目录

前言一、DB-GPT总体概述二、DB-GPT关键特性1、私域问答&数据处理&RAG2、多数据源&GBI3、多模型管理4、自动化微调5、Data-Driven Multi-Agents&Plugins6、隐私安全 三、服务器资源准备1、创建实例2、打开jupyterLab 四、DB-GPT启动1、激活 conda 环境2、切换到 DB-GPT 目录3、导入 SQLite 样例数据 五、DB-GPT运行1、使用命令行工具启动2、访问 DB-GPT 页面 六、DB-GPT数据对话1、安装数据库2、添加数据源3、绑定数据库4、对话体验1）选择数据对话2）开始数据对话3）错误处理4）数据对话15）数据对话2 总结

---

前言

在当今的人工智能时代，大模型技术的迅猛发展为各行各业带来了前所未有的变革。这些大模型，以其强大的语言理解和生成能力，正在逐步成为智能化应用的核心。然而，如何高效地利用这些大模型，构建出满足各种需求的应用，仍然是一个具有挑战性的问题。DB-GPT，作为一个开源的AI原生数据应用开发框架，应运而生，旨在简化大模型应用的开发过程，让构建智能化应用变得触手可及。本文将深入介绍DB-GPT的核心功能、关键特性，并通过实战操作，展示如何利用DB-GPT进行数据应用开发。

一、DB-GPT总体概述

DB-GPT是一个开源的AI原生数据应用开发框架。目的是构建大模型领域的基础设施，通过开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力，让围绕数据库构建大模型应用更简单，更方便。

核心能力主要有以下几个部分:

RAG(Retrieval Augmented Generation)，RAG是当下落地实践最多，也是最迫切的领域，DB-GPT目前已经实现了一套基于RAG的框架，用户可以基于DB-GPT的RAG能力构建知识类应用。

GBI：生成式BI是DB-GPT项目的核心能力之一，为构建企业报表分析、业务洞察提供基础的数智化技术保障。微调框架: 模型微调是任何一个企业在垂直、细分领域落地不可或缺的能力，DB-GPT提供了完整的微调框架，实现与DB-GPT项目的无缝打通，在最近的微调中，基于spider的准确率已经做到了82.5%数据驱动的Multi-Agents框架: DB-GPT提供了数据驱动的自进化Multi-Agents框架，目标是可以持续基于数据做决策与执行。数据工厂: 数据工厂主要是在大模型时代，做可信知识、数据的清洗加工。数据源: 对接各类数据源，实现生产业务数据无缝对接到DB-GPT核心能力。

二、DB-GPT关键特性

1、私域问答&数据处理&RAG

DB-GPT支持通过内置、多文件格式上传、插件自抓取等方式自定义构建知识库，能够对海量结构化和非结构化数据进行统一向量存储与检索，实现高效的知识管理。此外，DB-GPT还实现了基于RAG的框架，用户可以基于DB-GPT的RAG能力构建知识类应用，为用户提供更加智能的问答体验。

2、多数据源&GBI

DB-GPT支持与多种数据源进行交互，包括但不限于Excel、各类数据库和数仓，同时支持生成分析报告，为用户提供深入的业务洞察。GBI，即生成式BI，是DB-GPT项目的核心能力之一，可以为构建企业报表分析、业务洞察提供基础的数智化技术保障。

3、多模型管理

DB-GPT支持海量模型，包括多种开源和API代理的大语言模型，如LLaMA/LLaMA2、Baichuan、ChatGLM、文心、通义、智谱、星火等。用户可以根据需求选择合适的模型进行应用开发，极大地提高了开发的灵活性和便捷性。

4、自动化微调

围绕大语言模型、Text2SQL数据集、LoRA/QLoRA/Pturning等微调方法构建的自动化微调轻量框架, 让TextSQL微调像流水线一样方便。

5、Data-Driven Multi-Agents&Plugins

DB-GPT支持自定义插件执行任务，并且原生支持Auto-GPT插件模型，通过Agents协议采用Agent Protocol标准，实现智能体之间的协作和任务的高效执行。这种数据驱动的自进化Multi-Agents框架，可以持续基于数据做决策与执行，大大提高了应用的智能化水平。

6、隐私安全

DB-GPT注重数据隐私和安全，通过私有化大模型、代理脱敏等多种技术保障数据的隐私安全。这一点在当今这个数据安全日益受到重视的时代，显得尤为重要。

三、服务器资源准备

DB-GPT刚好有支持AutoDL的镜像，因此直接在AutoDL 云平台时进行实践操作；在AutoDL云平台上，选择一台4090 GPU24G的服务器，为DB-GPT的运行提供必要的计算资源。打开jupyterLab，选择“终端”启动项，打开终端页面，后续所有操作都基于终端进行操作。

1、创建实例

选择一台4090 GPU24G的服务器，进行创建实例。

2、打开jupyterLab

选择”终端“启动项，打开终端页面，后续所有操作都基于终端进行操作。

四、DB-GPT启动

1、激活 conda 环境

conda activate dbgpt

2、切换到 DB-GPT 目录

cd /root/DB-GPT/

3、导入 SQLite 样例数据

bash ./scripts/examples/load_examples.sh

五、DB-GPT运行

1、使用命令行工具启动

dbgpt start webserver --port 6006

dbgpt 是 DB-GPT 项目的命令行工具，这里利用命令行工具来启动（当然，你也可以使用命令 python dbgpt/app/dbgpt_server.py --port 6006 来启动）。

这里使用 6006 端口来启动服务，这个端口方便在 AutoDL 中开启公网访问。

镜像中默认准备好了 Qwen-1_8B-Chat 和 text2vec-large-chinese 模型文件。

2、访问 DB-GPT 页面

在服务器示例列表中，找到自定义服务，点击。

点击 “访问” 后自动打开的页面如下：

六、DB-GPT数据对话

数据对话能力是通过自然语言与数据进行对话，主要是结构化与半结构化数据的对话，可以辅助做数据分析与洞察。在开始数据对话之前，我们首先需要添加数据源

1、安装数据库

步骤1：安装MySQL数据库

sudo apt-get updatesudo apt-get install mysql-serversudo service mysql start

安装启动mysql完成之后，登录mysql（默认无密码）

mysql -u root -p

步骤2：创建数据库用户

CREATE USER 'gpt'@'localhost' IDENTIFIED BY 'gpt';

步骤3：给数据库用户赋权限

GRANT ALL PRIVILEGES ON *.* TO 'gpt'@'localhost';FLUSH PRIVILEGES;

2、添加数据源

1）数据准备

目前DB-GPT支持多种数据库类型。 选择对应的数据库类型添加即可。这里我们选择的是MySQL作为演示，演示的测试数据：case_1_student_manager_mysql.sql

create database case_1_student_manager character set utf8;use case_1_student_manager;CREATE TABLE students ( student_id INT PRIMARY KEY, student_name VARCHAR(100) COMMENT '学生姓名', major VARCHAR(100) COMMENT '专业', year_of_enrollment INT COMMENT '入学年份', student_age INT COMMENT '学生年龄') COMMENT '学生信息表';CREATE TABLE courses ( course_id INT PRIMARY KEY, course_name VARCHAR(100) COMMENT '课程名称', credit FLOAT COMMENT '学分') COMMENT '课程信息表';CREATE TABLE scores ( student_id INT, course_id INT, score INT COMMENT '得分', semester VARCHAR(50) COMMENT '学期', PRIMARY KEY (student_id, course_id), FOREIGN KEY (student_id) REFERENCES students(student_id), FOREIGN KEY (course_id) REFERENCES courses(course_id)) COMMENT '学生成绩表';INSERT INTO students (student_id, student_name, major, year_of_enrollment, student_age) VALUES(1, '张三', '计算机科学', 2020, 20),(2, '李四', '计算机科学', 2021, 19),(3, '王五', '物理学', 2020, 21),(4, '赵六', '数学', 2021, 19),(5, '周七', '计算机科学', 2022, 18),(6, '吴八', '物理学', 2020, 21),(7, '郑九', '数学', 2021, 19),(8, '孙十', '计算机科学', 2022, 18),(9, '刘十一', '物理学', 2020, 21),(10, '陈十二', '数学', 2021, 19);INSERT INTO courses (course_id, course_name, credit) VALUES(1, '计算机基础', 3),(2, '数据结构', 4),(3, '高等物理', 3),(4, '线性代数', 4),(5, '微积分', 5),(6, '编程语言', 4),(7, '量子力学', 3),(8, '概率论', 4),(9, '数据库系统', 4),(10, '计算机网络', 4);INSERT INTO scores (student_id, course_id, score, semester) VALUES(1, 1, 90, '2020年秋季'),(1, 2, 85, '2021年春季'),(2, 1, 88, '2021年秋季'),(2, 2, 90, '2022年春季'),(3, 3, 92, '2020年秋季'),(3, 4, 85, '2021年春季'),(4, 3, 88, '2021年秋季'),(4, 4, 86, '2022年春季'),(5, 1, 90, '2022年秋季'),(5, 2, 87, '2023年春季');

执行SQL，创建数据库，创建数据表、添加数据

2）数据检查

查看SQL之后，数据是否正常入库

3、绑定数据库

将我们创建的MySQL数据库设置为数据源

配置好数据库连接信息

4、对话体验

用户可以通过自然语言提问，DB-GPT会根据问题的语义理解，生成相应的SQL查询语句，并将查询结果以图表、表格或数据的形式返回给用户。这样的交互方式极大地简化了数据分析的复杂性，使得非技术用户也能够轻松地进行数据查询和分析。

1）选择数据对话

2）开始数据对话

此时界面上数据库已经默认设置为我们前面绑定的数据库了，也可以手动选择

3）错误处理

在数据对话的过程中，可能会遇到一些问题，比如缺少必要的Python库或者模型对某些查询的处理不够准确。例如，如果在提问咨询时遇到“RuntimeError: ‘cryptography’ package is required for sha256_password or caching_sha2_password auth methods”的错误，就需要安装相应的Python库来解决问题。通过pip install cryptography命令安装缺少的库后，需要重新启动DB-GPT以使更改生效。

pip install cryptography

安装后重新启动DB-GPT

4）数据对话1

问题：请帮我查询总共有多少学生？

可以看到数据查询成功，而且还分3中方式返回Chart、SQL、Data

返回SQL语句，可以检查相关的SQL是否正确

Data页签返回执行结果

SQL执行

还可以点击上面的Editor按钮，复制SQL，直接在页面上执行，查看结果

5）数据对话2

后门连接问了两次稍微比第一次复杂一点的请求，就搞不定了。

数据对话的体验展示了DB-GPT在处理结构化和半结构化数据方面的能力，它能够理解用户的自然语言查询，并准确地转换成SQL语句，执行查询并返回结果。用户可以通过简单的问答形式，获取到他们需要的数据洞察，这对于数据分析和业务决策来说是非常有价值的。

总结

经过实战测试，DB-GPT展现了其强大的功能、对多种模型的支持以及良好的界面体验。但是在交互体验和复杂任务处理方面存在一定的不足，如果模型的稳定性和任务拆解能力的进一步提升，DB-GPT有望成为大模型应用开发领域的优秀工具。

DB-GPT的开发团队持续在优化其功能和性能，用户社区的反馈和贡献也是推动其进步的重要力量。随着大模型技术的成熟和应用的普及，我们可以期待DB-GPT在未来能够提供更加完善和强大的服务，帮助开发者轻松构建出智能、高效的应用，推动人工智能技术在各行各业的应用和发展。

🎯🔖更多专栏系列文章：AIGC-AI大模型探索之路

如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！