核心价值：GitHub 23k+ Stars 的开源 Text-to-SQL 框架，RAG + Agentic 检索让准确率突破 85%

还在为业务方反复问"上季度华东区 GMV 多少"而手写 SQL？Vanna 让你用自然语言直接对话数据库，训练一次永久复用。

Vanna 是一个 Python 框架，让你用自然语言和 SQL 数据库对话。它使用 RAG（检索增强生成）+ LLM 训练，自动将你的问题转换为准确的 SQL 查询。Vanna-AI 在 GitHub 上斩获 23,606 颗星，被 2,425 个项目 fork，是 Text-to-SQL 领域事实上的开源标准。

核心定位：基于 RAG 的 Agentic 检索 + LLM 无关设计，30+ 模型无缝切换，BIRD 榜准确率领先 30 个百分点

✨ 核心功能一览

️ 快速上手：5 分钟跑通示例

安装

# 基础安装
pip install vanna

# 推荐组合（OpenAI + ChromaDB 向量库）
pip install vanna[openai,chromadb]

核心代码示例

import vanna as vn

# 1. 配置 LLM（支持 OpenAI / Anthropic / Ollama / DeepSeek 等）
vn.set_model("gpt-4o")

# 2. 配置向量数据库（用于 RAG 检索）
vn.set_vector_db("chromadb")

# 3. 连接你的数据库
vn.connect_to_postgres(
    host="localhost",
    dbname="sales",
    user="readonly",
    password="xxx",
    port="5432"
)

# 4. 用 DDL、文档、历史 SQL 训练 Vanna
vn.train(ddl="""
    CREATE TABLE orders (
        id INT,
        region TEXT,
        amount DECIMAL,
        created_at TIMESTAMP
    );
""")

vn.train(documentation="订单表 orders 中 region 取值为 'east'/'south'/'north'/'west'")

vn.train(question="上季度华东区 GMV", sql="""
    SELECT SUM(amount) FROM orders
    WHERE region = 'east'
      AND created_at >= DATE_TRUNC('quarter', NOW() - INTERVAL '3 months')
      AND created_at <  DATE_TRUNC('quarter', NOW());
""")

# 5. 用自然语言提问
result = vn.ask("上季度华东区 GMV 多少？")
print(result)

关键：训练数据 = DDL + 业务文档 + 历史 SQL 三件套，缺一不可。Vanna 会将它们向量化存储，提问时自动检索最相关的上下文给 LLM

与竞品对比

适用场景

场景 1：业务团队的"自助分析"助手

功能说明：销售、运营、市场团队不再依赖数据分析师，Vanna 直接对接他们的数据需求。

输入要求：数据库的 DDL（建表语句）、业务术语词典、历史 SQL 范例

输出效果：自然语言问题 → 自动生成可执行 SQL → 返回结构化结果

适用场景：

• • 销售总监问"上季度华东区 GMV"
• • 运营问"近 7 日 DAU 趋势"
• • 市场问"双 11 期间 ROI 最高的 3 个渠道"

场景 2：企业级 BI 的 AI 加持

功能说明：在 Tableau / PowerBI / Metabase 等传统 BI 工具中集成 Vanna，让分析师用自然语言快速生成 Ad-hoc 查询。

输入要求：连接生产只读账号，配合权限控制避免越权

输出效果：BI 仪表盘 + 自然语言"问数"双通道

适用场景：

• • 金融行业的合规查询（只读 + 审计日志）
• • 电商大促的实时决策支持
• • 跨部门数据共享（统一 SQL 知识库）

场景 3：SaaS 产品的"AI 查数"功能

功能说明：把 Vanna 集成到你的 SaaS 产品里，让客户用自己的业务语言查询数据，无需懂 SQL。

输入要求：每个客户独立训练（隔离向量库），敏感列通过元数据标记过滤

输出效果：客户输入"本月新签客户数" → 获得图表 + 原始 SQL

适用场景：

• • CRM 系统的客户洞察
• • ERP 系统的财务分析
• • HR SaaS 的人力分析

用户群体总结

• • ✅ 业务团队：从"提需求 → 等排期"到"实时自助分析"
• • ✅ 数据分析师：从"重复写 SQL"到"专注复杂建模"
• • ✅ 企业 IT 部门：统一的 SQL 知识库，新人快速上手
• • ❌ 不适合：OLAP 海量数据（Vanna 主要做轻量级查询）、需要亚秒级响应的实时大屏

定价方案

完全开源、免费商用：

• • ✅ 个人使用：免费
• • ✅ 企业内部部署：免费（MIT 协议）
• • ✅ SaaS 集成：免费（保留署名即可）
• • ✅ 二次开发：免费（修改源码不需要授权）

唯一成本：调用 LLM 的 API 费用（GPT-4o 每千次问题约 $1-3）

省钱技巧：用 Ollama + 本地 Llama 3.1 70B，零 API 成本；用 GPT-4o-mini 准确率仍可达 80%

开源协议： MIT

总结

Vanna 用 RAG + Agentic 检索 重新定义了 Text-to-SQL：不再"凭 LLM 临场发挥"，而是"训练一次、永久复用、越用越准"。无论你是想解放业务团队、加速分析师工作流，还是给 SaaS 产品加 AI 能力，Vanna 都是 GitHub 上最成熟的开源方案。

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群： 数据团队、SaaS 开发者、企业 IT 部门、AI 应用集成商

立即体验： Vanna 官方文档

GitHub 仓库： Vanna-AI/Vanna

数据截至 2026-06-15，最新信息请以官网为准。