WrenAI:AI代理的语义引擎

当前一代AI助手在语言方面表现出色——但在理解你的业务方面却表现不佳。如果没有一个定义数据如何关联、指标意味着什么以及如何进行一致聚合的语义层,AI只能猜测。

WrenAI:AI代理的语义引擎

在人工智能快速发展的世界中,新的标准和技术不断涌现。然而,很少有像 模型上下文协议(MCP)这样引发如此多兴奋和草根创新的标准。MCP被设计为一种开放标准,用于连接大型语言模型(LLMs)与工具、数据库和其他系统,它正在成为AI代理时代的一个基础支柱。尽管每天都有许多令人印象深刻的MCP演示和创新应用出现,但我们很少看到企业在日常工作中采用这些工具。

为了让MCP充分发挥其潜力——特别是在企业环境中——它必须超越网络自动化或本地文件交互。没有正确的数据,MCP在企业用例中仍然非常有限。一旦我们解决了这个关键挑战,我们认为我们将开始看到AI采用的爆炸性增长。在Wren AI,我们认为让AI能够查询正确数据并具有完整的业务背景是至关重要的——而这正是Wren Engine发挥作用的地方。

1、MCP的兴起:社区中的创新

模型上下文协议是一个标准化的开放框架,允许AI模型以一致、安全且可扩展的方式与外部服务通信。它定义了一种通用语言来传递上下文,使得不同的工具和服务能够与AI代理互操作,而无需每次重新发明轮子。

在短短几个月内,成千上万台MCP服务器已经在社区中开发和共享。这些服务器使AI系统能够通过自然语言提示与本地应用程序、web服务、云存储和API进行交互。互联网上有大量优秀的材料展示了各种MCP演示和实现。

截至2025年3月,在https://mcp.so/上有大约4405个MCP服务器

MCP基于一个简单但强大的客户端-服务器模型。MCP客户端通常是发起请求的AI助手或LLM接口,例如提问、生成内容或执行任务。MCP服务器是响应者,通过连接到特定工具或数据源并返回结构化结果来执行该请求。

将MCP视为AI应用程序的USB-C端口。就像USB-C提供了一种标准化的方式连接设备到广泛的外围设备和配件一样,MCP提供了标准化的方式将AI模型连接到各种工具、数据库和外部服务。这种标准化允许模块化和可扩展的AI工作流跨越不同的环境和技术堆栈。

来自MCP官方网站的一般架构图

2、当前MCP用例的一瞥

  • AI个人助理:想象一下通过自然语言查询你的日历、浏览本地文件或更新笔记——这一切都变得无缝。
  • 代码库管理:开发人员已经构建了与GitHub集成的MCP,使AI能够自主浏览代码库、评论代码并提出修复建议。
  • Web自动化代理:由MCP驱动的代理现在可以自动执行重复性的web任务,如检查价格、预订会议或抓取报告。

这些都是AI代理可能实现的令人印象深刻的功能演示。但大多数解决方案仍集中在个别工作流上——运行在本地机器上,处理个人数据,或在孤立环境中自动化任务。

3、企业差距:当数据更重要时

在企业层面,风险和复杂性都要高得多。企业依赖存储在云仓库、关系型数据库和安全文件系统中的结构化数据运行。从BI仪表板到CRM更新和合规工作流,AI不仅需要执行命令,还需要准确地理解和检索正确的数据,并在上下文中进行

虽然许多社区和官方MCP服务器已经支持连接到主要数据库,如PostgreSQL、MySQL、SQL Server等,但有一个问题:原始数据访问还不够

企业需要:

  • 准确的语义理解其数据模型
  • 可信的计算和聚合在报告中
  • 对业务术语的清晰度,如“活跃客户”、“净收入”或“流失率”
  • 基于用户权限和访问控制

仅靠自然语言不足以驱动复杂的跨企业数据系统的流程。你需要一个层来解释意图,将其映射到正确的数据,准确地应用计算,并确保安全性。

今天的MCP服务器连接到数据库

这就是为什么大多数当前的MCP数据库集成存在不足之处。

4、为什么语义层是缺失的关键环节

当前一代AI助手在语言方面表现出色——但在理解你的业务方面却表现不佳。如果没有一个定义数据如何关联、指标意味着什么以及如何进行一致聚合的语义层,AI只能猜测。

例如,当用户问:“我们在EMEA地区第四季度的新客户的收入是多少?”系统必须:

  • 知道“收入”在业务背景下的含义
  • 应用正确的日期过滤器
  • 正确地连接客户和销售数据
  • 认识到“新客户”作为一个派生属性

要准确且一致地跨团队完成这些任务是不可能的,除非有一个语义基础。这就是我们构建Wren Engine的原因。

5、Wren Engine:AI代理的语义引擎

Wren Engine是一个开源语义引擎,为AI驱动的数据访问提供语义层。这个强大的引擎旨在使数百甚至数千个未来的MCP客户端能够无缝且准确地从其数据库中检索正确的数据。 通过直接将语义层构建到MCP客户端(如Claude、Cline、Cursor等)中,Wren Engine赋予AI代理精确的业务背景,并确保在不同企业环境中准确的数据交互。

带有Wren Engine的MCP生态系统未来

Wren Engine的主要功能:

1. 语义建模
Wren Engine使您能够以结构化的图形格式定义您的业务逻辑、关系、指标和KPI。这种语义模型将您的自然语言请求精确地映射到正确的数据。

2. 实时SQL重写
利用元数据和用户上下文,Wren Engine实时重写AI生成的SQL——应用必要的联接、过滤器、计算和访问控制。

3. 业务背景意识
与其依赖脆弱的提示工程,Wren Engine为AI代理提供了一个强大的层来理解您的业务:“净收入”意味着什么,“客户群体”是如何定义的,哪些段适用于哪个团队。

4. 对主要数据库的原生支持
无论您使用的是PostgreSQL、MySQL、Snowflake还是Microsoft SQL Server,Wren Engine都能轻松集成并保持高性能。

5. 基于角色的安全性
它根据用户角色处理身份验证和数据可见性,因此查询符合企业级治理要求。

6、推动企业采用:从LLM游乐场到AI驱动的BI

随着AI在企业中的采用加速,团队正在尝试将LLMs应用于各种工作流——从销售支持到运营。然而,许多这些实验在AI无法回答基本问题时停滞不前:

  • “上个月各地区的MRR是多少?”
  • “过去60天内哪些客户流失了?”
  • “显示本季度转化成交易的营销线索。”

这不是因为AI不能生成SQL。而是因为在没有语义层的情况下,它不知道要查询什么。这限制了它的价值创造能力。

通过部署由Wren Engine驱动的MCP服务器,企业可以:

  • 让团队以自然语言提出业务问题* 即可生成可信且可解释的见解
  • 在数据定义和仪表板之间保持一致性
  • 安全地在各部门扩展AI使用

这就是我们如何从个别的概念验证迈向企业级生产力

7、无限可能性和想象力

为了更好地理解影响,让我们看看Wren Engine如何通过连接各种强大的MCP客户端,在现实世界的企业工作流中解锁价值:

Preplexity + Wren Engine:智能知识检索

任务: 分析师需要一个可靠的答案,并以公司数据和外部资源为依据。

使用Wren Engine: Preplexity MCP根据内部知识库和通过Wren Engine连接的数据库检索答案——确保见解准确且基于公司背景。

HubSpot + Wren Engine:智能CRM更新

任务: 营销运营经理希望在CRM中查找并更新潜在客户。

使用Wren Engine: 提问“更新上一次活动无互动的潜在客户的生命周期阶段”——HubSpot MCP提取CRM记录,而Wren Engine则为过滤器和更新提供逻辑支持。

Zapier + Wren Engine:工作流自动化

任务: 每次销售交易关闭时自动生成报告摘要。

使用Wren Engine: Zapier MCP触发管道,而Wren Engine查询语义数据模型,基于上下文指标生成交易摘要。

Google Docs + Wren Engine:AI驱动的文档搜索

任务: 法律团队成员需要找到本季度到期的合同。

使用Wren Engine: Google Docs MCP访问文档存储,而Wren Engine基于元数据和内容的语义理解识别相关文件。

8、构建AI的语义未来

我们正进入一个生成式AI的新时代,语言是界面——但数据是燃料。为了让AI在企业中兑现承诺,它必须流畅、安全、准确地使用业务数据的语言。

MCP客户端连接任何数据库的界面

在Wren AI,我们认为最强大的AI系统不仅会生成文字——还会生成真相。这意味着确保每个图表、指标和见解都根植于语义准确性

通过结合MCP的可扩展性和Wren Engine的语义智能,我们正在为企业使用AI与数据交互创建一个新的标准。

MCP是当今开放AI生态系统中最令人兴奋的发展之一。它赋予社区快速构建集成的能力,使LLMs更实用、更强大、更具动态性。

但要实现企业采用的真正起飞,我们必须解决数据上下文的难题——确保AI不仅自信地说出话来,而且说的都是正确的

这就是Wren Engine的使命。

如果你正在构建MCP驱动的代理或探索生成式BI如何改变你的公司,请与我们联系。你的数据已经包含了答案——Wren Engine只是帮助你的AI找到它们。

Wren Engine 完全开源!

通过访问🔗我们的GitHub存储库,许可证为Apache 2.0,亲自探索Wren Engine的功能。

通过将你的MCP客户端连接到Wren Engine并见证语义数据访问的魔力,亲身体验吧。Wren Engine MCP服务器仍处于早期阶段,我们正在积极改进它。我们诚挚邀请你加入我们的社区,帮助加速MCP的未来。


原文链接:Fueling the Next Wave of AI Agents: Building the Foundation for Future MCP Clients and Enterprise Data Access

汇智网翻译整理 ,转载请标明出处