹)

目录 1. 题目1:返回倒数第k个节点 1.1 题目链接及描述 1.2 解题思路 1.3 程序 2. 题目2:链表的回文结构 2.1 题目链接及描述 2.2 解题思路 2.3 程序 1. 题目1:返回倒数第k个节点 1.1 题目链接及描述 题目链接: 面试题 …