DB-GPT 开源智能体数据助手全景指南Agentic AI 数据应用框架的核心能力与快速部署【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPTDB-GPT 是一个开源的Agentic AI 数据助手agentic AI data assistant面向下一代「AI Data」产品帮助用户连接数据库、CSV/Excel、数据仓库与知识库用自然语言驱动 AI 自主编写 SQL 与 Python 代码并在沙箱环境中安全执行分析任务、生成图表与报告。本文以仓库根目录的 README.md含马拉雅拉姆语翻译版 README.ma.md为主体结合仓库源码与配置文件系统讲解 DB-GPT 的定位、核心能力、产品工作流、快速部署方案与支持模型矩阵帮助你快速评估并落地一个 AI 原生数据应用。一、DB-GPT 是什么面向 AI Data 的智能体框架根据仓库根目录 README.md 的定义DB-GPT 是一个开源的Agentic AI 数据助手为下一代AI Data产品而设计。它帮助用户和团队完成以下工作连接数据库、CSV/Excel 文件、数据仓库与知识库等多源数据用自然语言提问让 AI自主编写 SQL运行Python 与代码驱动的分析工作流加载并执行可复用的领域技能Skills生成图表、仪表盘、HTML 报告与分析摘要在沙箱环境中安全执行任务。同时DB-GPT 也是一个构建AI 原生数据智能体、工作流与应用的平台底层由 Agent、AWEL、RAG 与多模型管理SMMF能力支撑。从源码结构看这套能力被拆分为多个独立包应用层 packages/dbgpt-app、核心框架 packages/dbgpt-core内含agent/智能体、core/awel/工作流编排、rag/检索增强生成等模块、服务层 packages/dbgpt-serve、客户端 packages/dbgpt-client、加速器 packages/dbgpt-accelerator 与扩展包 packages/dbgpt-ext。README 中给出了一幅整体架构示意为什么选择 DB-GPT五大设计亮点README 从五个角度阐述了 DB-GPT 的差异化能力Agentic 数据分析规划任务、将工作拆分为步骤、调用工具端到端完成分析工作流。自主 SQL 代码执行生成 SQL 与代码来完成数据查询、数据集清洗、指标计算与结果输出。多源数据访问跨结构化与非结构化数据源工作包括数据库、电子表格、文档与知识库。技能驱动的可扩展性将领域知识、分析方法与执行工作流打包为可复用的技能。沙箱化执行在隔离环境中运行代码与工具获得更安全、更可靠的分析。其中“技能驱动”与“沙箱执行”在仓库中有直接的代码与资源落地仓库根目录的 skills/ 目录内置了csv-data-analysis、financial-report-analyzer、walmart-sales-analyzer、agent-browser、skill-creator等可复用技能并配有 skills/README.md 与 skills/INTEGRATION_GUIDE.md 说明集成方式沙箱能力则位于 packages/dbgpt-sandbox其 README 与src/dbgpt_sandbox/源码对应着隔离执行环境的实现。二、你能用 DB-GPT 做什么README 列出了典型的使用场景分析 CSV / Excel 文件并生成可视化报告连接数据库并产出画像profiling报告用自然语言提出业务问题让 AI 自动编写 SQL用代码、图表与叙述性摘要完成财务报告分析创建并复用 SQL 分析技能与领域工作流在单个智能体工作流中组合代码、SQL、检索与工具为团队或产品构建下一代 AI Data 助手。这些场景在 examples/ 目录中均有可运行的示例佐证例如智能体对话示例 examples/agents/sql_agent_dialogue_example.py、数据智能体 examples/agents/data_manus_example.py、RAG 检索示例 examples/rag/embedding_rag_example.py 以及 AWEL 工作流示例 examples/awel/awel_flow_ui_components.py可作为实践参考。三、产品工作流从数据探索到报告生成README 将产品使用流程归纳为四个阶段阶段说明探索数据Explore data在一个工作区中连接文件、数据库与知识库规划与执行Plan and execute让 AI 推理任务、编写 SQL 与代码并逐步执行使用技能Use skills为可复现的业务分析工作流加载可复用技能生成报告Generate reports产出图表、仪表盘、HTML 报告与可决策的输出这一“规划 → 拆解 → 调用工具 → 端到端完成分析”的执行链路对应核心包中智能体的编排实现packages/dbgpt-core/src/dbgpt/agent以及 AWEL 工作流编排引擎packages/dbgpt-core/src/dbgpt/core/awel。四、核心能力矩阵README 汇总了六大核心能力能力说明Agentic 分析任务规划、逐步执行、工具使用、迭代推理SQL 代码执行自然语言转 SQL、基于 Python 的分析与转换、指标计算、图表生成多源数据访问关系数据库、CSV/Excel、文档、知识库、混合源工作流技能与智能体可复用技能、领域工作流、智能体编排、可定制执行流报告与决策支持数据库画像报告、财务分析报告、可视化报告与仪表盘、摘要与业务洞察安全执行沙箱化代码执行、受控工具使用、可复现输出与产物多源数据访问能力在 README 中配有一张数据源示意图直观展示了数据库、文件、数据仓库等连接方式的统一入口五、快速开始两条部署路径README 提供了两种快速上手的路径一键安装脚本与 PyPI 安装。详细步骤也可参考 docs/docs/quickstart.md。5.1 一键安装脚本macOS 与 Linux最基本的安装命令如下curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh | bash也可以在命令行直接指定部署配置profile与 API Keycurl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | OPENAI_API_KEYsk-xxx bash -s -- --profile openai例如通过 Moonshot API 使用 Kimi 2.5curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | MOONSHOT_API_KEYsk-xxx bash -s -- --profile kimi或者使用 MiniMax 的 OpenAI 兼容 APIcurl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | MINIMAX_API_KEYsk-xxx bash -s -- --profile minimax如果本地已经有一份 DB-GPT 源码仓库可以复用而不是重新克隆到~/.dbgpt/DB-GPTOPENAI_API_KEYsk-xxx \ bash scripts/install/install.sh --profile openai --repo-dir $(pwd) --yes安装完成后用生成的 profile 配置启动服务器cd ~/.dbgpt/DB-GPT uv run dbgpt start webserver --profile profile然后在浏览器中打开 http://localhost:5670 即可使用。安装脚本实际执行了什么查看 scripts/install/install.sh 的源码可以确认该脚本依次完成检测操作系统仅支持 macOS/Linux→ 确保curl、git可用 → 安装uv若缺失→ 克隆或更新 DB-GPT 仓库 → 按所选 profile 执行uv sync --all-packages安装依赖 → 通过dbgpt setup生成配置文件 → 校验 CLI → 输出下一步指引。脚本明确不做以下事情不安装 GPU 驱动或 CUDA、不下载本地大模型、不修改 shell 配置文件、不收集遥测数据。脚本支持的命令行参数与环境变量如下来源scripts/install/install.sh参数 / 环境变量作用--profile name部署配置openai、kimi、qwen、minimax、glm、custom、default--config path使用已有 TOML 配置跳过配置生成--install-dir path安装目录默认~/.dbgpt--version git-ref指定 Git 标签或分支默认main--repo-dir path复用本地已存在的 DB-GPT 仓库--mirror china使用清华 PyPI 镜像--yes非交互模式接受所有默认值--start安装完成后直接启动 DB-GPT 服务器OPENAI_API_KEY注入 OpenAI / custom / default / kimi(embedding) 配置MOONSHOT_API_KEY注入 Kimi 配置DASHSCOPE_API_KEY注入 Qwen 配置MINIMAX_API_KEY注入 MiniMax 配置ZHIPUAI_API_KEY注入 GLM 配置DBGPT_INSTALL_DIR/DBGPT_REPO_DIR/DBGPT_VERSION覆盖默认安装目录、复用仓库、覆盖 Git 引用Profile 与依赖映射脚本通过 scripts/install/lib/profiles.sh 维护 profile 与uvextras、API Key 环境变量的映射。以openaiprofile 为例会安装base、proxy_openai、rag、storage_chromadb、dbgpts五组 extrasqwen额外追加proxy_tongyiglm额外追加proxy_zhipuai。这些 preset 与 install_help.py 中get_deployment_presets()的定义保持一致。5.2 通过 PyPI 安装无需源码前提条件Python 3.10推荐使用uv或pip。# 推荐使用 uv uv pip install dbgpt-app # 或使用 pip pip install dbgpt-app默认安装包含核心框架CLI、FastAPI、Agent、OpenAI 兼容 LLM 支持、DashScope/Tongyi 支持、RAG 文档解析以及 ChromaDB 向量存储。安装后直接启动dbgpt start首次运行时会进入交互式配置向导引导选择 LLM 提供商并输入 API Key完成后 Web 服务器自动启动访问 http://localhost:5670 即完成。5.3 配置文件说明以 configs/dbgpt-proxy-openai.toml 为例核心配置分为四块[system] language ${env:DBGPT_LANG:-en} api_keys [] encrypt_key your_secret_key [service.web] host 0.0.0.0 port 5670 cors_allowed_origins ${env:DBGPT_CORS_ALLOWED_ORIGINS:-*} [service.web.database] type sqlite path pilot/meta_data/dbgpt.db [models] [[models.llms]] name ${env:LLM_MODEL_NAME:-gpt-4o} provider ${env:LLM_MODEL_PROVIDER:-proxy/openai} api_base ${env:OPENAI_API_BASE:-https://api.openai.com/v1} api_key ${env:OPENAI_API_KEY} [[models.embeddings]] name ${env:EMBEDDING_MODEL_NAME:-text-embedding-3-small} provider ${env:EMBEDDING_MODEL_PROVIDER:-proxy/openai} api_url ${env:EMBEDDING_MODEL_API_URL:-https://api.openai.com/v1/embeddings} api_key ${env:OPENAI_API_KEY}要点说明配置支持环境变量注入${env:VAR:-default}语法表示优先读取环境变量未设置时回退到默认值因此api_key可以直接用${env:OPENAI_API_KEY}方式从环境读取避免密钥写入文件。默认使用 SQLite[service.web.database]中type sqlite、path pilot/meta_data/dbgpt.db即默认启动模式无需额外安装数据库。LLM 与 Embedding 分离配置[[models.llms]]配置对话大模型[[models.embeddings]]配置向量化模型两者可以来自不同提供商。更完整的参考配置见 configs/dbgpt-app-config.example.toml其中还包含[service.web.agent_context]Agent 上下文窗口预算、并行子智能体数量与[[app.configs]]各应用模块的温度、记忆、Schema 检索 TopK 等的示例。仓库 configs/ 目录下还提供了 DeepSeek、Ollama、Tongyi、SiliconFlow、vLLM、llama.cpp、MLX、GLM、Qwen 等二十余份现成配置文件可直接对照使用。六、支持的模型与 Text2SQL 微调6.1 支持的模型提供商README 的模型支持表格如下当前仓库版本提供商支持代表模型DeepSeek✅DeepSeek-R1-0528、DeepSeek-V3-0324、DeepSeek-R1、DeepSeek-V3、DeepSeek-R1-Distill-Llama-70B、DeepSeek-R1-Distill-Qwen-32B、DeepSeek-Coder-V2-InstructQwen✅Qwen3-235B-A22B、Qwen3-30B-A3B、Qwen3-32B、QwQ-32B、Qwen2.5-Coder-32B-Instruct、Qwen2.5-Coder-14B-Instruct、Qwen2.5-72B-Instruct、Qwen2.5-32B-InstructGLM✅GLM-Z1-32B-0414、GLM-4-32B-0414、Glm-4-9b-chatLlama✅Meta-Llama-3.1-405B-Instruct、Meta-Llama-3.1-70B-Instruct、Meta-Llama-3.1-8B-Instruct、Meta-Llama-3-70B-Instruct、Meta-Llama-3-8B-InstructGemma✅gemma-2-27b-it、gemma-2-9b-it、gemma-7b-it、gemma-2b-itYi✅Yi-1.5-34B-Chat、Yi-1.5-9B-Chat、Yi-1.5-6B-Chat、Yi-34B-ChatStarling✅Starling-LM-7B-betaSOLAR✅SOLAR-10.7BMixtral✅Mixtral-8x7BPhi✅Phi-3这体现了SMMFService-Oriented Multi-Model Management Framework服务化多模型管理框架的设计既支持 LLaMA/LLaMA2、Baichuan、ChatGLM、Qwen 等开源模型也支持文心、通义、智谱等 API 模型模型既可以本地部署vLLM、llama.cpp、HuggingFace 等 provider也可以通过代理proxy/openai、proxy/tongyi、proxy/zhipuai 等接入云端 API。各类本地与代理模型的部署配置示例分布在 configs/ 目录例如 configs/dbgpt-local-vllm.toml、configs/dbgpt-local-llama-cpp.toml、configs/dbgpt-proxy-ollama.toml、configs/dbgpt-proxy-tongyi.toml。6.2 Text2SQL 微调支持的 LLMDB-GPT 生态中还提供了面向 Text2SQL 的微调能力由 DB-GPT-Hub 子项目支撑README 中列出的受支持模型如下LLM支持LLaMA✅LLaMA-2✅BLOOM✅BLOOMZ✅Falcon✅Baichuan✅Baichuan2✅InternLM✅Qwen✅XVERSE✅ChatGLM2✅README 同时介绍了 DB-GPT 生态中的其他子项目DB-GPT-Hub对 LLM 应用监督微调 SFT形成高性能 Text-to-SQL 工作流、dbgpts官方仓库汇集基于 DB-GPT 构建的数据应用、AWEL 算子、AWEL 工作流模板与智能体、DB-GPT-Plugins插件体系可直接运行 Auto-GPT 插件以及GPT-Vis可视化协议。七、隐私、安全与数据源在隐私与安全方面README 明确其通过多种技术保障数据隐私与安全包括私有化部署大模型数据不出内网、代理脱敏proxy desensitization以及沙箱化执行机制。数据源层面DB-GPT 支持连接关系数据库、数据仓库、文件等多种数据源统一入口见 docs/docs/modules/connections.md相应的连接器实现位于 packages/dbgpt-core/src/dbgpt/datasource集成测试则见 tests/intetration_tests/datasource覆盖 MySQL、ClickHouse、Doris、Oracle、StarRocks 等。八、版本迭代与模块化重构README 中重点标注了 V0.7.0 发布带来的一组关键升级支持 MCP 协议、支持 DeepSeek R1 与 QwQ-32B并将基础模块重构为多个独立包packages/dbgpt-app应用入口与 Web 服务packages/dbgpt-core核心框架Agent、AWEL、RAG、模型、数据源、存储等packages/dbgpt-serve服务化模块packages/dbgpt-client客户端 SDKpackages/dbgpt-accelerator加速组件如 flash-attnpackages/dbgpt-ext扩展能力。从 0.7.0 起DB-GPT 改用uv进行环境与依赖管理docs/docs/quickstart.md提供更快更稳定的依赖管理体验。仓库根目录的 pyproject.toml、uv.lock 与 install_help.py 是依赖管理与安装辅助工具的实际载体uv run install_help.py --help可查看安装帮助uv run install_help.py install-cmd --interactive可交互式生成安装命令uv run install_help.py list可列出全部依赖与 extras。九、许可与引用DB-GPT 采用 MIT License 开源LICENSE使用条款与免责声明见 DISCKAIMER.md。如需理解 DB-GPT 的整体架构与数据交互系统设计可引用其官方论文arXiv 2312.17449 与 arXiv 2404.10209如需了解基于 DB-GPT 进行智能体开发可引用相关智能体论文arXiv 2412.13520。README 中同时提供了对应的 BibTeX 引用条目可直接用于学术论文引用。【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DB-GPT 开源智能体数据助手全景指南：Agentic AI 数据应用框架的核心能力与快速部署
DB-GPT 开源智能体数据助手全景指南Agentic AI 数据应用框架的核心能力与快速部署【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPTDB-GPT 是一个开源的Agentic AI 数据助手agentic AI data assistant面向下一代「AI Data」产品帮助用户连接数据库、CSV/Excel、数据仓库与知识库用自然语言驱动 AI 自主编写 SQL 与 Python 代码并在沙箱环境中安全执行分析任务、生成图表与报告。本文以仓库根目录的 README.md含马拉雅拉姆语翻译版 README.ma.md为主体结合仓库源码与配置文件系统讲解 DB-GPT 的定位、核心能力、产品工作流、快速部署方案与支持模型矩阵帮助你快速评估并落地一个 AI 原生数据应用。一、DB-GPT 是什么面向 AI Data 的智能体框架根据仓库根目录 README.md 的定义DB-GPT 是一个开源的Agentic AI 数据助手为下一代AI Data产品而设计。它帮助用户和团队完成以下工作连接数据库、CSV/Excel 文件、数据仓库与知识库等多源数据用自然语言提问让 AI自主编写 SQL运行Python 与代码驱动的分析工作流加载并执行可复用的领域技能Skills生成图表、仪表盘、HTML 报告与分析摘要在沙箱环境中安全执行任务。同时DB-GPT 也是一个构建AI 原生数据智能体、工作流与应用的平台底层由 Agent、AWEL、RAG 与多模型管理SMMF能力支撑。从源码结构看这套能力被拆分为多个独立包应用层 packages/dbgpt-app、核心框架 packages/dbgpt-core内含agent/智能体、core/awel/工作流编排、rag/检索增强生成等模块、服务层 packages/dbgpt-serve、客户端 packages/dbgpt-client、加速器 packages/dbgpt-accelerator 与扩展包 packages/dbgpt-ext。README 中给出了一幅整体架构示意为什么选择 DB-GPT五大设计亮点README 从五个角度阐述了 DB-GPT 的差异化能力Agentic 数据分析规划任务、将工作拆分为步骤、调用工具端到端完成分析工作流。自主 SQL 代码执行生成 SQL 与代码来完成数据查询、数据集清洗、指标计算与结果输出。多源数据访问跨结构化与非结构化数据源工作包括数据库、电子表格、文档与知识库。技能驱动的可扩展性将领域知识、分析方法与执行工作流打包为可复用的技能。沙箱化执行在隔离环境中运行代码与工具获得更安全、更可靠的分析。其中“技能驱动”与“沙箱执行”在仓库中有直接的代码与资源落地仓库根目录的 skills/ 目录内置了csv-data-analysis、financial-report-analyzer、walmart-sales-analyzer、agent-browser、skill-creator等可复用技能并配有 skills/README.md 与 skills/INTEGRATION_GUIDE.md 说明集成方式沙箱能力则位于 packages/dbgpt-sandbox其 README 与src/dbgpt_sandbox/源码对应着隔离执行环境的实现。二、你能用 DB-GPT 做什么README 列出了典型的使用场景分析 CSV / Excel 文件并生成可视化报告连接数据库并产出画像profiling报告用自然语言提出业务问题让 AI 自动编写 SQL用代码、图表与叙述性摘要完成财务报告分析创建并复用 SQL 分析技能与领域工作流在单个智能体工作流中组合代码、SQL、检索与工具为团队或产品构建下一代 AI Data 助手。这些场景在 examples/ 目录中均有可运行的示例佐证例如智能体对话示例 examples/agents/sql_agent_dialogue_example.py、数据智能体 examples/agents/data_manus_example.py、RAG 检索示例 examples/rag/embedding_rag_example.py 以及 AWEL 工作流示例 examples/awel/awel_flow_ui_components.py可作为实践参考。三、产品工作流从数据探索到报告生成README 将产品使用流程归纳为四个阶段阶段说明探索数据Explore data在一个工作区中连接文件、数据库与知识库规划与执行Plan and execute让 AI 推理任务、编写 SQL 与代码并逐步执行使用技能Use skills为可复现的业务分析工作流加载可复用技能生成报告Generate reports产出图表、仪表盘、HTML 报告与可决策的输出这一“规划 → 拆解 → 调用工具 → 端到端完成分析”的执行链路对应核心包中智能体的编排实现packages/dbgpt-core/src/dbgpt/agent以及 AWEL 工作流编排引擎packages/dbgpt-core/src/dbgpt/core/awel。四、核心能力矩阵README 汇总了六大核心能力能力说明Agentic 分析任务规划、逐步执行、工具使用、迭代推理SQL 代码执行自然语言转 SQL、基于 Python 的分析与转换、指标计算、图表生成多源数据访问关系数据库、CSV/Excel、文档、知识库、混合源工作流技能与智能体可复用技能、领域工作流、智能体编排、可定制执行流报告与决策支持数据库画像报告、财务分析报告、可视化报告与仪表盘、摘要与业务洞察安全执行沙箱化代码执行、受控工具使用、可复现输出与产物多源数据访问能力在 README 中配有一张数据源示意图直观展示了数据库、文件、数据仓库等连接方式的统一入口五、快速开始两条部署路径README 提供了两种快速上手的路径一键安装脚本与 PyPI 安装。详细步骤也可参考 docs/docs/quickstart.md。5.1 一键安装脚本macOS 与 Linux最基本的安装命令如下curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh | bash也可以在命令行直接指定部署配置profile与 API Keycurl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | OPENAI_API_KEYsk-xxx bash -s -- --profile openai例如通过 Moonshot API 使用 Kimi 2.5curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | MOONSHOT_API_KEYsk-xxx bash -s -- --profile kimi或者使用 MiniMax 的 OpenAI 兼容 APIcurl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | MINIMAX_API_KEYsk-xxx bash -s -- --profile minimax如果本地已经有一份 DB-GPT 源码仓库可以复用而不是重新克隆到~/.dbgpt/DB-GPTOPENAI_API_KEYsk-xxx \ bash scripts/install/install.sh --profile openai --repo-dir $(pwd) --yes安装完成后用生成的 profile 配置启动服务器cd ~/.dbgpt/DB-GPT uv run dbgpt start webserver --profile profile然后在浏览器中打开 http://localhost:5670 即可使用。安装脚本实际执行了什么查看 scripts/install/install.sh 的源码可以确认该脚本依次完成检测操作系统仅支持 macOS/Linux→ 确保curl、git可用 → 安装uv若缺失→ 克隆或更新 DB-GPT 仓库 → 按所选 profile 执行uv sync --all-packages安装依赖 → 通过dbgpt setup生成配置文件 → 校验 CLI → 输出下一步指引。脚本明确不做以下事情不安装 GPU 驱动或 CUDA、不下载本地大模型、不修改 shell 配置文件、不收集遥测数据。脚本支持的命令行参数与环境变量如下来源scripts/install/install.sh参数 / 环境变量作用--profile name部署配置openai、kimi、qwen、minimax、glm、custom、default--config path使用已有 TOML 配置跳过配置生成--install-dir path安装目录默认~/.dbgpt--version git-ref指定 Git 标签或分支默认main--repo-dir path复用本地已存在的 DB-GPT 仓库--mirror china使用清华 PyPI 镜像--yes非交互模式接受所有默认值--start安装完成后直接启动 DB-GPT 服务器OPENAI_API_KEY注入 OpenAI / custom / default / kimi(embedding) 配置MOONSHOT_API_KEY注入 Kimi 配置DASHSCOPE_API_KEY注入 Qwen 配置MINIMAX_API_KEY注入 MiniMax 配置ZHIPUAI_API_KEY注入 GLM 配置DBGPT_INSTALL_DIR/DBGPT_REPO_DIR/DBGPT_VERSION覆盖默认安装目录、复用仓库、覆盖 Git 引用Profile 与依赖映射脚本通过 scripts/install/lib/profiles.sh 维护 profile 与uvextras、API Key 环境变量的映射。以openaiprofile 为例会安装base、proxy_openai、rag、storage_chromadb、dbgpts五组 extrasqwen额外追加proxy_tongyiglm额外追加proxy_zhipuai。这些 preset 与 install_help.py 中get_deployment_presets()的定义保持一致。5.2 通过 PyPI 安装无需源码前提条件Python 3.10推荐使用uv或pip。# 推荐使用 uv uv pip install dbgpt-app # 或使用 pip pip install dbgpt-app默认安装包含核心框架CLI、FastAPI、Agent、OpenAI 兼容 LLM 支持、DashScope/Tongyi 支持、RAG 文档解析以及 ChromaDB 向量存储。安装后直接启动dbgpt start首次运行时会进入交互式配置向导引导选择 LLM 提供商并输入 API Key完成后 Web 服务器自动启动访问 http://localhost:5670 即完成。5.3 配置文件说明以 configs/dbgpt-proxy-openai.toml 为例核心配置分为四块[system] language ${env:DBGPT_LANG:-en} api_keys [] encrypt_key your_secret_key [service.web] host 0.0.0.0 port 5670 cors_allowed_origins ${env:DBGPT_CORS_ALLOWED_ORIGINS:-*} [service.web.database] type sqlite path pilot/meta_data/dbgpt.db [models] [[models.llms]] name ${env:LLM_MODEL_NAME:-gpt-4o} provider ${env:LLM_MODEL_PROVIDER:-proxy/openai} api_base ${env:OPENAI_API_BASE:-https://api.openai.com/v1} api_key ${env:OPENAI_API_KEY} [[models.embeddings]] name ${env:EMBEDDING_MODEL_NAME:-text-embedding-3-small} provider ${env:EMBEDDING_MODEL_PROVIDER:-proxy/openai} api_url ${env:EMBEDDING_MODEL_API_URL:-https://api.openai.com/v1/embeddings} api_key ${env:OPENAI_API_KEY}要点说明配置支持环境变量注入${env:VAR:-default}语法表示优先读取环境变量未设置时回退到默认值因此api_key可以直接用${env:OPENAI_API_KEY}方式从环境读取避免密钥写入文件。默认使用 SQLite[service.web.database]中type sqlite、path pilot/meta_data/dbgpt.db即默认启动模式无需额外安装数据库。LLM 与 Embedding 分离配置[[models.llms]]配置对话大模型[[models.embeddings]]配置向量化模型两者可以来自不同提供商。更完整的参考配置见 configs/dbgpt-app-config.example.toml其中还包含[service.web.agent_context]Agent 上下文窗口预算、并行子智能体数量与[[app.configs]]各应用模块的温度、记忆、Schema 检索 TopK 等的示例。仓库 configs/ 目录下还提供了 DeepSeek、Ollama、Tongyi、SiliconFlow、vLLM、llama.cpp、MLX、GLM、Qwen 等二十余份现成配置文件可直接对照使用。六、支持的模型与 Text2SQL 微调6.1 支持的模型提供商README 的模型支持表格如下当前仓库版本提供商支持代表模型DeepSeek✅DeepSeek-R1-0528、DeepSeek-V3-0324、DeepSeek-R1、DeepSeek-V3、DeepSeek-R1-Distill-Llama-70B、DeepSeek-R1-Distill-Qwen-32B、DeepSeek-Coder-V2-InstructQwen✅Qwen3-235B-A22B、Qwen3-30B-A3B、Qwen3-32B、QwQ-32B、Qwen2.5-Coder-32B-Instruct、Qwen2.5-Coder-14B-Instruct、Qwen2.5-72B-Instruct、Qwen2.5-32B-InstructGLM✅GLM-Z1-32B-0414、GLM-4-32B-0414、Glm-4-9b-chatLlama✅Meta-Llama-3.1-405B-Instruct、Meta-Llama-3.1-70B-Instruct、Meta-Llama-3.1-8B-Instruct、Meta-Llama-3-70B-Instruct、Meta-Llama-3-8B-InstructGemma✅gemma-2-27b-it、gemma-2-9b-it、gemma-7b-it、gemma-2b-itYi✅Yi-1.5-34B-Chat、Yi-1.5-9B-Chat、Yi-1.5-6B-Chat、Yi-34B-ChatStarling✅Starling-LM-7B-betaSOLAR✅SOLAR-10.7BMixtral✅Mixtral-8x7BPhi✅Phi-3这体现了SMMFService-Oriented Multi-Model Management Framework服务化多模型管理框架的设计既支持 LLaMA/LLaMA2、Baichuan、ChatGLM、Qwen 等开源模型也支持文心、通义、智谱等 API 模型模型既可以本地部署vLLM、llama.cpp、HuggingFace 等 provider也可以通过代理proxy/openai、proxy/tongyi、proxy/zhipuai 等接入云端 API。各类本地与代理模型的部署配置示例分布在 configs/ 目录例如 configs/dbgpt-local-vllm.toml、configs/dbgpt-local-llama-cpp.toml、configs/dbgpt-proxy-ollama.toml、configs/dbgpt-proxy-tongyi.toml。6.2 Text2SQL 微调支持的 LLMDB-GPT 生态中还提供了面向 Text2SQL 的微调能力由 DB-GPT-Hub 子项目支撑README 中列出的受支持模型如下LLM支持LLaMA✅LLaMA-2✅BLOOM✅BLOOMZ✅Falcon✅Baichuan✅Baichuan2✅InternLM✅Qwen✅XVERSE✅ChatGLM2✅README 同时介绍了 DB-GPT 生态中的其他子项目DB-GPT-Hub对 LLM 应用监督微调 SFT形成高性能 Text-to-SQL 工作流、dbgpts官方仓库汇集基于 DB-GPT 构建的数据应用、AWEL 算子、AWEL 工作流模板与智能体、DB-GPT-Plugins插件体系可直接运行 Auto-GPT 插件以及GPT-Vis可视化协议。七、隐私、安全与数据源在隐私与安全方面README 明确其通过多种技术保障数据隐私与安全包括私有化部署大模型数据不出内网、代理脱敏proxy desensitization以及沙箱化执行机制。数据源层面DB-GPT 支持连接关系数据库、数据仓库、文件等多种数据源统一入口见 docs/docs/modules/connections.md相应的连接器实现位于 packages/dbgpt-core/src/dbgpt/datasource集成测试则见 tests/intetration_tests/datasource覆盖 MySQL、ClickHouse、Doris、Oracle、StarRocks 等。八、版本迭代与模块化重构README 中重点标注了 V0.7.0 发布带来的一组关键升级支持 MCP 协议、支持 DeepSeek R1 与 QwQ-32B并将基础模块重构为多个独立包packages/dbgpt-app应用入口与 Web 服务packages/dbgpt-core核心框架Agent、AWEL、RAG、模型、数据源、存储等packages/dbgpt-serve服务化模块packages/dbgpt-client客户端 SDKpackages/dbgpt-accelerator加速组件如 flash-attnpackages/dbgpt-ext扩展能力。从 0.7.0 起DB-GPT 改用uv进行环境与依赖管理docs/docs/quickstart.md提供更快更稳定的依赖管理体验。仓库根目录的 pyproject.toml、uv.lock 与 install_help.py 是依赖管理与安装辅助工具的实际载体uv run install_help.py --help可查看安装帮助uv run install_help.py install-cmd --interactive可交互式生成安装命令uv run install_help.py list可列出全部依赖与 extras。九、许可与引用DB-GPT 采用 MIT License 开源LICENSE使用条款与免责声明见 DISCKAIMER.md。如需理解 DB-GPT 的整体架构与数据交互系统设计可引用其官方论文arXiv 2312.17449 与 arXiv 2404.10209如需了解基于 DB-GPT 进行智能体开发可引用相关智能体论文arXiv 2412.13520。README 中同时提供了对应的 BibTeX 引用条目可直接用于学术论文引用。【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考