Vanna: Your AI Business Intelligence Assistant
Vanna AI · Coding
Vanna ist ein Open-Source-SQL-Agent, der Fragen in Alltagssprache in SQL-Abfragen, Diagramme und kurze Antworten umsetzt. Er läuft mit jedem Sprachmodell und jeder Datenbank.
Über Vanna: Your AI Business Intelligence Assistant
About
Was ist Vanna
Vanna ist ein Python-Framework mit einem gehosteten Dienst. Sie stellen eine Frage in normaler Sprache und bekommen in einer Antwort die Abfrage, eine Tabelle, ein Diagramm und eine kurze Zusammenfassung zurück. Das Projekt startete 2023 als Text-to-SQL-Bibliothek, die mit Kontextsuche arbeitet, und hat auf GitHub die Marke von 20.000 Sternen überschritten. Version 2.0 erschien im November 2025 und wurde vollständig als Agenten-Framework neu gebaut, mit Rechteprüfung, Streaming-Antworten und einer Chat-Oberfläche, die sich in eine bestehende Website einfügen lässt.
Das Problem dahinter ist die Wartezeit. Jemand aus dem Marketing möchte die Kündigungsrate des letzten Quartals nach Tarif aufgeschlüsselt haben, das Datenteam steckt in Arbeit, und die Anfrage liegt drei Tage im Ticketsystem. Vanna gibt dieser Person ein Chatfeld, das direkt am Data Warehouse hängt. Der Agent beantwortet, was er kann, zeigt die ausgeführte Abfrage, und ein Administrator kann die Logik prüfen.
Zwei Grenzen sollte man vor der Entscheidung kennen. Vanna ist ein Entwicklerprodukt: installieren, Datenbanktreiber einrichten, ein Modell wählen und festlegen, wie Benutzer erkannt werden. Einen Baukasten per Drag and Drop gibt es nicht. Die Qualität des SQL hängt außerdem davon ab, was der Agent gelernt hat, deshalb braucht ein frischer Aufbau auf einem großen Schema Begleitung. Rechnen Sie mit einer Woche Arbeit, nicht mit einem Nachmittag.
Erste Schritte
- Legen Sie eine virtuelle Umgebung an und installieren Sie das Paket mit den nötigen Zusatzmodulen, etwa
pip install 'vanna[anthropic,fastapi]'. Python 3.9 oder neuer ist Pflicht. - Verbinden Sie eine Datenbank und ein Modell. Vanna bringt Integrationen für PostgreSQL, MySQL, Snowflake, BigQuery, SQLite, Oracle, SQL Server, DuckDB und ClickHouse mit, dazu OpenAI, Anthropic, Gemini, Azure, Bedrock, Mistral und lokale Modelle über Ollama.
- Legen Sie fest, wie Benutzer erkannt werden. Schreiben Sie einen Resolver, der Cookie, JWT oder OAuth-Token aus der Anfrage liest und daraus eine Kennung plus eine Liste von Rechtegruppen macht.
- Registrieren Sie die Werkzeuge, die der Agent aufrufen darf.
RunSqlTooldeckt Abfragen ab, eigene Werkzeuge entstehen durch Erweitern der KlasseTool, zum Beispiel eines, das eine E-Mail verschickt oder eine interne API aufruft. - Setzen Sie den Chat auf eine Seite. Fügen Sie die Komponente
<vanna-chat>ein und richten Sie sie auf den Streaming-Endpunkt Ihres Servers. React, Vue und reines HTML funktionieren gleich. - Prüfen und nachjustieren. Lesen Sie in den ersten Tagen das Audit-Log, korrigieren Sie die Rechtegruppen, und lassen Sie das Agenten-Gedächtnis so viele Frage-SQL-Paare sammeln, bis Routinefragen sitzen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Vanna: Your AI Business Intelligence Assistant.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Daten- und Plattformingenieure
- Produktteams mit nicht technischen Nutzern
- SaaS-Entwickler mit Mehrkunden-Dashboards
- Kleine Datenteams, die einen gehosteten SQL-Agenten möchten
Aufgaben
- Wiederkehrende Geschäftsfragen beantworten
- Ein Dashboard für den Vertrieb bereitstellen
- Kundenabfragen auf einem gemeinsamen Warehouse zulassen
- Ein Abfragefeld in ein internes Tool einbetten
Szenarien
- Wochenzahlen ohne Ticket
- Ein Datenprodukt für externe Kunden bauen
- Ein großes Schema abfragbar halten
Wichtigste Funktionen
Nutzerbezogene Rechte bis in die Abfrage
Jede Anfrage trägt eine Identität vom Anfang bis zum Ende. Der Resolver macht daraus ein Benutzerobjekt mit Gruppen, und die Werkzeuge prüfen diese Gruppen, bevor sie laufen. Ergebnisse werden so gefiltert, dass ein Regionalleiter seine Region sieht und sonst nichts. Wer das nachträglich auf ein Framework für Einzelnutzer setzt, schreibt am Ende doch alles neu.
Agenten-Gedächtnis
Frage-SQL-Paare, die funktioniert haben, werden gespeichert, und die nächste ähnliche Frage holt sie als Beispiel hervor. So steigt die Trefferquote, ohne ein Modell neu zu trainieren oder Prompts umzuschreiben. Der Speicher läuft im Prozess, in ChromaDB oder in Pinecone, je nachdem wie lange er halten soll.
Streaming-Chat mit Tabellen und Diagrammen
Statt einer Textwand schickt der Server erst die Tabelle, dann das Diagramm, dann eine kurze Zusammenfassung, und <vanna-chat> zeichnet jedes Teil beim Eintreffen. Das SQL sehen Administratoren, normale Nutzer nicht. Die Oberfläche bleibt ruhig, ohne zu verbergen, wie die Antwort entstanden ist.
Viele Modelle, viele Datenbanken
Vanna bindet Sie an keiner Seite an einen Anbieter. Von OpenAI zu Anthropic oder einem lokalen Modell über Ollama wechseln Sie durch eine andere Serviceklasse, und das SQL-Werkzeug zeigt auf einen anderen Treiber, wenn es sein muss. Wer schon Snowflake oder BigQuery nutzt, spart den Umzug, weshalb das Werkzeug bei Text-to-SQL im Produktivbetrieb häufig gewählt wird.
Zeilensicherheit und Audit-Log
Die Rechtegruppen reichen bis in die SQL-Schicht, gefiltert wird also in der Abfrage und nicht in der Anzeige. Jede Abfrage wird pro Benutzer protokolliert, das deckt Compliance-Fragen ab und hinterlässt eine Spur, wenn eine Zahl nicht stimmt.
Eigene Werkzeuge und Lifecycle-Hooks
Der Agent kann mehr als SQL ausführen. Sie definieren ein Werkzeug, hängen eine Zugriffsgruppe daran, und der Agent nutzt es. Lifecycle-Hooks umschließen jede Anfrage und kümmern sich um Quoten, Protokollierung und Inhaltsfilter. LLM-Middlewares ergänzen Caching und Kostenkontrolle. Darin liegt der Unterschied zwischen einem SQL-Chatbot und einem echten internen Datenassistenten.
Selbst gehostet oder verwaltet
Das Open-Source-Paket läuft komplett in Ihrer Infrastruktur unter MIT-Lizenz, und außer dem, was Sie an den gewählten Modellanbieter schicken, verlässt nichts Ihr Netz. Wenn Sie keine Server betreiben wollen, bieten Cloud-Tarife und Enterprise-Installationen dasselbe Framework mit Hosting, Support und höheren Limits.
Vor- und Nachteile
Vorteile
- Die MIT-Lizenz erlaubt Forken, Prüfen und Betrieb im eigenen Netz, ohne Kosten pro Arbeitsplatz.
- Der Weg nach oben bleibt offen: Dasselbe Framework trägt Selbsthosting, verwaltete Cloud und Enterprise-Deployment, die Anfangsarbeit ist also nicht verloren.
- Rechte und Audit-Log gehören zum Aufbau, das spart Monate gegenüber einer nachträglich angebauten Zugriffskontrolle auf einer Demo.
- Die Chat-Komponente ist fertig und fügt sich in React, Vue oder reines HTML ein, das Frontend ist damit weitgehend erledigt.
- Die Integrationen für Modelle und Datenbanken decken den üblichen Enterprise-Stack ab, eigene Konnektoren entfallen meist.
Nachteile
- Die Einrichtung ist Entwicklerarbeit: Python, eingerichteter Datenbanktreiber und ein Identitätssystem sind nötig, bevor die erste nützliche Antwort kommt.
- Für Käufer ohne technischen Hintergrund ist es zu schwer. Ein kleines Marketingteam ist mit einem gehosteten BI-Werkzeug samt Chat-Modus besser bedient.
- Die kostenlosen Cloud-Grenzen sind knapp: Explorer erlaubt 20 Fragen am Tag, genug zum Testen und zu wenig für eine Gruppe im Alltag.
- Komplexe Joins und unordentliche Schemata bringen den Agenten weiterhin ins Stolpern. Gute Tabellenbeschreibungen und Beispielabfragen sind Voraussetzung für verlässliche Ergebnisse.
Häufige Fragen
Vanna befragt eine SQL-Datenbank in Alltagssprache. Der Agent erzeugt die Abfrage, führt sie aus und liefert Tabelle, Diagramm und kurze Antwort zurück. Teams nutzen das, damit Kollegen ohne technischen Hintergrund selbst an das Warehouse kommen, ohne SQL-Zugangsdaten zu verteilen.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Vanna: Your AI Business Intelligence Assistant.
Alternativen zu Vanna: Your AI Business Intelligence Assistant
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.