> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# WrenAI：AI代理的语义引擎
- URL: https://www.hubwiz.com/blog/wrenai-semantic-engine-for-ai-agents/
- Published: 2025-04-04T09:07:21.000Z
- Updated: 2025-04-04T09:07:21.000Z
- Description: 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。
- Author: admin
- Tags: LIBRARY, WRENAI, SEMANTIC ENGINE, #Import 2026-10-14 14:41

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。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-56.png)

截至2025年3月，在[https://mcp.so/](https://mcp.so/?ref=hubwiz.com)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。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-57.png)

来自[MCP官方网站](https://modelcontextprotocol.io/introduction?ref=hubwiz.com)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。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-58.png)

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。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-59.png)

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](https://github.com/Canner/wren-engine?ref=hubwiz.com)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。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-60.png)

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](https://github.com/Canner/wren-engine?ref=hubwiz.com)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：

![](https://www.hubwiz.com/blog/content/images/2025/04/image-61.png)

> 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。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-62.png)

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](https://github.com/Canner/wren-engine?ref=hubwiz.com) 完全开源！

通过访问🔗[我们的GitHub存储库](https://github.com/Canner/wren-engine?ref=hubwiz.com)，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](https://medium.com/wrenai/fueling-the-next-wave-of-ai-agents-building-the-foundation-for-future-mcp-clients-and-enterprise-332deada733e?ref=hubwiz.com)

汇智网翻译整理 ，转载请标明出处