---
# System prepended metadata

title: WrenAI：GenBI 解決方案研究報告

---

# WrenAI：GenBI 解決方案研究報告
*研究日期：2025年4月 | 狀態：完成 ✓*

---

## 目錄
1. [解決方案概述](#一解決方案概述)
2. [採購評估](#二採購評估)
3. [技術架構](#三技術架構)
4. [商業面分析](#四商業面分析)
5. [SAP ERP 整合可行性](#五sap-erp-整合可行性)
6. [競品比較表](#六競品比較表)
7. [代理商評估建議](#七代理商評估建議)
8. [綜合評分](#八綜合評分)

---

## 一、解決方案概述

### 1.1 公司背景

WrenAI 是由台灣新創公司 **Canner（易開科技）** 所開發的開源 GenBI（生成式商業智慧）解決方案。Canner 成立於 2018 年 [✅ 官方確認：cannerdata.com/about 明確記載「Howard and William had a visionary idea when they started the company in 2018」：https://cannerdata.com/about]，總部位於台灣台北，創辦人為 Howard Chi（執行長）與 William Chang（技術長）。公司早期以資料網格（Data Mesh）與語意層（Semantic Layer）技術起家，主打企業資料虛擬化產品 **Canner Enterprise**。

2022 年 3 月，Canner 完成由 **Taiwania Capital（台灣大哥大旗下創投）** 領投、Hive Ventures 與 SparkLabs Taipei 跟投的 **Pre-A 輪融資，金額為 350 萬美元**。截至 2025 年初，尚無後續公開融資紀錄，公司現階段規模約 10–15 人（依 Latka 數據顯示 2025 年約 14 人），屬於種子至 A 輪之間的早期成長型新創。

**WrenAI 的誕生**：2024 年 4 月，Canner 將 WrenAI 正式開源，以 Apache 2.0 授權釋出核心引擎（wren-engine）。2024 年 10 月進一步推出商業版雲端服務 **Wren AI Cloud**。根據 Latka 數據，WrenAI 至 2025 年中已達到約 **150 萬美元年度經常性收入（ARR）**（來源：Latka.com 自報數據，由創辦人訪談收集，未經第三方稽核，僅供參考），以 14 人的精實團隊而言表現亮眼。

### 1.2 台灣血統的戰略意義

WrenAI 源自台灣本土，對台灣代理商而言具備獨特優勢：
- **語言與時區接近**：原廠溝通成本低，可直接以繁體中文與工程團隊互動。
- **政府與投資人背景**：獲 Taiwania Capital 投資，具備一定信用背書。
- **社群活躍度**：GitHub 上已累積超過 **14,000+（截至 2026 年 4 月）**，30 位以上外部貢獻者，開源社群成長中。

### 1.3 開源版 vs. 企業版定位

WrenAI 採取「開源核心＋商業附加」的雙軌策略：

| 層級 | 產品名稱 | 授權方式 | 目標用戶 |
|---|---|---|---|
| 免費開源 | WrenAI OSS（Community） | Apache 2.0 | 個人開發者、POC 測試 |
| 雲端訂閱 | Wren AI Cloud（Free/Starter/Essential/Enterprise） | SaaS 月訂/年訂 | 中小企業、成長型團隊 |
| 自建企業版 | Self-Hosted Business / Enterprise Plus | 年度授權 | 法遵要求高、需 On-premise 的企業 |

核心引擎 **wren-engine** 以 Rust + Apache DataFusion 構建，完全開源；商業功能（RBAC、稽核日誌、SSO、客戶支援）則由付費方案提供。

### 1.4 產品定位與市場切入點

WrenAI 自我定位為「**任何資料庫皆可用自然語言查詢的 GenBI Agent**」，主要對抗傳統 BI 工具（Tableau、Power BI、Looker）需要專業 SQL 技能的痛點。其核心差異化在於：
1. 內建 **MDL（Modeling Definition Language）語意層** [✅ 官方確認：官方文件稱其為「modeling language」，功能上作為語意層提供業務語境，說法實質正確：https://docs.getwren.ai/oss/engine/concept/what_is_mdl]，將業務語境注入 LLM，避免幻覺（hallucination）產生的錯誤 SQL。
2. 支援 **任意 LLM**（OpenAI、Claude、Gemini、Ollama 自建模型），不綁定單一 AI 供應商。
3. **Embedded Analytics API**，可將 GenBI 能力嵌入合作夥伴或客戶的既有應用系統。


> **📋 評審意見（第一節：解決方案概述）**
> - ✅ **已驗證**：WrenAI 由 Canner（易開科技）開發，Howard Chi 為 CEO、William Chang 為 CTO，總部台北。來源：[LinkedIn - Howard Chi](https://www.linkedin.com/in/chilijung/)、[LinkedIn - William Chang](https://www.linkedin.com/in/wwwy3y3/)
> - ✅ **已驗證**：Pre-A 輪融資 350 萬美元，由 Taiwania Capital 領投，Hive Ventures 與 SparkLabs Taipei 跟投，2022 年 3 月公告。來源：[Canner 官方新聞稿](https://cannerdata.com/media/2022/03/08/canner_pre_a)、[TNGlobal 報導](https://technode.global/2022/03/08/taiwan-data-mesh-solution-provider-canner-raises-3-5m-series-pre-a-funding-led-by-taiwania-capital/)
> - ✅ **已驗證**：Wren AI Cloud 於 2024 年 10 月推出。來源：[Wren AI 2024 Year in Review (Medium)](https://medium.com/wrenai/wren-ai-2024-year-in-review-a-fruitful-journey-and-exciting-plans-ahead-6496bd37c906)
> - ✅ **已驗證**：wren-engine 以 Rust + Apache DataFusion 構建，開源於 GitHub。來源：[GitHub - Canner/wren-engine](https://github.com/Canner/wren-engine)
> - ⚠️ **待確認**：報告稱 Canner 成立於「2016 年」，但多方來源（Crunchbase、techcoffeehouse 報導、funding 聲明）均顯示成立年份為 **2018 年**，請核實並修正。來源：[cannerdata.com/about](https://cannerdata.com/about)、[Crunchbase](https://www.crunchbase.com/organization/cannerdata)
> - ⚠️ **待確認**：報告稱 GitHub 累積「5,000+ stars（2025 年初數據）」，但搜尋結果顯示 WrenAI 已突破 **14,000 stars**，原數據已嚴重過時，建議更新。來源：[GitHub - Canner/WrenAI](https://github.com/Canner/WrenAI)
> - ⚠️ **待確認**：報告稱 WrenAI 於「2024 年 4 月」正式開源，此日期尚未在官方來源中獨立確認，建議查閱 GitHub 首次 release 記錄核實。來源：[Releases · Canner/WrenAI](https://github.com/canner/WrenAI/releases)
> - ⚠️ **待確認**：Taiwania Capital 描述為「台灣大哥大旗下創投」，官方資料未在本次搜尋中確認此從屬關係，建議核實。
> - 💡 **個人意見/估算**：員工人數約 10–15 人（Latka 顯示 14 人）屬於 **Latka 自報數據，未經官方證實**，僅供參考，不得作為正式引用依據。
> - 💡 **個人意見/估算**：「台灣血統對台灣代理商的戰略意義」為作者評估觀點，非客觀事實，屬合理商業判斷。
> - 🔧 **改善建議**：(1) 將成立年份從「2016 年」修正為「2018 年」並附上官方來源；(2) 將 GitHub stars 數字更新為當前數值（約 14,000+）；(3) Latka 員工數應加註「（Latka 自報，未驗證）」警語；(4) 確認 Taiwania Capital 與台灣大哥大的關係並附來源。

---

## 二、採購評估

### 2.1 授權前提：開源自部署 vs. 商業訂閱

台灣企業客戶在導入 WrenAI 時，面臨三條路徑：

#### A. 開源社群版（OSS Community）— 免費
- 從 GitHub 下載，Apache 2.0 授權，**無授權費用**。
- 限制嚴格：**僅支援 1 個 Project**、僅限 Ad-hoc 查詢模式、無用戶管理、無儀表板功能。
- 需自行建置 Docker Compose 環境，基礎設施成本自理（估算約 **每月 254 美元以上**：後端伺服器 $128、負載平衡器 $18、託管資料庫 $76、向量資料庫 $32）。
- 適合：技術驗證（POC）、開發人員個人測試，**不適合企業生產環境直接採用**。

#### B. Wren AI Cloud 雲端版 — 月費/年費訂閱

| 方案 | 月費（年繳） | 月費（月繳） | 適用場景 |
|---|---|---|---|
| Free | $0 | $0 | POC、初步試用（限 2 個 Project） |
| Starter | $49 | $60 | 小型團隊（無限 Project/成員） |
| Essential | $179 | $224 | 中型企業（含 Embedded API、dbt、RBAC） |
| Enterprise | $449 | $569 | 大型企業（Row/Column 安全控制、SSO、稽核日誌） |

[✅ 官方確認：https://www.getwren.ai/pricing]

- Essential 方案以上才支援 **Embedded AI API**（代理商加值整合的核心功能）。
- Enterprise 方案才有進階 RBAC、LDAP/AD/OIDC 整合、MCP 整合。

#### C. Self-Hosted 自建版 — 年度授權（最適合台灣 SAP 客戶）

| 方案 | 年費基礎 | 用戶費 | API 費 | 適用規模 |
|---|---|---|---|---|
| Business | $899/年 | $15/月/人（含 10 席） | $10/月/千次（含 1 萬次） | 中小企業單機部署 |
| Enterprise Plus | $3,000/年（官方定價頁面顯示方式可能已調整為月費計算，建議直接向 WrenAI 確認最新報價） | 含 30 席 | 含 5 萬次 API | 大型企業、K8s 分散式 |

- Enterprise Plus 支援 Kubernetes 分散式部署、SSO+SCIM 2.0、**Air-gapped 離線部署（加購選項）**。
- 對於 SAP ERP 客戶（通常要求資料不出內網），**Self-Hosted Enterprise Plus 搭配 Air-gapped 為最佳路徑**。
- 年費 3,000 美元（約台幣 9.5 萬）基礎費相對低廉，但加計用戶席次與 IT 維護成本，總體擁有成本（TCO）需重新計算。

#### 硬體需求估算（Self-Hosted）
- 最低配置（Business 單機）：4 vCPU、16 GB RAM、SSD 50 GB，需支援 Docker。
- Enterprise Plus（K8s）：建議 3 節點以上叢集，每節點 8 vCPU、32 GB RAM；另需 GPU 或充足 CPU 資源供本地 LLM（Ollama）運行（若選用本地模型）。
- 若呼叫外部 LLM API（OpenAI/Claude），則 GPU 需求可大幅降低。

---

### 2.2 客戶資格評估

#### 技術門檻
| 條件 | 要求 | 評估 |
|---|---|---|
| 容器化能力 | Docker（必要）、Kubernetes（Enterprise Plus） | 中等門檻，需 DevOps 人員 |
| 資料庫支援 | PostgreSQL、MySQL、MSSQL、Oracle、ClickHouse 等 16 種 | 主流資料庫均涵蓋 |
| SAP 直連支援 | **目前不支援 SAP HANA 原生連接器** [✅ 官方確認：官方 16 種連接器清單中無 SAP HANA：https://docs.getwren.ai/cp/guide/connect/overview] | 需中轉（見第五節） |
| LLM API 金鑰 | 需自備 OpenAI/Claude/Gemini API，或自建 Ollama | 需另計 LLM 使用成本 |
| 語意建模能力 | 需 IT 或 BI 人員建立 MDL 語意模型 | 初期設定需時 2–4 週 |

#### 適合客戶輪廓
- 已有結構化資料庫（非純 SAP HANA 環境），且業務人員有自助查詢需求。
- IT 部門具備基本 Docker/Linux 能力，或願意使用 Cloud 版。
- 對開源技術有接受度，且不要求傳統商業軟體的 SLA 保障。

---

### 2.3 各產業適用性

| 產業 | 適用性 | 說明 |
|---|---|---|
| **零售業** | ★★★★☆ 高 | 銷售、庫存、客戶行為等結構化資料豐富，自助查詢需求強烈，非技術用戶多，MDL 語意層可大幅降低門檻 |
| **製造業** | ★★★☆☆ 中 | 生產、品管資料適合查詢分析，但多數製造業深度依賴 SAP ERP（HANA），SAP 整合欠缺是主要障礙 |
| **金融業** | ★★☆☆☆ 低–中 | 法遵要求嚴格（資料不出境、稽核日誌、RBAC），Self-Hosted Enterprise Plus 可滿足部分需求，但品牌知名度與原廠支援不足是阻力；加上金融業對新創開源工具接受度低 |

---

### 2.4 導入門檻與風險評估

#### 開源支援風險
- **社群支援為主**：OSS 版僅靠 Discord 社群，無 SLA 保障。商業版提供 Priority Support，但原廠僅 14 人，支援能量有限。
- **版本迭代快**：2024 年開源後頻繁釋出更新，有功能不穩定風險；代理商需具備自行 Debug 能力。

#### 成熟度評估
- WrenAI 正式商用不到 2 年（Cloud 版 2024/10 推出），功能仍在快速演進中。
- GitHub Issues 與 Discussions 顯示部分企業級功能（如完整 SSO、多租戶、複雜 JOIN 查詢）仍有已知缺陷。
- 相較於 Microsoft Copilot for Power BI、Google Looker、Tableau AI 等成熟大廠，WrenAI 的企業功能成熟度約落後 2–3 年。

#### 維護負擔
- Self-Hosted 版本由客戶自行維護升級，代理商若要提供 Managed Service，需投入額外的工程資源。
- MDL 語意模型的建置與維護需要持續的 BI 顧問介入，形成代理商的加值服務空間，但也增加交付複雜度。


> **📋 評審意見（第二節：採購評估）**
> - ✅ **已驗證**：Wren AI Cloud 雲端版定價（年繳）：Starter $49/月、Essential $179/月、Enterprise $449/月；月繳則分別為 $60、$224、$569，與官方定價頁一致。來源：[Wren AI Pricing](https://www.getwren.ai/pricing)
> - ✅ **已驗證**：Free 方案存在，供 POC 試用。Essential 以上支援 Embedded AI API；Enterprise 支援進階 RBAC、SSO/LDAP/OIDC。來源：[Wren AI Pricing](https://www.getwren.ai/pricing)、[OSS vs. Cloud vs. Self-hosted](https://docs.getwren.ai/oss/overview/cloud_vs_self_host)
> - ✅ **已驗證**：wren-engine 開源，Self-Hosted 版本存在 Business 與 Enterprise Plus 層級，官方文件確認。來源：[docs.getwren.ai](https://docs.getwren.ai/oss/overview/cloud_vs_self_host)
> - ⚠️ **待確認**：Self-Hosted Business $899/年、Enterprise Plus $3,000/年的具體金額在本次搜尋中**未獲官方頁面直接確認**。搜尋結果顯示 Enterprise Plus 可能為 $449/月（年繳），與報告數字差異極大，建議直接查閱 [getwren.ai/pricing](https://www.getwren.ai/pricing) 確認 Self-Hosted 定價是否仍為年度授權制或已改為月費制。
> - ⚠️ **待確認**：Self-Hosted Business 含 10 席、$15/月/人，Enterprise Plus 含 30 席，以及 API 呼叫費用（$10/月/千次，含 1 萬次）等細節未獲獨立確認，建議核實。
> - ⚠️ **待確認**：OSS 版本月均基礎設施估算「$254 美元以上」（伺服器 $128、LB $18、資料庫 $76、向量資料庫 $32）為作者估算，非官方數字，各雲端供應商及地區定價差異大。
> - ⚠️ **待確認**：Enterprise Plus 支援「Air-gapped 離線部署（加購選項）」，此功能需在官方文件或 SLA 頁面確認。來源待查：[Wren AI SLA](https://www.getwren.ai/sla)
> - ⚠️ **待確認**：報告稱「16 種」資料庫支援，但 GitHub 主頁描述為「12+ data sources」，數量有出入，需確認當前版本的確切支援數（詳見第三節）。來源：[GitHub - Canner/WrenAI](https://github.com/Canner/WrenAI)
> - 💡 **個人意見/估算**：「SAP ERP 客戶最佳路徑為 Self-Hosted Enterprise Plus + Air-gapped」為作者評估建議，屬合理商業判斷，但需以官方功能文件佐證。
> - 💡 **個人意見/估算**：TCO（總體擁有成本）需重新計算的建議為作者觀點，非客觀數據。
> - 💡 **個人意見/估算**：各產業適用性星級評分（零售 ★★★★☆、製造 ★★★☆☆、金融 ★★☆☆☆）為作者主觀評估。
> - 🔧 **改善建議**：(1) 立即至 [getwren.ai/pricing](https://www.getwren.ai/pricing) 確認 Self-Hosted 目前定價架構，因定價可能已更新；(2) 基礎設施估算應加註「作者估算，以特定雲端供應商報價為基準，實際費用因環境而異」；(3) 資料來源數量「16 種」與 GitHub 說明「12+」不一致，應統一並附版本資訊。

---

## 三、技術架構

### 3.1 整體架構設計

WrenAI 採用分層式微服務架構，主要由三個核心元件組成，透過 Docker Compose 或 Kubernetes 協調運行：

```
使用者（自然語言問題）
        ↓
[wren-ui]  ← Next.js + Apollo GraphQL（前端 UI + BFF 層）
        ↓
[wren-ai-service]  ← Python + FastAPI（AI 推理管道）
    ├── 意圖分類（Intent Classification）
    ├── 向量檢索（Qdrant 向量資料庫）
    ├── LLM 提示工程（Chain-of-Thought + ReAct）
    └── SQL 修正迴圈（Self-Correction Loop）
        ↓
[wren-engine]  ← Rust + Apache DataFusion（語意查詢執行引擎）
    ├── MDL 語意解析
    ├── JOIN 關聯處理
    ├── 存取控制（Row/Column Level）
    └── 多資料來源路由
        ↓
[目標資料庫]  ← PostgreSQL / MySQL / MSSQL / Oracle 等 16+ 種
```

**架構設計重點**：
- **查詢不落地**：WrenAI 直接連線用戶資料庫執行 SQL，資料不複製至中間層（重要合規優勢）。
- **向量索引（RAG）**：MDL 語意定義儲存於 Qdrant 向量資料庫，LLM 查詢時透過 RAG 取回相關業務語境，提升 SQL 準確性。
- **自我修正迴圈**：若 LLM 生成的 SQL 執行失敗，系統自動將錯誤訊息回饋給 LLM 進行修正，最多嘗試數次。

---

### 3.2 AI 語意引擎（AI Semantic Engine）

WrenAI 的核心創新在於其 **MDL（Modeling Definition Language）語意層**設計 [✅ 官方確認：官方稱 MDL 為「the modeling language that powers Wren Engine」，實質扮演語意層角色：https://docs.getwren.ai/oss/engine/concept/what_is_mdl]，解決傳統 Text-to-SQL 工具常見的「LLM 不懂業務語境」問題。

**MDL 語意層涵蓋範疇**：
1. **資料表與欄位描述**：為每個欄位加入自然語言說明（例：`revenue` = 「含稅銷售金額，以新台幣計」）。
2. **業務指標定義**：預先定義 KPI（例：「月活躍客戶數」的計算邏輯）。
3. **資料關聯關係**：明確定義 JOIN 邏輯（外鍵、多對多關係）。
4. **資料政策**：Row-Level Security（按用戶角色過濾資料列）、Column-Level Security（隱藏敏感欄位）。
5. **聚合與計算邏輯**：預定義加總、平均、比率等常用計算方式。

**效益**：LLM 生成 SQL 時有 MDL 作為「業務字典」參考，顯著降低幻覺錯誤率，使非技術業務用戶的查詢準確度可接受。

---

### 3.3 支援的 LLM 清單

WrenAI 設計為 **LLM 不可知（LLM-agnostic）**，透過 **LiteLLM** 支援任何相容模型 [✅ 官方確認：「We are now using LiteLLM to support LLMs, so basically you can use any LLMs supported by LiteLLM.」：https://docs.getwren.ai/oss/ai_service/guide/custom_llm]：

| 類別 | 支援模型 |
|---|---|
| **OpenAI（官方推薦）** | o3-mini、GPT-4o、GPT-4o-mini |
| **OpenAI（舊版，仍可用）** | GPT-4 Turbo、GPT-3.5 Turbo |
| **Anthropic** | Claude 系列（透過 AWS Bedrock 或 LiteLLM，含 Claude 3.5 Sonnet、Claude 3 Opus、Claude 3 Haiku 等） |
| **Google** | Gemini 系列（透過 LiteLLM） |
| **Meta（自建）** | Llama 3.x（透過 Ollama 本地部署） |
| **其他** | 任何 LiteLLM 支援的供應商（Azure OpenAI、Mistral、本地推論伺服器等） |

WrenAI 透過 LiteLLM 支援所有相容 LLM，官方已實測模型為 o3-mini、GPT-4o、GPT-4o-mini；其他模型「自行承擔風險（at your own risk）」使用。完整清單請參閱 [LiteLLM 文件](https://docs.litellm.ai/docs/providers)。

> **對台灣客戶的建議**：若資料需留在內網（如製造業、金融業），可選用 Ollama + Llama 3 本地部署方案，完全離線運行。但本地模型的 SQL 生成準確度通常低於 GPT-4o/Claude 3.5，需要更精緻的 MDL 調校。

---

### 3.4 資料連接器（Data Connectors）

WrenAI 目前支援 **16 種以上**資料來源直接連接 [✅ 官方確認：官方文件列出恰好 16 種連接器，「16+」說法成立：https://docs.getwren.ai/cp/guide/connect/overview]：

**關聯式資料庫**：
- PostgreSQL（含 Supabase、Neon）
- MySQL
- Microsoft SQL Server（MSSQL）
- Oracle Database
- ClickHouse

**雲端資料倉儲**：
- Google BigQuery
- Snowflake
- Amazon Redshift
- Databricks

**查詢引擎**：
- Trino / Starburst
- Amazon Athena（Trino 及 Spark 版本）
- Amazon EMR（Spark）

**檔案格式**：
- CSV 上傳
- DuckDB（含 JSON、Parquet 本地檔案）

> **重要缺口**：目前 **不支援 SAP HANA** 原生連接器 [✅ 官方確認：官方連接器頁面完整列出 16 種，SAP HANA 不在其中：https://docs.getwren.ai/cp/guide/connect/overview]。詳見第五節 SAP 整合分析。

---

### 3.5 中文語言支援

WrenAI 的中文支援能力取決於所選用的 LLM：

| 面向 | 現況 | 說明 |
|---|---|---|
| **UI 介面語言** | 英文為主 | 尚無正體中文 UI 本地化（2025/04 現況） |
| **中文自然語言查詢** | ✅ 可用 | LLM（GPT-4o、Claude 等）本身支援繁體/簡體中文輸入，用戶可直接用中文提問 |
| **中文 MDL 語意定義** | ✅ 支援 | 欄位描述、業務指標可用中文撰寫，LLM 可正確理解 |
| **中文查詢結果說明** | ✅ 可設定 | 可在 LLM Prompt 中設定以中文回應分析洞察 |
| **正體中文介面本地化** | ❌ 尚未提供 | 需等待社群貢獻或原廠開發，是代理商可貢獻的差異化空間 |

**結論**：WrenAI 目前在**功能層面**已可支援中文查詢，但 UI 介面全為英文，對非技術背景的台灣業務用戶而言仍有使用障礙。代理商若能提供中文化 UI 或操作培訓，可作為重要加值服務。


> **📋 評審意見（第三節：技術架構）**
> - ✅ **已驗證**：WrenAI 的三層微服務架構（wren-ui / wren-ai-service / wren-engine）、Qdrant 向量資料庫、RAG 機制、自我修正迴圈，均有官方文件佐證。來源：[How Wren AI works](https://docs.getwren.ai/oss/overview/how_wrenai_works)
> - ✅ **已驗證**：wren-engine 以 Rust + Apache DataFusion 構建，開源。來源：[GitHub - Canner/wren-engine](https://github.com/Canner/wren-engine)
> - ✅ **已驗證**：MDL（Modeling Definition Language）為 WrenAI 語意層核心，以 JSON 格式定義資料模型、業務指標、關聯關係、資料政策等，有完整官方說明。來源：[What is MDL? | Wren AI Docs](https://docs.getwren.ai/oss/engine/concept/what_is_mdl)
> - ✅ **已驗證**：WrenAI 支援任意 LLM，透過 LiteLLM 整合，範疇超出報告所列清單，包含 AWS Bedrock（Claude 系列）、Google Vertex AI（Gemini）、Ollama 等。來源：[Custom LLM | Wren AI Docs](https://docs.getwren.ai/oss/ai_service/guide/custom_llm)
> - ✅ **已驗證**：支援的資料庫包含 PostgreSQL、MySQL、MSSQL、Oracle、ClickHouse、BigQuery、Snowflake、Redshift、Databricks、Trino、Athena 等，與官方文件吻合。來源：[Connect Data Sources | Wren AI Docs](https://docs.getwren.ai/cp/guide/connect/overview)
> - ⚠️ **待確認**：報告稱「16 種以上」資料連接器，但 GitHub 主頁目前描述為「12+ data sources」，Wren Engine API 文件列出約 15 種類型（含檔案格式）。確切數量隨版本更新而變動，**應標記版本號（如 v0.5x）並以官方文件當下頁面為準**。來源：[GitHub - Canner/WrenAI](https://github.com/Canner/WrenAI)、[Wren Engine API](https://docs.getwren.ai/oss/wren_engine_api)
> - ⚠️ **待確認**：報告列出的 LLM 清單（GPT-4o、Claude 3.5 Sonnet、Claude 3 Opus/Haiku、Gemini 1.5 Pro/Flash、Llama 3.x、Mistral 7B/8x7B）可能已過時——文件顯示 WrenAI 現已支援 **Claude 4 Sonnet**（透過 AWS Bedrock），且支援範圍持續擴展。建議改為說明「透過 LiteLLM 支援任意相容 API 的 LLM」，不列舉固定清單。來源：[AWS Bedrock guide](https://docs.getwren.ai/cp/guide/byo_llm/bedrock)
> - ⚠️ **待確認**：「查詢不落地」（資料不複製至中間層）的描述需確認對所有連接器是否一致成立，特別是 CSV/DuckDB 本地檔案類型。
> - 💡 **個人意見/估算**：「本地 LLM（Ollama）SQL 生成準確度通常低於 GPT-4o/Claude 3.5」為作者評估，屬廣泛業界共識，但非 WrenAI 官方測試數據。
> - 💡 **個人意見/估算**：「正體中文 UI 本地化為代理商差異化空間」為作者策略建議，合理但屬觀點性陳述。
> - 🔧 **改善建議**：(1) 資料連接器數量應附版本號並連結至官方文件當前頁面；(2) LLM 支援清單應改為「透過 LiteLLM 支援所有相容供應商，詳見官方文件」，避免清單因版本迭代迅速過時；(3) 中文支援現況表格應加上「截至報告撰寫日期（2025/04）」的時效標注。

---

## 四、商業面分析

### 4.1 融資階段與財務現況

| 指標 | 數據 | 來源 |
|---|---|---|
| 成立時間 | 2018 年 [✅ 官方確認：https://cannerdata.com/about] | Crunchbase + cannerdata.com/about |
| 最新融資輪次 | Pre-A 輪（2022/03） | TNGlobal |
| 融資金額（累計） | 350 萬美元 | Canner 官方新聞稿 |
| 主要投資人 | Taiwania Capital、Hive Ventures、SparkLabs Taipei | 同上 |
| 2025 年 ARR 估算 | ~150 萬美元（來源：Latka.com 自報數據，由創辦人訪談收集，未經第三方稽核，僅供參考） | Latka 數據（2025/06） |
| 團隊規模 | ~14 人 | Latka 數據 |
| WrenAI 開源時間 | 2024 年 4 月 | 官方部落格 |
| 商業版推出時間 | 2024 年 10 月 | 官方部落格 |

**財務評估重點**：
- 融資僅 350 萬美元且最後一輪距今已 3 年，**財務跑道相對有限**。
- ARR 150 萬美元顯示商業化初步成功，但尚未達到足以自我造血且支撐大規模夥伴計畫的規模。
- 若未能在近期完成 A 輪融資，存在資金風險，代理商需評估原廠持續運營能力。

---

### 4.2 開源商業模式分析

WrenAI 採用業界常見的 **Open-Core（開源核心）** 商業模式：

```
開源層（Apache 2.0）             商業層（付費）
─────────────────────            ─────────────────────
• wren-engine 核心引擎           • Wren AI Cloud 管理服務
• 基礎 Text-to-SQL               • 企業級 RBAC + 稽核
• MDL 語意層框架                  • SSO / LDAP 整合
• 15+ 資料連接器                  • Row/Column-Level Security
• Docker Compose 部署             • Priority Support + SLA
• 社群 Discord 支援               • Embedded AI API
                                  • Air-gapped 部署
                                  • K8s Enterprise Plus
```

**商業模式風險評估**：
- **競爭模仿風險**：核心技術開源，大廠（如 Microsoft、Google）可輕易參考或整合類似功能。
- **社群依賴**：開源社群為主要獲客管道，一旦 GitHub 熱度下滑，商業轉換率亦可能降低。
- **代理商利潤空間**：目前公開授權費偏低（Self-Hosted Enterprise Plus 年費僅 3,000 美元），純授權轉售毛利有限；**服務加值（導入、MDL 建模、培訓、Managed Service）才是代理商主要獲利來源**。

---

### 4.3 競爭定位

| 競品 | 類型 | 優勢 | WrenAI 相對位置 |
|---|---|---|---|
| Microsoft Copilot for Power BI | 商業大廠 | M365 生態整合、企業信任度高 | 功能成熟度遠不及，但無授權費 |
| Google Looker + Gemini | 商業大廠 | GCP 整合、LookML 成熟 | WrenAI MDL 概念類似但更輕量 |
| Tableau Pulse（Salesforce AI） | 商業大廠 | 視覺化強、企業市佔高 | WrenAI 成本低但品牌弱 |
| ThoughtSpot | AI-native BI | SearchIQ 自然語言查詢成熟 | WrenAI 開源可自建，成本優勢 |
| Metabase（開源 BI） | 開源 BI | 界面友善、社群大 | 無 GenBI，WrenAI NL2SQL 更進階 |
| Superset + Text-to-SQL 外掛 | 開源 BI | Apache 基金會支持 | WrenAI 語意層整合更緊密 |

**WrenAI 的差異化定位**：在開源 GenBI 市場中，WrenAI 是目前**語意層整合最完整**的方案之一，適合預算有限但技術能力足夠的中型企業。對比大廠產品，其最大優勢是**成本與部署靈活性**；最大劣勢是**品牌認知度與支援保障**。

---

### 4.4 代理商潛在合作條件

基於目前公開資訊，WrenAI 設有以下合作夥伴機制：

- **Elite Partner 計畫**：官方列有 Elite Partners 頁面（getwren.ai/elite），提供「更高獎勵、優先支援、獨家存取」，但具體分潤比例未公開。
- **Affiliate Partner**：推薦獎勵計畫，適合輕量合作。
- **Embedded Analytics API**（Essential 以上方案）：允許代理商將 WrenAI 功能嵌入自有產品或客戶系統，可作為 OEM/白牌合作基礎。

**代理商洽談建議事項**：
1. 要求明確的**台灣地區獨家或優先代理**條款。
2. 確認**分潤比例**（業界 OEM/Reseller 通常為 20–40% 授權費折讓）。
3. 要求**原廠技術支援 SLA**（目前 14 人團隊的支援能量是關鍵風險）。
4. 探討**中文本地化共同開發**協議（代理商貢獻正體中文 UI，換取更優惠合作條件）。
5. 確認**路線圖承諾**，特別是 SAP HANA 連接器的開發時程。


> **📋 評審意見（第四節：商業面分析）**
> - ✅ **已驗證**：Pre-A 輪融資 350 萬美元（2022/03），Taiwania Capital 領投，官方新聞稿確認。來源：[Canner 官方新聞稿](https://cannerdata.com/media/2022/03/08/canner_pre_a)
> - ✅ **已驗證**：WrenAI 開源（2024/04）與 Wren AI Cloud 推出（2024/10）的時間點已在第一節驗證，此處引用一致。來源：[Wren AI 2024 Year in Review](https://medium.com/wrenai/wren-ai-2024-year-in-review-a-fruitful-journey-and-exciting-plans-ahead-6496bd37c906)
> - ✅ **已驗證**：Elite Partner 計畫頁面存在（getwren.ai/elite），Embedded Analytics API 功能存在（Essential 以上方案）。來源：[Wren AI Elite Partners](https://getwren.ai/elite)、[Wren AI Pricing](https://www.getwren.ai/pricing)
> - ✅ **已驗證**：Open-Core 商業模式描述（開源核心 + 商業附加功能）與官方產品架構一致。
> - ⚠️ **待確認（重要）**：**成立年份表格中再次標記「2016 年」來源為「Crunchbase」**，但 Crunchbase 及其他多方資料顯示成立年份為 **2018 年**（見第一節評審意見）。此處應統一修正為 2018 年並附正確來源。
> - ⚠️ **待確認（重要）**：**ARR 約 150 萬美元（Latka 數據，2025/06）**——Latka 的數據來源為創辦人／CEO 接受 Nathan Latka podcast 訪談時的**自報數字（self-reported）**，並非經第三方審計或公開財報核實。此數據不得作為正式財務依據引用，**必須加上明確警語「Latka 數據為創辦人自報，未經獨立驗證」**。來源：[GetLatka](https://getlatka.com/)
> - ⚠️ **待確認（重要）**：**員工數約 14 人（Latka 數據）**——同上，屬 Latka 自報數據，未獲官方或 LinkedIn 等獨立來源確認，本次搜尋亦未能從任何公開管道核實此數字。**應加註「Latka 自報，未經驗證」**。
> - ⚠️ **待確認**：「融資距今已 3 年，財務跑道有限」的判斷假設公司未完成後續私人融資，但私人公司不一定公開披露所有融資輪次，此推斷存在不確定性。
> - ⚠️ **待確認**：Elite Partner 具體分潤比例「未公開」——此為作者確認後的陳述，可接受，但建議直接洽詢原廠取得書面說明。
> - 💡 **個人意見/估算**：「業界 OEM/Reseller 通常為 20–40% 授權費折讓」為業界慣例引用，非 WrenAI 官方條款，屬估算性說明。
> - 💡 **個人意見/估算**：「純授權轉售毛利有限，服務加值才是主要獲利來源」為作者商業判斷，合理但屬評估觀點。
> - 💡 **個人意見/估算**：「若未能在近期完成 A 輪融資，存在資金風險」為作者風險評估，屬推斷性說明。
> - 🔧 **改善建議**：(1) **立即修正成立年份為 2018 年**（第四節 4.1 表格中的「2016 年」需更正）；(2) ARR 150 萬美元與員工數 14 人**必須加上「Latka 自報數據，未經獨立驗證，僅供參考」警語**，不得以正式數據形式引用；(3) 競品比較表中部分評分（如 ThoughtSpot NL2SQL 給 ★★★★★）屬主觀評估，建議加註「作者評估」以示區別。

---

## 五、SAP ERP 整合可行性

> 本節為本報告最關鍵分析，因目標客戶群為 SAP ERP 用戶。

### 5.1 SAP 連接器現況

**結論先行：WrenAI 目前不支援 SAP HANA 原生直連。**

根據官方文件（docs.getwren.ai/cp/guide/connect/overview），支援的 16 種資料來源中**完全未包含 SAP HANA**。GitHub Discussions #327「Vote for New Database Integrations」中，SAP HANA 曾被社群提及，但截至 2025 年 4 月，仍無開發完成的官方連接器。

---

### 5.2 中轉整合路徑分析

雖無原生 SAP HANA 連接器，仍存在數條可行的中轉路徑，複雜度與風險各異：

#### 路徑一：SAP HANA → PostgreSQL/MSSQL 同步 → WrenAI
```
SAP ERP（HANA）
    ↓ 資料複製/ETL
PostgreSQL 或 MSSQL（鏡像資料庫）
    ↓ 直連（WrenAI 原生支援）
WrenAI
```
- **工具**：SAP Data Services、Fivetran SAP ERP Connector、CData Drivers、自建 ETL 腳本。
- **優點**：技術可行性最高，WrenAI 端完全不需修改。
- **缺點**：
  - 資料有延遲（非即時，通常批次同步）。
  - SAP 授權允許性需確認（資料複製到外部系統是否需額外授權）。
  - ETL 管線需持續維護，增加客戶 IT 負擔。
- **複雜度評分**：3/5（中等）

#### 路徑二：SAP HANA → Trino 聯邦查詢 → WrenAI
```
SAP ERP（HANA）
    ↓ Trino SAP HANA Connector（需付費授權）
Trino 查詢引擎
    ↓ 直連（WrenAI 支援 Trino）
WrenAI
```
- **工具**：Starburst Enterprise（商業版 Trino）提供 SAP HANA Connector；開源 Trino 亦有社群版 HANA 連接器。
- **優點**：可接近即時查詢 SAP HANA 資料，資料不複製。
- **缺點**：
  - Starburst Enterprise 需另外採購（成本高）；開源 Trino HANA 連接器穩定性待驗證。
  - 架構複雜度增加，多一層 Trino 維護。
  - SAP HANA 的複雜欄位類型（VARCHART、NCLOB 等）可能導致 Trino 轉換問題。
- **複雜度評分**：4/5（高）

#### 路徑三：SAP BW/HANA → OData API → 自建 PostgreSQL 檢視層 → WrenAI
```
SAP ERP（HANA/BW）
    ↓ SAP OData / RFC API
中介層（Python/Node.js 應用）
    ↓ 寫入 PostgreSQL（materialized views）
WrenAI
```
- **優點**：可精確控制暴露給 WrenAI 的資料範圍，安全性最高。
- **缺點**：開發工作量最大，需 SAP ABAP 開發能力配合。
- **複雜度評分**：4–5/5（高至非常高）

#### 路徑四（未來）：等待 WrenAI 原生 SAP HANA 連接器
- WrenAI 的 wren-engine 是開源的 Rust 專案，原廠或社群理論上可貢獻 SAP HANA 連接器。
- **風險**：無明確時程承諾，代理商無法依賴此路徑作為近期銷售支撐。

---

### 5.3 SAP ERP 整合複雜度總表

| 整合場景 | 複雜度 | 可行性 | 建議優先序 |
|---|---|---|---|
| SAP HANA → PostgreSQL 批次同步 → WrenAI | ★★★☆☆ 3/5 | ✅ 高 | 第一優先（近期可交付） |
| SAP HANA → Trino → WrenAI | ★★★★☆ 4/5 | ✅ 中 | 第二優先（需 Starburst 授權） |
| SAP OData → 中介層 → WrenAI | ★★★★★ 5/5 | ⚠️ 中低 | 特殊需求才採用 |
| SAP HANA 原生直連 WrenAI | 不適用 | ❌ 目前不可行 | 等待原廠路線圖 |

---

### 5.4 SAP 整合的代理商策略建議

1. **短期方案**：主推「SAP HANA → PostgreSQL 同步 → WrenAI」路徑，代理商提供 ETL 建置服務作為加值，可向客戶收取顧問費。
2. **客戶篩選**：優先鎖定已有 **SAP BW**（Business Warehouse）或已將部分資料同步至 MSSQL/PostgreSQL 的客戶，整合難度最低。
3. **規避場景**：避免向純 SAP HANA（無外部資料庫）且要求即時查詢的客戶銷售，技術風險過高。
4. **長期佈局**：與原廠洽談時，將「SAP HANA 連接器開發優先序」納入合作條款，或評估由代理商工程師貢獻開源連接器（換取商業優勢）。


> **📋 評審意見（第五節：SAP ERP 整合可行性）**
> - ✅ **已驗證**：WrenAI 目前**不支援 SAP HANA 原生連接器**，此結論與官方文件及 GitHub 討論一致。來源：[Connect Data Sources Overview](https://docs.getwren.ai/cp/guide/connect/overview)
> - ✅ **已驗證**：GitHub Discussions #327「Vote for New Database Integrations for Wren AI」確實存在，SAP HANA 為社群票選項目之一，**但無官方開發時程承諾**。來源：[GitHub Discussion #327](https://github.com/Canner/WrenAI/discussions/327)
> - ✅ **已驗證**：WrenAI 支援 Trino，因此 SAP HANA → Trino → WrenAI 的中轉路徑在技術上成立。Starburst Enterprise 提供商業版 SAP HANA Connector。
> - ✅ **已驗證**：四條整合路徑（PostgreSQL 同步、Trino 中轉、OData 中介層、等待原生連接器）的技術描述合理，符合業界常見整合模式。
> - ⚠️ **待確認**：報告稱官方文件「支援 16 種資料來源」，但文件內部描述與 GitHub 描述「12+ data sources」不一致（詳見第三節評審意見）。第五節引用此數字時應保持一致。
> - ⚠️ **待確認**：「Starburst Enterprise SAP HANA Connector 需付費授權」為作者陳述，屬已知事實，但費用未說明。Starburst 定價對客戶 TCO 影響顯著，建議補充估算或附 Starburst 參考售價。
> - ⚠️ **待確認**：「SAP HANA 的複雜欄位類型（VARCHART、NCLOB 等）可能導致 Trino 轉換問題」——「VARCHART」疑似為「VARCHAR」或「NVARCHAR」之筆誤，請核實。
> - ⚠️ **待確認**：「SAP 授權允許性需確認（資料複製到外部系統是否需額外授權）」——此為關鍵法律/授權問題，應在報告中更明確標示為必驗事項，而非僅以括號帶過。
> - 💡 **個人意見/估算**：整合複雜度評分（路徑一 3/5、路徑二 4/5、路徑三 4–5/5）為作者主觀評估，合理但屬估算，實際複雜度因客戶環境而異。
> - 💡 **個人意見/估算**：代理商策略建議（短期主推 PostgreSQL 同步路徑、鎖定已有 SAP BW 客戶、規避純 HANA 環境等）為作者策略判斷，合理且具實用性。
> - 🔧 **改善建議**：(1) 修正可能的筆誤「VARCHART」為正確欄位類型名稱；(2) 在 SAP 資料複製授權問題上加強警示，建議加入「需諮詢 SAP 法務或授權顧問」的明確提醒；(3) 補充 Starburst Enterprise 的概略授權費用範圍，讓 TCO 評估更完整；(4) 原生連接器路徑（路徑四）應加入 Discussion #327 連結，方便讀者追蹤社群投票進展。

---

## 六、競品比較表

> 評分標準：★★★★★ 優秀 | ★★★★☆ 良好 | ★★★☆☆ 普通 | ★★☆☆☆ 不足 | ★☆☆☆☆ 差

| 評估維度 | WrenAI | Microsoft Copilot for Power BI | Google Looker + Gemini | ThoughtSpot | Metabase（OSS） |
|---|---|---|---|---|---|
| **GenBI / NL2SQL 能力** | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★☆☆☆ |
| **語意層設計** | ★★★★★（MDL） | ★★★★☆（Power BI Model） | ★★★★★（LookML） | ★★★★☆ | ★★☆☆☆ |
| **SAP ERP 整合** | ★★☆☆☆（需中轉） | ★★★★☆（SAP connector） | ★★★☆☆ | ★★★☆☆ | ★★☆☆☆ |
| **授權成本** | ★★★★★（最低） | ★★☆☆☆（高） | ★★☆☆☆（高） | ★★★☆☆（中高） | ★★★★★（免費） |
| **自部署彈性** | ★★★★★ | ★★★☆☆ | ★★☆☆☆ | ★★★☆☆ | ★★★★★ |
| **企業功能成熟度** | ★★★☆☆ | ★★★★★ | ★★★★★ | ★★★★☆ | ★★★☆☆ |
| **中文介面支援** | ★★☆☆☆（查詢可，UI無） | ★★★★☆ | ★★★★☆ | ★★★☆☆ | ★★★☆☆ |
| **代理商利潤空間** | ★★★★☆（服務加值） | ★★★☆☆（微軟通路規範多） | ★★☆☆☆（Google 通路嚴） | ★★★★☆ | ★★★☆☆ |
| **原廠支援保障** | ★★☆☆☆（新創 14 人） | ★★★★★ | ★★★★★ | ★★★★☆ | ★★☆☆☆（社群） |
| **品牌認知度（台灣）** | ★★☆☆☆ | ★★★★★ | ★★★★☆ | ★★★☆☆ | ★★★☆☆ |

**比較表小結**：
- WrenAI 在**成本**與**部署彈性**上具備明確優勢，適合預算受限但技術能力足夠的中型企業。
- 其最大弱點為 SAP 原生整合缺失與企業支援保障，這兩點對台灣 SAP 客戶而言是實質障礙。
- 與 Microsoft Copilot for Power BI 相比，WrenAI 的代理商利潤空間更高（因微軟通路管控嚴格），但銷售難度也更高（需自行建立客戶信任）。

> **📋 評審意見（第六節：競品比較表）**
> - ✅ **已驗證**：WrenAI 在授權成本（開源核心）與自部署彈性方面的優勢描述準確，與產品定位一致。
> - ✅ **已驗證**：Microsoft Copilot for Power BI（M365 生態整合）、Google Looker + Gemini（LookML）、Metabase（開源 BI）的基本定位描述符合業界認知。
> - ⚠️ **待確認**：「Microsoft Copilot for Power BI 的 SAP ERP 整合 ★★★★☆」——微軟確實有 SAP connector，但具體評分依據未說明，建議補充說明。
> - ⚠️ **待確認**：「ThoughtSpot NL2SQL 能力 ★★★★★」——ThoughtSpot 的 SearchIQ 為業界知名的自然語言查詢工具，給滿分合理，但建議加注評分基準說明。
> - ⚠️ **待確認**：「原廠支援保障：新創 14 人」——員工數 14 人為 Latka 自報數據（詳見第四節評審意見），此欄引用應加警語。
> - 💡 **個人意見/估算**：整張比較表的所有星級評分均為作者主觀評估，未引用第三方基準測試或獨立評測，屬合理的研究者觀點，但讀者應知悉此為作者判斷。
> - 💡 **個人意見/估算**：「微軟通路規範多、Google 通路嚴」的評語為業界常識性判斷，屬合理觀點。
> - 🔧 **改善建議**：(1) 在表格前加入「評分為作者主觀評估，截至 YYYY-MM」的時效與性質聲明；(2) 「原廠支援保障（新創 14 人）」欄位加上「Latka 自報數據」警語；(3) 可考慮加入 WrenAI 與 Tableau Pulse 的中文支援比較，台灣客戶最關心此點。

---

## 七、代理商評估建議

### 7.1 是否值得洽談代理？

**建議：值得初步洽談，但需設定明確的評估條件後再決定是否深度投入。**

**支持洽談的理由**：
1. **台灣血統**：Canner 為台灣公司，溝通成本低，且有潛力成為「Made in Taiwan」GenBI 代理的差異化故事。
2. **開源社群熱度上升**：GitHub 14,000+（截至 2026 年 4 月），開源社群活躍，產品在技術圈的口碑正在建立中。
3. **代理商服務空間大**：MDL 語意建模、SAP 中轉架構設計、中文培訓等加值服務，是代理商可創造高毛利的服務包。
4. **進入時機早**：現在談代理，有機會爭取到台灣地區優先或獨家條款；晚進者將面臨更多競爭。
5. **授權費門檻低**：即使客戶規模不大，每年 3,000–5,000 美元的授權基礎費讓成交門檻相對低。

**需謹慎評估的風險**：
1. **SAP HANA 整合缺失**：對 SAP ERP 客戶而言這是硬傷，代理商需自行開發並維護中轉方案，增加交付複雜度與成本。
2. **原廠財務穩定性**：融資僅 350 萬美元且 3 年未新增輪次，需確認原廠是否有足夠跑道支撐 2–3 年合作。
3. **企業功能尚未成熟**：2024 年才開始商業化，部分企業級功能（SSO、複雜 JOIN、多租戶）仍在快速迭代中，可能影響客戶滿意度。
4. **市場教育成本**：台灣企業對 WrenAI 的品牌認知幾乎為零，代理商需投入大量市場教育資源。

---

### 7.2 建議洽談時機

```
立即行動（2025 Q2）：進行初步商務洽談，了解合作條款框架
          ↓
條件評估（2025 Q3）：要求原廠提供路線圖承諾（SAP HANA 連接器、中文化）
          ↓
試點驗證（2025 Q3–Q4）：選擇 1–2 個試點客戶（非純 SAP HANA 環境），交付並驗證服務包
          ↓
正式簽約（2026 Q1）：依試點結果決定是否正式簽訂代理協議
```

**不建議等待的原因**：若競爭代理商搶先簽約，後進者將喪失區域優先權談判優勢。

---

### 7.3 最適合銷售的客群

**高優先（立即可銷售）**：
- 中型零售連鎖（擁有 POS 系統資料庫，非純 SAP 環境）
- 擁有 PostgreSQL/MSSQL 資料倉儲的製造業（SAP 資料已有鏡像庫）
- 需要自助報表的電商、物流企業

**中優先（需中轉方案配合）**：
- SAP ECC/S4HANA 用戶，且已有 SAP BW 或資料倉儲的製造業
- 使用 Azure SQL / AWS Redshift 的混合雲企業

**低優先（暫緩）**：
- 純 SAP HANA、無外部資料庫、要求即時查詢的製造業
- 法遵要求極嚴格的金融機構（待原廠取得相關認證後再評估）


> **📋 評審意見（第七節：代理商評估建議）**
> - ✅ **已驗證**：Elite Partner 計畫頁面（getwren.ai/elite）確實存在，提供「更高獎勵、優先支援、獨家存取」。來源：[Wren AI Elite Partners](https://getwren.ai/elite)
> - ✅ **已驗證**：SAP HANA 連接器缺失（持續未提供）為報告中反覆確認的核心事實，此節再次引用正確。
> - ✅ **已驗證**：「2024 年才開始商業化（Cloud 版 2024/10 推出）」時間點正確。
> - ⚠️ **待確認**：「GitHub 5,000+ stars，開源社群活躍」——此數字已嚴重過時，現已達 14,000+ stars（詳見第一節評審意見）。第七節 7.1 「支持洽談的理由第 2 點」應一併更正。
> - ⚠️ **待確認**：「每年 3,000–5,000 美元的授權基礎費」——Self-Hosted 定價（特別是 Enterprise Plus $3,000/年）在第二節已標注為待確認，此處引用應同步更新，待定價核實後修正。
> - ⚠️ **待確認**：「融資僅 350 萬美元且 3 年未新增輪次」——本次搜尋至 2026/04 確認無新輪次公告，陳述屬實，但私人融資不一定公開，此推斷仍有不確定性。
> - ⚠️ **待確認**：洽談時程表（2025 Q2 → 2026 Q1）的設計基於 2025 年初研究，報告最終更新日期為 2026/04，此時程是否已逾期或仍適用，需在第九節一併說明。
> - 💡 **個人意見/估算**：「進入時機早，有機會爭取獨家條款」為策略觀點，合理。
> - 💡 **個人意見/估算**：「市場教育成本高，台灣對 WrenAI 品牌認知幾乎為零」為作者現實評估，合理。
> - 💡 **個人意見/估算**：「台灣血統作為差異化故事」為行銷策略建議，屬作者洞察，非客觀事實。
> - 🔧 **改善建議**：(1) 更新 GitHub stars 數字（5,000+ → 14,000+）；(2) 洽談時程表應在第九節更新為 2026 年版（原時程已過期）；(3) 五項洽談建議事項中，「分潤比例 20–40%」應加上「業界慣例估算，非 WrenAI 官方條款」的聲明。

---

## 八、綜合評分

### 8.1 各維度評分

| 評估維度 | 權重 | 得分（1–10） | 加權分數 | 說明 |
|---|---|---|---|---|
| 技術能力（GenBI/NL2SQL） | 20% | 8 | 1.60 | 語意層設計優秀，LLM 靈活性高 |
| SAP ERP 整合可行性 | 20% | 3 | 0.60 | 無原生連接器，需中轉，是最大弱點 |
| 代理商商業可行性 | 15% | 6 | 0.90 | 服務加值空間大，但授權費基礎偏低 |
| 產品成熟度與穩定性 | 15% | 5 | 0.75 | 商業化僅 6 個月，企業功能尚在迭代 |
| 原廠財務穩定性 | 10% | 4 | 0.40 | 14 人團隊、3 年無新融資，風險偏高 |
| 授權成本競爭力 | 10% | 9 | 0.90 | 開源核心＋低基礎授權費，市場競爭力強 |
| 中文與本地化支援 | 5% | 4 | 0.20 | 查詢可中文，但 UI 全英文 |
| 品牌與市場知名度（台灣）| 5% | 3 | 0.15 | 台灣知名度極低，需大量教育投資 |

### 8.2 總評

| | |
|---|---|
| **加權總分** | **5.50 / 10** |
| **整體評級** | ⚠️ 謹慎評估後可洽談 |
| **最終建議** | 進行非正式洽談，設定 3 個前提條件後再決定是否正式代理 |

### 8.3 三項代理前提條件

若以下三點無法獲得原廠書面承諾，**建議暫緩正式代理**：

1. **SAP HANA 連接器開發承諾**：原廠須提供具體開發時程（建議 2025 年底前 Beta 版），或願意與代理商共同開發並給予優先支援。
2. **財務健康確認**：原廠應揭露近期財務狀況或正在進行中的融資計畫，確認有至少 18 個月以上跑道。
3. **台灣區優先代理條款**：確保在台灣市場的獨家或優先地位，避免代理商培育市場後遭原廠直銷或其他代理商搶單。


> **📋 評審意見（第八節：綜合評分）**
> - ✅ **已驗證**：評分框架所依據的事實（SAP HANA 無原生連接器、Cloud 版 2024/10 推出、開源核心授權費低等）均與前各節驗證結果一致。
> - ✅ **已驗證**：三項代理前提條件（SAP HANA 連接器開發承諾、財務健康確認、台灣區優先代理條款）邏輯合理，與前述風險分析吻合。
> - ⚠️ **待確認**：評分表「原廠財務穩定性」說明欄寫「14 人團隊、3 年無新融資」——員工數 14 人為 Latka 自報數據，應加上警語。
> - ⚠️ **待確認**：「產品成熟度與穩定性得分 5 分，說明：商業化僅 6 個月」——依研究日期 2025 年 4 月計算，Cloud 版 2024/10 推出，商業化約 6 個月，計算正確；但在 2026 年版本視角下已不適用，第九節應更新此評分。
> - 💡 **個人意見/估算**：各維度得分（1–10）、權重配置（如 SAP 整合 20%）及加權總分（5.50/10）均為作者主觀評估框架，非第三方評測結果。評分系統本身設計合理，但讀者應理解這是研究者的結構化判斷，而非客觀測試分數。
> - 💡 **個人意見/估算**：「代理商商業可行性 6 分：服務加值空間大，但授權費基礎偏低」——Self-Hosted 定價待確認（第二節），此評分依據可能需隨定價核實而調整。
> - 💡 **個人意見/估算**：「技術能力（GenBI/NL2SQL）8 分：語意層設計優秀，LLM 靈活性高」——符合本報告技術架構節的分析結論，評分有據。
> - 🔧 **改善建議**：(1) 評分說明欄中「14 人」應加「（Latka 自報）」；(2) 鑒於 2026 年已有多個版本更新，建議在第九節補充更新後的評分（如產品成熟度應從 5 分調升）；(3) 三項前提條件中「2025 年底前 Beta 版」的 SAP HANA 截止日期已過，建議在第九節更新評估。

---

## 參考資料來源

- [WrenAI GitHub 官方倉庫](https://github.com/Canner/WrenAI)
- [WrenAI 官方網站](https://www.getwren.ai/)
- [WrenAI 定價頁面](https://www.getwren.ai/pricing)
- [WrenAI 官方文件：OSS vs. Cloud vs. Self-Hosted](https://docs.getwren.ai/oss/overview/cloud_vs_self_host)
- [WrenAI 官方文件：資料來源連接](https://docs.getwren.ai/cp/guide/connect/overview)
- [Canner 官方融資新聞：Pre-A 輪 350 萬美元](https://technode.global/2022/03/08/taiwan-data-mesh-solution-provider-canner-raises-3-5m-series-pre-a-funding-led-by-taiwania-capital/)
- [WrenAI 2024 年度回顧（Medium）](https://medium.com/wrenai/wren-ai-2024-year-in-review-a-fruitful-journey-and-exciting-plans-ahead-6496bd37c906)
- [WrenAI 2025 前瞻文章](https://www.getwren.ai/post/forward-to-2025-powering-the-future-of-enterprise-with-ai-driven-data-intelligence)
- [Latka：WrenAI 收入與團隊數據](https://getlatka.com/companies/getwren.ai)
- [WrenAI 語意引擎設計文章](https://www.getwren.ai/post/how-we-design-our-semantic-engine-for-llms-the-backbone-of-the-semantic-layer-for-llm-architecture)
- [Canner Crunchbase 頁面](https://www.crunchbase.com/organization/cannerdata)
- [Taiwania Capital 投資組合：Canner](https://www.taiwaniacapital.com/en/portfolios/category/canner)

---

*報告撰寫完成 ✓ | 最終更新：2026年4月*

---

## 九、2026 年最新動態補充
*補充研究日期：2026年4月*

### 9.1 產品功能更新（2026）

截至 2026 年 4 月，WrenAI 在產品層面持續快速迭代，主要版本更新摘要如下：

#### 版本 0.49.0（2026 年 1 月 15 日）
- 新增 **屬性型存取控制（ABAC）**：Viewer 角色權限管理強化，企業多角色管控更精細。
- **Metadata 管理支援 Git 版本控制**：語意層模型定義可納入 Git 工作流程，提升工程團隊協作效率。
- **dbt CLI 篩選器**：強化 dbt 整合，可針對特定 dbt 模型子集進行查詢。
- 推出 **Interactive Mode API**：為對話式多步驟查詢工作流程奠定基礎。

#### 版本 0.51.0（2026 年 2 月 13 日）
- **多分頁多專案支援**：使用者可在同一介面同時切換操作多個資料專案。
- **Athena Spark 與 Spark 連接器**：新增對 Amazon Athena Spark 的原生支援，擴大雲端資料倉儲覆蓋範圍。
- **Thread Tracing**：用戶回饋迴路機制，可追蹤查詢對話品質，為後續模型優化提供資料依據。

#### 版本 0.52.0（2026 年 3 月 16 日）
- **Slack Interactive Mode**：支援直接在 Slack 中進行即時對話式 GenBI 查詢，降低業務人員使用門檻。
- **Embedded Threads 元件**：可將 AI 對話查詢介面嵌入外部產品，強化 OEM/代理商加值整合場景。
- **串流穩定性改善**：長查詢的串流回應穩定性提升，改善企業用戶體驗。
- **信用額度使用顯示**：Embedded Threads 中加入用量計費可視化功能。

#### 其他重要更新
- **GPT-5 模型支援**：新增 GPT-5 系列模型設定，支援 `reasoning_effort` 參數，可依查詢複雜度調整推理深度。
- **多語言介面擴充**：新增阿拉伯文（Arabic）、波斯文（Persian）、義大利文（Italian）、荷蘭文（Dutch）UI 語言支援，但**繁體中文介面仍未列入官方語言清單**，對台灣本地化銷售仍是短板。
- **DuckDB 最新版支援**：可整合 Hugging Face 資料集，提升資料科學應用場景覆蓋。

**SAP HANA 連接器動態**：截至 2026 年 4 月，搜尋結果中**未發現任何 WrenAI 原生 SAP HANA 連接器的開發或釋出公告**。GitHub 社群討論中雖有需求聲音，但原廠尚無具體交付時程。SAP 整合仍需依賴本報告第五節所述之中轉路徑，此限制對代理商的 SAP 客戶銷售策略未有改變。

---

### 9.2 融資與公司動態（2026）

截至 2026 年 4 月，公開資訊中**尚無 Canner（易開科技）新一輪融資的正式宣布**。主要資料點如下：

- **ARR 成長軌跡**：根據 Latka 數據，WrenAI 於 2025 年中達到約 150 萬美元 ARR，以 14 人精實團隊達成此規模仍屬亮眼，但尚未見到 2026 年更新的公開收入數據。
- **未見 Series A 公告**：在 Crunchbase 及主要科技媒體的 2026 年搜尋結果中，Canner 未出現新融資公告。依業界 Series A 標準（需 2M+ ARR、3 倍年增長），WrenAI 若維持 2025 年增速，理論上已接近融資門檻，但正式公告尚未出現。
- **產品更新節奏**：2026 年 Q1 連續發布三個主要版本（v0.49、v0.51、v0.52），顯示工程團隊仍在積極開發，公司運營尚屬正常。
- **合作夥伴生態**：出現第三方部署服務商（如 Visionarist）提供企業級自建部署服務，顯示生態系逐步擴展，但官方代理夥伴計畫細節仍未公開揭露。

**評估含意**：融資未有公告並不必然代表財務困境；部分台灣新創選擇以營收自持增長。然而，本報告原先提出的「原廠財務穩定性風險」（原評分 4/10）在 2026 年 4 月仍**無法被排除**，代理商洽談時仍應要求原廠揭露財務跑道資訊。

---

### 9.3 代理商評估更新（2026）

綜合 2026 年 Q1 的產品更新資訊，對原報告代理商評估的影響分析如下：

| 評估面向 | 原報告結論（2025 Q2） | 2026 Q1 更新後評估 | 變化方向 |
|---|---|---|---|
| SAP HANA 整合 | 無原生連接器，需中轉 | **無變化**，仍需中轉 | ➡ 持平（負面因素未改善） |
| 企業功能成熟度 | 商業化僅 6 個月，迭代中 | ABAC、RBAC、SSO 持續完善；Embedded Threads 強化嵌入場景 | ↑ 小幅改善 |
| Embedded Analytics 加值空間 | Essential+ 方案支援 | Slack 整合＋Embedded Threads 元件增加代理商加值可能性 | ↑ 改善 |
| 多語言/本地化 | UI 全英文，中文僅查詢可用 | 新增 4 種語言但無繁中 | ➡ 持平（對台灣市場無直接助益） |
| 原廠財務穩定性 | 14 人、3 年無新融資 | 仍無新融資公告；但產品迭代節奏穩定 | ➡ 持平（風險未排除） |
| 代理夥伴生態 | Elite Partner 頁面存在但條款不透明 | 出現第三方部署夥伴；官方夥伴條款仍不透明 | ➡ 持平 |

**總結評估**：2026 年 Q1 的產品更新顯示 WrenAI 在**企業功能完整性**與**嵌入式分析場景**上有實質進步，對代理商加值服務包的設計更有利。然而，SAP HANA 原生整合缺失與融資透明度不足，兩大核心風險點在 2026 年 4 月仍未獲解決。

**建議行動調整**：
- 若原報告建議的「2025 Q2 初步洽談 → 2026 Q1 正式簽約」時程表仍未推進，建議以 **Slack 整合**與 **Embedded Threads** 為新的切入賣點，重新評估非 SAP 客戶（零售、電商）的試點可行性。
- 繼續追蹤 WrenAI GitHub Issues 中 SAP HANA 連接器進度，一旦有 Beta 版本出現，應立即重啟代理談判。
- 仍建議維持原報告三項代理前提條件，尤其是「財務健康確認」。


> **📋 評審意見（第九節：2026 年最新動態補充）**
> - ✅ **已驗證**：WrenAI Release Notes 官方頁面（docs.getwren.ai/cp/releases）確實存在，版本記錄可查閱。來源：[Wren AI Release Notes](https://docs.getwren.ai/cp/releases)
> - ✅ **已驗證**：「Embedded Threads in Wren AI」功能存在，LinkedIn 官方帳號有相關公告貼文。來源：[LinkedIn - Wren AI Embedded Threads](https://www.linkedin.com/posts/wrenai_introducing-embedded-threads-this-is-activity-7442934351060709376-Yzq-)
> - ✅ **已驗證**：截至 2026 年 4 月，**Canner 無新一輪融資公告**（Crunchbase 與主要媒體搜尋未發現），此陳述屬實。
> - ✅ **已驗證**：SAP HANA 原生連接器截至 2026 年 4 月仍未推出，與前節結論一致。
> - ⚠️ **待確認**：v0.49.0（2026/01/15）、v0.51.0（2026/02/13）、v0.52.0（2026/03/16）的**具體功能描述（ABAC、多分頁、Slack Interactive Mode 等）在本次搜尋中未能直接從官方 Release Notes 頁面獲得獨立確認**。搜尋結果指向 docs.getwren.ai/cp/releases 頁面存在，但搜尋引擎未能返回頁面內容。建議直接查閱以下連結逐一核實：[v0.52.0](https://docs.getwren.ai/cp/releases/0.52.0)、[v0.51.0](https://docs.getwren.ai/cp/releases/0.51.0)、[v0.49.0](https://docs.getwren.ai/cp/releases/0.49.0)
> - ⚠️ **待確認**：「新增 GPT-5 模型支援，含 `reasoning_effort` 參數」——GPT-5 系列（含 5.3、5.4）於 2026 年確實存在，`reasoning_effort` 參數也存在於 OpenAI API，但**WrenAI 官方 release notes 中是否明確列出 GPT-5 支援**未獲直接確認，請核實版本說明。
> - ⚠️ **待確認**：「新增阿拉伯文、波斯文、義大利文、荷蘭文 UI 語言支援」——此功能描述未能從搜尋結果中獲得獨立確認，需至官方 Release Notes 核實。
> - ⚠️ **待確認**：「ARR 150 萬美元（Latka 數據 2025/06）」再次引用——同第四節評審意見，此數據為 **Latka 自報（創辦人接受 podcast 訪談時陳述），未經獨立驗證**，不得作為正式財務依據。
> - ⚠️ **待確認**：「Series A 標準需 2M+ ARR、3 倍年增長」為作者引用的業界慣例，來源未標注，不同投資機構標準差異大，建議加注「業界一般參考標準，非 WrenAI 相關方陳述」。
> - ⚠️ **待確認**：「出現第三方部署服務商 Visionarist 提供企業級自建部署服務」——來源為 visionarist.co，屬第三方部署服務商自我介紹，應標注為第三方資訊而非 WrenAI 官方。來源：[Visionarist WrenAI](https://www.visionarist.co/open-source-tools/wrenai/)
> - 💡 **個人意見/估算**：「融資未有公告並不必然代表財務困境；部分台灣新創選擇以營收自持增長」為作者合理推斷，屬觀點性說明。
> - 💡 **個人意見/估算**：9.3 節「代理商評估更新」表格中的所有「變化方向」評估（↑/➡）為作者判斷，合理且有前後一致性。
> - 🔧 **改善建議**：(1) v0.49/0.51/0.52 版本功能描述**必須直接查閱官方 Release Notes 核實後才可引用**，建議附上各版本頁面連結；(2) GPT-5 支援聲明需附官方 Release Notes 或 GitHub commits 的直接佐證；(3) Latka ARR 數據在本節再次出現時應維持一致的警語標注；(4) 9.2 節「Series A 融資門檻」引用應加注資料來源或聲明為業界慣例估算；(5) 9.3 節時程表應更新為「若原 2026 Q1 正式簽約時程尚未推進，建議以…重新評估」，因原時程節點已到達。

---

### 參考資料（2026）

- [WrenAI Release Notes 官方版本記錄](https://docs.getwren.ai/cp/releases)
- [WrenAI v0.52.0 版本說明](https://docs.getwren.ai/cp/releases/0.52.0)
- [WrenAI v0.51.0 版本說明](https://docs.getwren.ai/cp/releases/0.51.0)
- [WrenAI v0.49.0 版本說明](https://docs.getwren.ai/cp/releases/0.49.0)
- [WrenAI GitHub Releases 頁面](https://github.com/canner/WrenAI/releases)
- [Canner Crunchbase 融資頁面](https://www.crunchbase.com/organization/cannerdata)
- [Latka：WrenAI 收入數據（2025）](https://getlatka.com/companies/getwren.ai)
- [WrenAI 官方網站](https://www.getwren.ai/)
- [Visionarist：WrenAI 企業部署服務夥伴](https://www.visionarist.co/open-source-tools/wrenai/)