AI 原生数据应用时代

步入数据 3.0 时代，模型和数据库成为构建应用的关键基石，企业和开发者渴望用更简洁的代码、更智能的方式释放数据价值。以往，我们需要编写大量代码才能完成的数据分析任务，现在可以借助 AI 的力量，通过自然语言交互，轻松获取数据洞察。DB-GPT 正是为此而生，它是蚂蚁开源的 AI 原生数据应用开发框架，旨在让围绕数据库构建大模型应用变得更简单、更便捷。

DB-GPT 核心特性

DB-GPT 融合了多项核心技术，为开发者提供强大的数据应用构建能力：

• 私域问答、数据处理与 RAG：

  

• 知识库构建：DB-GPT 支持多种方式构建私域知识库，包括内置知识库、上传多种格式文件（如PDF、Word、Markdown等）、以及利用插件从指定URL抓取网页内容。

• 向量存储与检索：利用先进的向量数据库技术，DB-GPT 可以对海量结构化和非结构化数据进行统一的向量化存储，并实现高效的语义检索。

• RAG 应用：基于强大的知识库和检索能力，开发者可以轻松构建各种 RAG 应用，例如智能问答系统、阅读助手等。

• 多数据源与 GBI：

  

• 多源数据连接: DB-GPT 支持连接多种数据源，包括传统的数据库（MySQL、PostgreSQL等）、数据仓库、以及 Excel 等文件格式。

• 自然语言交互：用户可以使用自然语言与数据进行交互，例如查询数据、生成报表、进行数据分析等，无需编写复杂的 SQL 语句。

• 生成式商业智能: DB-GPT 的 GBI 功能将数据分析能力与大语言模型的生成能力相结合，可以自动生成数据分析报告，为决策提供支持。

• 多模型管理与自动化微调：

• 海量模型支持: DB-GPT 支持多种主流的大语言模型，包括开源模型（LLaMA/LLaMA2、ChatGLM等）和 API 代理模型（OpenAI、百度文心、阿里通义等）。

• SMMF 框架：DB-GPT 提供了 SMMF（服务化多模型管理框架），方便开发者统一管理和调用不同的模型，并根据需求灵活切换。

• 自动化微调：为了满足特定领域的需求，DB-GPT 提供了自动化微调框架，支持 LoRA、QLoRA、P-tuning 等微调方法，简化模型微调流程，提升 Text2SQL 等任务的效果。

• 数据驱动的 Agents 与插件：

• Agents 智能体：DB-GPT 提供了数据驱动的 Multi-Agents 框架，开发者可以利用 Agents 完成更复杂的任务。Agents 可以访问数据、调用工具、与其他 Agents 协作，自主地完成目标。

• 插件扩展：DB-GPT 支持自定义插件，开发者可以根据自己的需求扩展 DB-GPT 的功能。例如，可以开发插件连接外部 API、执行特定计算任务等。

• Auto-GPT 兼容: DB-GPT 原生支持 Auto-GPT 插件模型，可以利用 Auto-GPT 生态中丰富的插件。

• 隐私安全：

• 私有化部署：DB-GPT 支持私有化部署，数据存储在企业内部，确保数据安全。

• 大模型私有化: DB-GPT 支持使用本地部署的 LLM，避免数据泄露风险。

• 代理脱敏：对于敏感数据，DB-GPT 提供代理脱敏机制，防止敏感信息泄露。

DB-GPT 架构与关键模块

DB-GPT 采用灵活的模块化架构设计，主要模块包括：

• SMMF (服务化多模型管理框架)：作为 DB-GPT 的核心模块之一，SMMF 负责管理和调用各种大语言模型，它提供统一的接口，屏蔽了不同模型之间的差异，方便开发者灵活地选择和切换模型。

• Retrieval (检索)：检索模块负责从知识库中检索相关信息。DB-GPT 的检索模块支持多知识库检索增强，可以同时检索多个知识库，并对检索结果进行排序和筛选，提高检索效率和准确性。

• Agents (智能体)：Agents 模块是 DB-GPT 的智能化核心。DB-GPT 提供了数据驱动的 Multi-Agents 框架，开发者可以创建多个 Agents，并为每个 Agent 分配不同的角色和任务。Agents 可以互相协作，共同完成复杂的任务。

• Fine-tuning (微调)：微调模块负责对大语言模型进行微调，使其更适应特定领域的任务。DB-GPT 提供了自动化微调框架，支持多种微调方法，并提供评估指标，帮助开发者找到最佳的微调方案。

• Connections (连接)：连接模块负责连接各种数据源，包括数据库、数据仓库、Excel 等。DB-GPT 提供了统一的数据连接接口，方便开发者访问和处理不同类型的数据。

• Observability (可观测性)：可观测性模块提供 DB-GPT 运行时的监控和日志信息，方便开发者了解 DB-GPT 的运行状态，及时发现和解决问题。

• Evaluation (评估)：评估模块提供工具和指标，用于评估 DB-GPT 的性能和准确性。开发者可以使用评估模块对不同模型、不同参数配置进行比较，找到最佳的方案。

DB-GPT 应用场景

DB-GPT 能够应用于多种数据应用场景，为企业和开发者提供更智能、更高效的数据体验：

• Chat Knowledge (知识问答)：

  

• 企业内部知识库问答：将企业内部文档、资料等构建成知识库，员工可以通过 DB-GPT 查询相关信息，提高工作效率。

• 产品文档智能客服：将产品文档构建成知识库，用户可以通过 DB-GPT 查询产品信息、解决问题，提升用户体验。

• 智能学习助手：将学习资料构建成知识库，学生可以通过 DB-GPT 查询知识点、解答问题，提高学习效率。

• Chat Data (数据对话)：

  

• 基于销售数据的市场分析：分析销售数据，识别畅销产品、销售趋势等，为市场营销提供决策支持。

• 基于用户行为数据的用户画像分析：分析用户行为数据，构建用户画像，为精准营销、个性化推荐等提供支持。

• 基于金融数据的风险控制：分析金融数据，识别风险因素，为风险控制提供决策支持。

• Chat Excel (Excel 对话)：

  

• 财务报表分析: 通过自然语言提问，对 Excel 格式的财务报表进行分析，例如计算财务指标、生成图表等。

• 销售数据分析: 分析 Excel 格式的销售数据，例如统计销售额、分析产品销量等。

• 人力资源数据分析: 分析 Excel 格式的人力资源数据，例如统计员工信息、分析薪酬水平等。

• Chat DB (数据库对话)：

  

• 数据库性能诊断：通过分析数据库运行日志、慢 SQL 等信息，识别数据库性能瓶颈，并给出优化建议。

• SQL 语句优化：将自然语言描述的需求转换为 SQL 语句，并对 SQL 语句进行优化，提高查询效率。

• 数据库 schema 设计：根据用户需求，自动生成数据库 schema，并给出优化建议。

AWEL：智能体工作流表达式语言

AWEL (Agentic Workflow Expression Language) 是 DB-GPT 中专门用于编排智能体工作流程的语言。它提供了一种简洁、灵活的方式来定义 Agents 之间的交互、数据流动以及任务执行顺序。

• 分层设计: AWEL 采用分层 API 设计，包括操作符层、AgentFream 层和 DSL 层，兼顾了灵活性和易用性。开发者可以直接使用底层操作符构建复杂逻辑，也可以利用高层 DSL 简化代码编写。

• 优势:

• 简化开发: 通过 AWEL，开发者可以快速构建复杂的数据处理流程，无需编写大量代码。

• 自动化编排: AWEL 支持条件判断、循环等控制结构，可以实现流程的自动化执行。

• 可读性强: AWEL 的语法简洁易懂，便于团队协作和代码维护。

• 应用场景: AWEL 可以用于各种需要自动化数据处理流程的场景，例如数据清洗、数据转换、特征工程、机器学习模型训练等。

DB-GPT 的优势与未来展望

DB-GPT 作为新一代 AI 原生数据应用开发框架，具有以下优势：

• AI 原生: DB-GPT 将 LLM 与数据库技术深度融合，为数据应用开发带来了全新的可能性。

• 易用性: DB-GPT 提供了简单易用的 API 和工具，降低了开发者使用门槛，即使没有深厚的数据库知识，也能轻松构建数据应用。

• 灵活性: DB-GPT 支持多模型、多数据源和自定义插件，开发者可以根据实际需求灵活选择和组合。

• 安全性: DB-GPT 支持私有化部署和数据脱敏，保障数据安全。

未来，DB-GPT 将继续朝着以下方向发展：

• 增强 AI 能力: 不断优化 Text2SQL 效果，支持更多类型的 LLM，探索更强大的数据分析和处理能力。

• 丰富应用场景: 拓展 DB-GPT 在更多数据应用场景的落地，例如数据可视化、数据挖掘等。

• 完善生态建设: 构建活跃的开源社区，吸引更多开发者参与贡献，共同推动 DB-GPT 的发展，打造 AI 原生数据应用生态。