Skip to content

README.zh.md

Latest commit

 

History

History
516 lines (418 loc) · 22.6 KB

README.zh.md

File metadata and controls

516 lines (418 loc) · 22.6 KB

Logo DB-GPT：开源 Agentic AI 数据分析智能助手

一个开源的 AI 数据分析智能助手：连接你的数据，自主编写 SQL 与代码，在沙箱环境中运行 skills，把分析转化为报告、洞察与行动。

DB-GPT 是什么？

DB-GPT 是一个开源的 Agentic AI 数据分析智能助手，面向下一代 AI + Data 产品形态。

它可以帮助用户和团队：

  • 连接 数据库、CSV / Excel、数仓、知识库与文档
  • 使用自然语言提问，并让 AI 自主编写 SQL
  • 执行 Python 与代码驱动的数据分析流程
  • 加载并执行可复用的 skills
  • 自动生成 图表、Dashboard、HTML 报告和分析总结
  • 在 沙箱环境 中安全执行分析任务

DB-GPT 不只是一个助手界面，它同时也是一个平台，用于构建 AI Native 数据智能体、工作流与应用，底层支持 agents、AWEL、RAG 与多模型能力。

为什么选择 DB-GPT？

1. Agentic 数据分析

它不只是回答问题，而是会进行任务规划、步骤拆解、工具调用和迭代式分析。 csv-data-analysis_skill

2. 自主 SQL + 自主代码执行

自动编写 SQL 和代码，用于查询数据、处理数据、计算指标并生成结果。 agentic_write_code sql_query

3. 多数据源分析

同时处理结构化与非结构化数据，包括数据库、表格文件、文档和知识库。

4. Skills 驱动的可扩展能力

将领域知识、分析方法和执行流程沉淀为 skills，实现复用与扩展。

import_github_skill

agent_browse_use

5. 沙箱安全执行

在隔离环境中运行代码和工具，让分析过程更安全、更可控。 sandbox

你可以用 DB-GPT 做什么？

  • 分析 CSV / Excel 文件 并生成可视化报告
  • 连接数据库 自动生成数据库画像与分析报告
  • 用自然语言提问，让 AI 自动写 SQL
  • 进行 财报深度分析，生成图表、分析结论与总结
  • 创建和复用 SQL 分析技能
  • 将 代码、SQL、检索和工具调用 组合成完整的 agentic 分析流程
  • 构建面向团队或产品的下一代 AI + Data 智能助手

产品工作流

数据探索

连接文件、数据库和知识库，在统一入口开始分析任务。

规划与执行

让 AI 进行任务推理、生成 SQL / 代码，并逐步完成分析。

使用 Skills

加载可复用的业务分析技能与领域工作流。

生成报告

自动输出图表、Dashboard、HTML 报告和决策结论。

快速开始

你可以通过一键安装脚本在几分钟内启动 DB-GPT（macOS / Linux）：

curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh | bash

也可以直接指定 profile 和 API Key：

curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \
  | OPENAI_API_KEY=sk-xxx bash -s -- --profile openai

如果你想使用 Kimi 2.5（Moonshot API）：

curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \
  | MOONSHOT_API_KEY=sk-xxx bash -s -- --profile kimi

如果你想使用 MiniMax（OpenAI 兼容接口）：

curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \
  | MINIMAX_API_KEY=sk-xxx bash -s -- --profile minimax

如果你已经有本地 DB-GPT 仓库，也可以直接复用当前仓库，跳过 ~/.dbgpt/DB-GPT 的重复 clone：

OPENAI_API_KEY=sk-xxx \
  bash scripts/install/install.sh --profile openai --repo-dir "$(pwd)" --yes

如果你想在当前仓库里直接测试 Kimi 2.5：

MOONSHOT_API_KEY=sk-xxx \
  bash scripts/install/install.sh --profile kimi --repo-dir "$(pwd)" --yes

如果你想在当前仓库里直接测试 MiniMax：

MINIMAX_API_KEY=sk-xxx \
  bash scripts/install/install.sh --profile minimax --repo-dir "$(pwd)" --yes

安装完成后，使用生成的 profile 配置启动服务：

cd ~/.dbgpt/DB-GPT && uv run dbgpt start webserver --config ~/.dbgpt/configs/<profile>.toml

然后打开 http://localhost:5670。

想先审阅安装脚本再执行？

curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh -o install.sh
less install.sh
bash install.sh --profile openai

Docker Linux macOS Windows

教程

核心能力

Agentic 数据分析

  • 任务规划
  • 分步执行
  • 工具调用
  • 迭代式推理

SQL + 代码执行

  • 自然语言转 SQL
  • Python 数据分析与处理
  • 指标计算
  • 图表生成

多数据源访问

  • 关系型数据库
  • CSV / Excel
  • 文档
  • 知识库
  • 多源混合分析

Skills 与 Agents

  • 可复用 skills
  • 领域分析工作流
  • agent 编排
  • 可定制执行流程

报告与决策支持

  • 数据库画像报告
  • 财报分析报告
  • 可视化报告与 dashboard
  • 分析总结与业务洞察

安全执行环境

  • 沙箱代码执行
  • 可控工具调用
  • 可复现的分析产物与 artifacts

平台与生态

DB-GPT 同时也是一个构建 AI Native 数据产品的平台，提供：

  • AWEL：用于 agentic workflow 编排
  • Agents：用于自主任务执行
  • RAG：用于知识增强推理
  • SMMF：用于多模型管理
  • DB-GPT-Hub：用于 Text2SQL / 微调工作流
  • dbgpts：用于应用、工作流、算子与模板生态
  • DB-GPT-Plugins：插件扩展能力
  • GPT-Vis：可视化协议

DeepWiki

Text2SQL 微调模型

LLM Supported
LLaMA ✅
LLaMA-2 ✅
BLOOM ✅
BLOOMZ ✅
Falcon ✅
Baichuan ✅
Baichuan2 ✅
InternLM ✅
Qwen ✅
XVERSE ✅
ChatGLM2 ✅

支持模型

Provider Supported Models
DeepSeek ✅ 🔥🔥🔥 DeepSeek-R1-0528
🔥🔥🔥 DeepSeek-V3-0324
🔥🔥🔥 DeepSeek-R1
🔥🔥🔥 DeepSeek-V3
🔥🔥🔥 DeepSeek-R1-Distill-Llama-70B
🔥🔥🔥 DeepSeek-R1-Distill-Qwen-32B
🔥🔥🔥 DeepSeek-Coder-V2-Instruct
Qwen ✅ 🔥🔥🔥 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-Instruct
GLM ✅ 🔥🔥🔥 GLM-Z1-32B-0414
🔥🔥🔥 GLM-4-32B-0414
🔥🔥🔥 Glm-4-9b-chat
Llama ✅ 🔥🔥🔥 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-Instruct
Gemma ✅ 🔥🔥🔥 gemma-2-27b-it
🔥🔥🔥 gemma-2-9b-it
🔥🔥🔥 gemma-7b-it
🔥🔥🔥 gemma-2b-it
Yi ✅ 🔥🔥🔥 Yi-1.5-34B-Chat
🔥🔥🔥 Yi-1.5-9B-Chat
🔥🔥🔥 Yi-1.5-6B-Chat
🔥🔥🔥 Yi-34B-Chat
Starling ✅ 🔥🔥🔥 Starling-LM-7B-beta
SOLAR ✅ 🔥🔥🔥 SOLAR-10.7B
Mixtral ✅ 🔥🔥🔥 Mixtral-8x7B
Phi ✅ 🔥🔥🔥 Phi-3

隐私安全

通过私有化大模型、代理脱敏和沙箱执行等机制保障数据隐私与执行安全。

数据源

愿景

我们相信，未来的数据产品不应止于 Dashboard。

下一代 AI + Data 产品将是：

  • agentic
  • 多数据源
  • skill-driven
  • sandboxed
  • 能自主编写 SQL 和代码
  • 能把分析转化为 报告、结论与行动

DB-GPT 希望帮助开发者与企业共同构建这样的未来。

Image

🌐 AutoDL镜像

🌐 小程序云部署

使用说明

多模型使用

数据Agents使用

贡献

更加详细的贡献指南请参考如何贡献。

这是一个用于数据库的复杂且创新的工具, 我们的项目也在紧急的开发当中, 会陆续发布一些新的feature。如在使用当中有任何具体问题, 优先在项目下提issue, 如有需要, 请联系如下微信，我会尽力提供帮助，同时也非常欢迎大家参与到项目建设中。

贡献者榜单

Licence

The MIT License (MIT)

免责声明

引用

如果您发现DB-GPT对您的研究或开发有用，请引用以下论文，其中：

如果您想了解DB-GPT整体架构，请引用论文和论文

如果您想了解使用DB-GPT进行Agent开发相关的内容，请引用论文

@article{xue2023dbgpt,
      title={DB-GPT: Empowering Database Interactions with Private Large Language Models}, 
      author={Siqiao Xue and Caigao Jiang and Wenhui Shi and Fangyin Cheng and Keting Chen and Hongjun Yang and Zhiping Zhang and Jianshan He and Hongyang Zhang and Ganglin Wei and Wang Zhao and Fan Zhou and Danrui Qi and Hong Yi and Shaodong Liu and Faqiang Chen},
      year={2023},
      journal={arXiv preprint arXiv:2312.17449},
      url={https://arxiv.org/abs/2312.17449}
}
@misc{huang2024romasrolebasedmultiagentdatabase,
      title={ROMAS: A Role-Based Multi-Agent System for Database monitoring and Planning}, 
      author={Yi Huang and Fangyin Cheng and Fan Zhou and Jiahui Li and Jian Gong and Hongjun Yang and Zhidong Fan and Caigao Jiang and Siqiao Xue and Faqiang Chen},
      year={2024},
      eprint={2412.13520},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2412.13520}, 
}
@inproceedings{xue2024demonstration,
      title={Demonstration of DB-GPT: Next Generation Data Interaction System Empowered by Large Language Models}, 
      author={Siqiao Xue and Danrui Qi and Caigao Jiang and Wenhui Shi and Fangyin Cheng and Keting Chen and Hongjun Yang and Zhiping Zhang and Jianshan He and Hongyang Zhang and Ganglin Wei and Wang Zhao and Fan Zhou and Hong Yi and Shaodong Liu and Hongjun Yang and Faqiang Chen},
      year={2024},
      booktitle = "Proceedings of the VLDB Endowment",
      url={https://arxiv.org/abs/2404.10209}
}

联系我们

说明: 由于微信群人数上限的限制, 我们的答疑与问题支持优先会在钉钉大群进行。

图片2

钉钉

Star History Chart