DB-GPT 全新升级 V0.6.1版本了！

在这个版本中，我们引入了一系列创新特性，包括GraphRAG三元组检索、新增RAG召回和Agent答案评测功能，以及对OceanBase向量数据库的新版本的兼容性支持。

让我们一起来看看这些新特性吧～

新特性

1、GraphRAG 三元组检索 + 文档结构检索

新版本在原社区摘要增强的GraphRAG基础上，引入了文档结构（Document Structure）索引，提升了知识图谱的丰富度和知识召回的完备性，并继续兼容基于AntV G6引擎的知识图谱渲染逻辑，让复杂数据关系一目了然。

回顾上个版本（DB-GPT 0.6.0），GraphRAG实现图社区摘要和混合检索的功能，解决了面向总结性查询（QFS）的问题。这次我们依据标准格式文件（目前对 Markdown 文件支持最好）中章节段落的层级信息，将文件结构组织为有向图，并写入到知识图谱（基于TuGraph底座）。图中的节点可以是文件的一个分片（chunk），边则代表了不同切分（chunk）之间在原文档中的结构关系。

（三元组结构：entity -[relation]-> entity；文档结构：document -> chunk -> chunk）

如图所示，我们拓展了 GraphRAG 中对于 Graph 的定义范畴：知识图谱（Knowledge Graph） = 三元组有向图 （Triplets Graph）+ 文档结构图（Document Structure Graph）。未来，我们希望构建一个更加复杂、覆盖更加全面的信息的 Graph，以便支持更加复杂的检索算法。

用户可以快速地在 DB-GPT 多前端应用中体验到该功能。生成的知识图谱将由 AntV G6 引擎驱动前端中渲染出来，以方便用户清晰直观地观察到图的可视化。

知识图谱构建与可视化（基于 qwen-max 模型）：

知识图谱对话（基于 qwen-max 模型）：

针对我们的更新的内容和功能，我们对于以下.env环境变量做一个说明：

• GRAPH_COMMUNITY_SUMMARY_ENABLED=True

• 开启社区总结功能。基于指定的算法（默认 Leiden 算法），这个功能将会从知识图谱中找出社区，并通过 LLM 总结社区内容。

• TRIPLET_GRAPH_ENABLED=True

• 开启三元组图的构建和检索功能。

• DOCUMENT_GRAPH_ENABLED=True

• 开启文档结构图的构建和检索功能。

• KNOWLEDGE_GRAPH_CHUNK_SEARCH_TOP_SIZE=5

• 文档检索返回的 topk值。

  
  

快速使用：

选择“知识图谱”，名称不能只有数字（TuGraph 不接受不合规的名字）。

推荐上传 markdown 文档，我们对 markdown 做了优化，效果更好。

需要等待好一段时间，请不要取消。

开始聊天。提示，最好问和知识图谱相关的问题。

2、新增RAG召回和Agent答案评测功能

在DB-GPT V0.6.1版本中，新增RAG召回和Agent答案评测功能，确保你的应用能够提供最相关的答案。

召回的文本中是否包含用户问题对应的答案严重影响着最终LLM回答效果；文本切块策略、向量化模型、混合召回策略等因素都会影响最终的召回效果；因此，召回环节的评估流程可以不断优化召回的各个环节，是构建RAG系统的必要步骤。

目前DB-GPT指标模块支持RAG召回指标以及Agent答案指标：

1.RAG召回指标(RetrieverEvaluationMetric)：

• RetrieverHitRateMetric:命中率衡量的是RAG retriever召回出现在检索结果前top-k个文档中的比例。

• RetrieverMRRMetric: Mean Reciprocal Rank通过分析最相关文档在检索结果里的排名来计算每个查询的准确性。更具体地说，它是所有查询的相关文档排名倒数的平均值。例如，若最相关的文档排在第一位，其倒数排名为 1；排在第二位时，为 1/2；以此类推。

• RetrieverSimilarityMetric: 相似度指标计算，计算召回内容与预测内容的相似度。

• AnswerRelevancyMetric:智能体答案相关性指标，通过智能体答案与用户提问的匹配程度。高相关性的答案不仅要求模型能够理解用户的问题，还要求其能够生成与问题密切相关的答案。这直接影响到用户的满意度和模型的实用性

  
  

使用教程:

1.RAG召回评测

• http方式

POST /api/v2/serve/evaluate/evaluatio

‍

SPACE_ID={YOUR_SPACE_ID}
curl --location --request POST 'http://localhost:5670/api/v2/serve/evaluate/evaluation' \--header 'Content-Type: application/json' \-d'{"scene_key": "recall","scene_value": "'$SPACE_ID'","context":{"top_k":5},"evaluate_metrics":["RetrieverHitRateMetric","RetrieverMRRMetric","RetrieverSimilarityMetric"],"datasets": [{"query": "what awel talked about","doc_name":"awel.md"}]}'

• python方式

from dbgpt.client import Clientfrom dbgpt.client.evaluation import run_evaluationfrom dbgpt.serve.evaluate.api.schemas import EvaluateServeRequest
DBGPT_API_KEY = "dbgpt"client = Client(api_key=DBGPT_API_KEY)SPACE_ID={YOUR_SPACE_ID}request = EvaluateServeRequest(# The scene type of the evaluation, e.g. support app, recallscene_key="recall",# e.g. app id(when scene_key is app), space id(when scene_key is recall)scene_value=SPACE_ID,context={"top_k": 5},evaluate_metrics=["RetrieverHitRateMetric","RetrieverMRRMetric","RetrieverSimilarityMetric",],datasets=[{"query": "what awel talked about","doc_name": "awel.md",}],)data = await run_evaluation(client, request=request)

2.Agent答案相关性评测

• http方式

APP_ID={YOUR_APP_ID}PROMPT_ID = {YOUR_PROMPT_ID}
curl --location --request POST 'http://localhost:5670/api/v2/serve/evaluate/evaluation' \--header 'Authorization: Bearer dbgpt' \--header 'Content-Type: application/json' \-d '{"scene_key": "app","scene_value": "'$APP_ID'","context":{"top_k":5, "prompt":"'$PROMPT_ID'","model":"zhipu_proxyllm"},"evaluate_metrics":["AnswerRelevancyMetric"],"datasets": [{"query": "what awel talked about","doc_name":"awel.md"}]}'

• python方式

APP_ID={YOUR_APP_ID}PROMPT_ID = {YOUR_PROMPT_ID}
curl --location --request POST 'http://localhost:5670/api/v2/serve/evaluate/evaluation' \--header 'Authorization: Bearer dbgpt' \--header 'Content-Type: application/json' \-d '{"scene_key": "app","scene_value": "'$APP_ID'","context":{"top_k":5, "prompt":"'$PROMPT_ID'","model":"zhipu_proxyllm"},"evaluate_metrics":["AnswerRelevancyMetric"],"datasets": [{"query": "what awel talked about","doc_name":"awel.md"}]}'

评测更多说明参考: 

https://www.yuque.com/eosphoros/dbgpt-docs/czgl7bsfclc1xsmh

3、支持OceanBase向量数据库兼容4.3.3.0版本

DB-GPT V0.6.1支持兼容OceanBase向量数据库新发布的4.3.3版本，包括filters查询和pyobvector客户端，数据库交互更灵活。

• 支持了filters查询

• 支持pyobvector客户端，兼容Milvus和SQLAlchemy使用教程参考：https://github.com/oceanbase/pyobvector

4、支持Qwen2.5b

DB-GPT V0.6.1利用最新的Qwen2.5b模型，享受更强大的语言处理能力。

LLM_MODEL=qwen2.5-7b-instruct

5、支持将stop参数传递给 proxyllm

Bug 修复

1、修复了页面多文档上传分片前端问题

2、修复了Tongyi embedding模型bug

3、修复了docx 文档特殊格式解析问题

4、修复解决了vllm推理问题

5、解决了doc_token字段不为空的问题