Vanna 2.0 · AI 工具图鉴

📌 核心价值：Vanna 2.0 让业务人员用自然语言直接问数据库，AI 自动生成 SQL、跑查询、画图表，平均查询时间从 30 分钟降到 30 秒。

在企业里，"问个数"这件事往往要排队等数据团队。Vanna 2.0 用 Agentic RAG 把"业务问题 → SQL → 可视化"全链路打通，23,600+ Star、2,400+ Fork，已经在多家 500 强生产环境落地。

封面图

License

🚀 什么是 Vanna 2.0？

Vanna 2.0 是由 vanna-ai 开源的 Text-to-SQL AI Agent 框架，GitHub 已收获 23,602 Star / 2,423 Fork / 151 Watcher，MIT 协议完全免费。它做的事情用一句话概括：让业务人员用自然语言直接和数据库对话。

你不需要懂 SQL，不需要等数据团队排期，问一句"上个季度华东区订单总额是多少？"，Vanna 2.0 会自动：

理解业务问题（结合数据库 Schema、术语表、历史 SQL）
检索相似问答（Agentic RAG 找到最相关的训练样本）
生成 SQL（调用 LLM 写出可执行的查询语句）
执行 + 校验（自动跑库、检权限、防 SQL 注入）
返回结果（流式返回表格 + 图表 + 自然语言总结）

核心定位：不是又一个"AI 写 SQL"的玩具，而是企业级生产可用的 Text-to-SQL 平台。

Vanna 2.0 相比 1.0 有什么升级？

Vanna 2.0 架构

维度	Vanna 1.0	Vanna 2.0
架构	单 Agent 一次性输出	Agentic Loop（检索 → 生成 → 校验 → 重试）
安全	无权限隔离	用户级 Row-level Security（行级权限自动注入）
界面	命令行/Jupyter	预构建 `<vanna-chat>` Web 组件（暗色主题、移动端）
输出	一次性 SQL	流式表格 + Plotly 图表 + 文字总结
部署	本地脚本	FastAPI 集成 + 审计日志 + 速率限制 + 生命周期 Hook
兼容性	仅 OpenAI	OpenAI / Anthropic / Ollama / Azure / Gemini / Bedrock 全家桶

✨ 核心功能一览

1. Agentic RAG 检索（解决 LLM 幻觉）

Agent Loop 对比

传统 Text-to-SQL 工具的痛点：直接让 LLM 凭 Schema 写 SQL，结果经常跑不通（表名错、字段对不上、JOIN 漏条件）。

Vanna 2.0 引入 Agentic Retrieval：每次提问时先在向量库里检索相似的历史问答、DDL 片段、文档说明，再把检索结果作为上下文喂给 LLM。实测准确率从 60% 提升到 85%+。

2. 用户级安全（企业落地关键）

身份优先架构

这是 Vanna 2.0 最大的差异化能力——身份信息贯穿系统提示、工具调用、SQL 过滤三层。

行级权限：每个用户问"我的订单"时，SQL 自动追加 WHERE user_id = current_user
审计日志：所有查询按用户记录，满足金融/医疗合规要求
速率限制：每个用户独立配额，防止恶意刷库

3. 预构建 Web 组件（`<vanna-chat>`）

不需要自己写前端！一行 HTML 就能嵌入：

<script src="https://img.vanna.ai/vanna-components.js"></script>
<vanna-chat
  sse-endpoint="https://your-api.com/chat"
  theme="dark">
</vanna-chat>

流式表格（不需要等查询跑完才出结果）
Plotly 图表自动渲染
暗色/亮色主题切换
移动端响应式

4. 万能兼容（不锁定供应商）

LLM 端：

OpenAI（GPT-4o / o1）
Anthropic（Claude 3.5/3.7）
Ollama（本地 qwen2.5 / llama3.2）
Azure OpenAI / Google Gemini / AWS Bedrock / Mistral

数据库端：

PostgreSQL / MySQL / SQLite
Snowflake / BigQuery / Redshift
Oracle / SQL Server / ClickHouse
DuckDB（嵌入式分析）

🛠️ 5 分钟快速上手

安装

pip install 'vanna[all]'

# 或者最小安装
pip install vanna

最简示例（30 秒跑通）

import vanna as vn

# 配置 LLM（支持任意模型）
vn.configure_llm(
    api_key="sk-...",
    model="gpt-4o"
)

# 配置数据库
vn.connect_to_sqlite("https://vanna.ai/Chinook.sqlite")

# 训练（喂 DDL + 文档 + 问答对）
vn.train(ddl="""
    CREATE TABLE Artist (
        ArtistId INTEGER PRIMARY KEY,
        Name NVARCHAR(120)
    );
""")

# 自然语言提问
vn.ask("前 10 名最受欢迎的艺术家的专辑数量是多少？")

输出效果：

数据可视化示例

返回结果包含三部分：① SQL 代码块 ② 交互式数据表 ③ Plotly 柱状图。

进阶：使用本地 Ollama（完全离线）

from vanna.ollama import Ollama
from vanna.chromadb import ChromaDB_VectorStore

class MyVanna(ChromaDB_VectorStore, Ollama):
    def __init__(self):
        ChromaDB_VectorStore.__init__(self)
        Ollama.__init__(self, model="qwen2.5:7b")

vn = MyVanna()
vn.connect_to_postgres(
    host="localhost",
    dbname="mydb",
    user="readonly",
    password="xxx"
)
vn.train(question="上个月销量", sql="SELECT SUM(amount) FROM orders WHERE ...")
result = vn.ask("上个月销量")

注意：本地模型准确率比 GPT-4 低 10-15%，生产环境建议用 GPT-4o / Claude 3.5，本地 Ollama 适合开发调试。

📊 与竞品对比

维度	Vanna 2.0	WrenAI	SQLBot	LangChain SQL Agent
架构	Agentic RAG	RAG + CoT	规则模板	Tool-calling Agent
准确率	85%+	75%	60%	50-70%
Web UI	✅ 预构建组件	✅ 自带界面	⚠️ 简单	❌ 无
行级权限	✅ 内置	⚠️ 需定制	❌ 无	❌ 无
审计日志	✅ 内置	⚠️ 需定制	❌ 无	❌ 无
本地 LLM	✅ Ollama	✅ Ollama	❌ 仅云端	✅ 任意
多数据库	✅ 12+ 种	✅ 8+ 种	⚠️ 3 种	✅ 任意
流式输出	✅ SSE	❌ 一次性	❌ 一次性	⚠️ 需自实现
学习曲线	中	中	低	高
Star 数	23.6k	1.2k	1.5k	95k+

总结：

想 快速跑通 PoC → SQLBot（但功能有限）
想 企业级生产部署 → Vanna 2.0（行级权限 + 审计 + 预构建 UI）
想 自建 Agent 链 → LangChain SQL Agent（灵活但工作量大）
想 纯本地 + 中文友好 → WrenAI

💡 适用场景

场景 1：业务自助分析（解放数据团队）

Problem Solution

痛点：销售总监要"上周华东区 Top 10 客户"的数据，要提需求 → 等排期 → 数据工程师写 SQL → BI 出报表，周期 1-3 天。

Vanna 2.0 解法：

数据团队提前训练 Vanna（喂表结构、术语、业务规则）
销售总监登录 Web 界面 → 直接打字提问
30 秒内得到 SQL + 表格 + 图表

实际效果：某 SaaS 公司部署后，数据团队的临时取数工单减少 70%。

场景 2：客户成功团队（高安全等级）

痛点：CSM 需要查"我负责的客户的健康分"，但不能看其他 CSM 的客户——传统 SQL Agent 写出的 SQL 不带权限过滤，存在数据泄露风险。

Vanna 2.0 解法：

# 配置时注入用户身份
vn.set_user_context(
    user_id="csm_001",
    role="customer_success",
    permissions={"region": "APAC", "tier": ["gold", "platinum"]}
)

# 业务人员问"上个月流失风险高的客户"
# Vanna 自动追加 WHERE region='APAC' AND tier IN ('gold','platinum')

权限在 SQL 生成阶段就注入，绕过 LLM 直接拼接的风险。

场景 3：金融/医疗合规（审计 + 限流）

需求：所有查询必须按用户记录日志，敏感表查询必须经审批，单个用户每分钟最多 10 次查询。

Vanna 2.0 配置：

from vanna.lifecycle import LifecycleHook

class ComplianceHook(LifecycleHook):
    async def before_query(self, user, sql):
        if "pii_" in sql or "patient_" in sql:
            await self.request_approval(user, sql)
    
    async def after_query(self, user, sql, result):
        await self.audit_log.write(
            user_id=user.id, sql=sql, 
            rows=len(result), timestamp=now()
        )

vn.register_hook(ComplianceHook())

用户群体总结

✅ 业务分析师：不再排队等数据团队，30 秒自助取数
✅ 数据工程师：从"写 SQL 工单"解放出来，专注建模和训练 Vanna
✅ CSM / 销售：带权限隔离的客户查询工具
✅ 金融/医疗：审计 + 限流 + 行级权限，满足合规
❌ 不适合：需要秒级响应的 OLTP 场景（Vanna 走 LLM 推理，延迟 2-10 秒）

🎯 总结

Vanna 2.0 不是又一个"AI 写 SQL"的玩具，而是把 Agentic RAG + 企业级安全 + 预构建 UI 三件事打包好的 Text-to-SQL 平台。

23,600+ Star、2,400+ Fork、12+ 数据库、6+ LLM、MIT 开源、预构建 Web 组件、内置行级权限和审计日志——这些组合在一起，让 Vanna 2.0 成为 2025-2026 年企业 Text-to-SQL 场景的事实标准之一。

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群：

想让业务团队自助取数的 Data Leader
需要带权限隔离的企业 IT 团队
想用本地 LLM 跑 SQL 转换的隐私敏感行业

立即体验：

📖 官方文档：https://vanna.ai/docs/
🐙 GitHub：https://github.com/vanna-ai/vanna
🎬 视频演示：https://vanna.ai/

开源协议： MIT

数据截至 2026-06-14，Vanna 2.0 已发布生产版本。最新信息请以 GitHub 仓库为准。

配套媒体