DB-GPT开源项目文档入门
DB-GPT开源项目文档入门 (qq.com)
场景：服务中小金融机构、服务业小微商家
DB-GPT项目集成了多模型管理、多数据源管理、Text2SQL、增强检索RAG、生成式BI、多智能体，一个大而全的开源框架
项目基本信息
简介：一个原生数据应用开发框架
技术能力：
服务化多模型管理框架（SMMF，Service-oriented Multi-model Management Framework）
Text2SQL效果优化
RAG框架以及优化（RAG，Retrieval-Augmented Generation）
Multi-Agents框架协作
AWEL(Agentic Workflow Expression Language，智能体工作流编排)
分层架构：可视化层（GBT-Vis：md、图表、flow编排）、应用层（DB-GPT：生成式BI、DB对话、Excel对话）、服务层（LLMServer、APIServer等）、模块层（SMMF、RAGs、Agents）、协议层（AWEL）、训练层（DB-GPT-Hub）
核心能力：RAG、GBI（生成式BI）、微调框架、数据驱动的Multi-Agents框架、数据工厂（可信知识、数据的清洗加工）、数据源
大模型常规发展方向：
RAG（通过附加知识库，减少输出幻觉）
智能体（多智能体协调，自动完成复杂任务）
微调（添加私有数据训练，修改原大模型权重，增强大模型某领域能力）
RAG生产落地实践架构
可信知识收集（行情、行研百科知识、专业内容、专家认知）->知识加工（知识块处理、抽取实体关系图、知识评分、向量化）->RAG（查询处理、相似召回、Ranking）->大语言模型->chat（知识问答、阅读助手）
子模块
DB-GPT-Hub：通过微调来持续提升Text2SQL效果
DB-GPT-Plugins：插件仓库，兼容Auto-GPT
GPT-Vis：可视化协议
dbgpts：官方提供的数据应用仓库，构建在DB-GPT上的应用，含智能体应用、智能体编排流程模板、通用算子，
落地产品：数据库专家智能体Kevin、报表分析智能助手
官方文档解读
网址：https://www.yuque.com/eosphoros/dbgpt-docs
环境准备：下载minconda，创建虚拟环境python=3.10
模型部署：openai代理、GLM-4-9b本地部署
智能体编排语言AWEL
分层设计：算子层、AgentFrame层以及DSL层
算子层：LLM应用开发过程中最基本的操作原子，如RAG应用开发时，检索、向量化、模型交互、Prompt处理
AgentFrame层：对算子进一步封装，可以基于算子做链式计算，支持如filter、join、map、reduce等一套链式计算操作
DSL层：提供一套标准的结构化表示语言，写DSL语句完成AgentFrame与算子的操作
源码部署：部署模型、配置元数据库、配置测试数据、运行服务（python dbgpt/app/degpt_server.py）
其他部署方式：docker、docker-compose、AutoDL、小程序云
模型服务部署：多模型服务，单机部署、集群部署
进阶：vLLM推理（提高推理速度）、元数据初始化与更新、OpenAI SDK调用本地多模型
操作手册
智能体工作流使用
通过智能体表达式语言AWEL编排智能体形成工作流，现仓库有三个工作流可用，通过dbgp安装。
示例：搜索对话应用，通过搜索引擎搜索相关知识，总结回答。创建时配置工作模式：awel_layout、flows:awel_flow_info_search
APP创建使用
源码位置：开源的dbgpts项目中，eosphoros-ai/dbgpts: Intelligent data apps and assets with LLMs (github.com)
dpgts项目的其他资源：workflows、agents、opeators
教程：应用面板中创建应用，工作模式设置auto_plan，依赖两个agent，DataScientist和Reporter，都依赖database
六大场景入门教程
六大场景：知识库、数据对话、Excel对话、数据库对话、报表分析、Agents
原生对话：即大模型提供的原生对话能力
知识库
简介：私域知识问答，RAG知识检索增强
操作步骤：创建知识空间、上传文档、等待文档切片+向量化、对话
支持的文档类型：纯文本、URL抓取、PDF、Word、md等
数据对话
简介：与结构化或半结构化数据对话，辅助数据分析与洞察
操作步骤：添加数据源、选择对话场景：数据对话、选择数据库、对话
Excel对话：选择对话场景（char Excel）、上传Excel、对话
数据库对话：选择对话场景（chat DB）、添加数据源、选择基础模型与数据库、对话
报表分析
简介：Dashboard场景，通过自然语言进行智能的报表生成与分析。是生成式BI(GBI)的基本能力之一
步骤：数据准备、添加数据源、选择对话场景（Dashboard）、对话
Agents
简介：数据驱动Multi-Agents智能体框架
插件：内置搜索插件（不能用）
插件使用步骤：进入插件市场->查看github仓库中插件列表->下载插件->选择场景（Agent chat）->配置cookie->插入元数据->对话
github插件仓库：eosphoros-ai/DB-GPT-Plugins: Multi-Agents & Plugins repo for DB-GPT, Can complete various tasks around databases. (github.com)
数据分析Agents
简介：典型的GBI应用场景
操作步骤：数据准备->添加数据源->插入元数据->选择对话场景（Agent chat-数据分析助手）->对话
数据爬取Agents
简介：自动编写程序抓取互联网数据并分析的Agents
操作步骤：编写智能体（已写好代码编写助手CodeAssistantAgent，源码dbgpt/agent/agents/expand/code_assistant_agent.py）、插入元数据、选择对话场景（互联网数据分析助手）、对话