eosphoros-ai/DB-GPT · 上手攻略

仓库：eosphoros-ai/DB-GPT
链接：https://github.com/eosphoros-ai/DB-GPT
分类：ai
作者：Tom
更新：2026-07-11

这是什么

DB-GPT 是一个开源的 Agentic AI 数据助手，服务于"AI + Data"下一代产品。它的核心理念是：用自然语言与你的数据库、文件、数据仓库对话——AI 自动写 SQL、自动执行分析、自动生成图表和报告。

它不只是问答，而是一个能真正执行任务的 Agent：连接数据源 → 理解业务问题 → 规划执行步骤 → 写 SQL/代码 → 沙箱执行 → 产出结论和可视化。

核心能力

能力	说明
多数据源连接	MySQL、PostgreSQL、ClickHouse、Doris、S3、CSV/Excel 等，一站式接入
自然语言 SQL	用中文/英文提问，AI 自动生成 SQL 并执行
代码驱动分析	不仅 SQL，还支持 Python 数据分析、沙箱执行
AWEL 工作流	Agent Workflow Expression Language，定义 Agent 任务流程
RAG + Agent	结合知识库检索和 Agent 自主决策
多模型支持	OpenAI、Anthropic、本地模型（Llama、Qwen 等）
可视化输出	生成图表、仪表盘、HTML 报告、分析摘要
安全沙箱	代码在隔离环境中执行，防止数据泄露
Skills 生态	可打包领域知识为可复用技能（类似 Agent Tools）

解决什么问题

传统数据分析的门槛很高：需要懂 SQL、懂 Python、懂可视化工具、懂数据库结构。业务人员提一个数据分析需求，需要工程师写 SQL → 跑数据 → 做图表 → 写报告，流程慢且沟通成本高。

DB-GPT 把这个流程压缩为：业务人员用自然语言提问 → Agent 自动完成从 SQL 到报告的全流程。 同时支持多模型、多数据源，适合企业构建私有化 AI 数据分析平台。

快速安装

macOS & Linux 一键安装（推荐）

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

Docker 部署（推荐生产环境）

# 克隆仓库
git clone https://github.com/eosphoros-ai/DB-GPT.git
cd DB-GPT

# 使用 Docker Compose 启动
docker-compose up -d

# 访问 http://localhost:5670

pip 安装（开发者）

# 创建虚拟环境
python -m venv dbgpt-env
source dbgpt-env/bin/activate  # Windows: dbgpt-env\Scripts\activate

# 安装
pip install dbgpt

# 启动（需要配置环境变量）
export DBGPT_HOST=0.0.0.0
export DBGPT_PORT=5670
export LLM_MODEL=chatgpt
export OPENAI_API_KEY=your-api-key

dbgpt start

手动源码安装（完整功能）

git clone https://github.com/eosphoros-ai/DB-GPT.git
cd DB-GPT

# 安装依赖
pip install -e .

# 或使用 requirements.txt
pip install -r requirements.txt

# 启动
dbgpt server
# 访问 http://localhost:5670

环境要求：Python ≥ 3.9（建议 3.10+），推荐 8GB+ RAM 用于本地模型。

核心用法

1. Web 界面：自然语言查询数据库

安装并启动后，浏览器打开 http://localhost:5670：

连接数据源：在界面添加数据库连接（MySQL、PostgreSQL 等），填入 host、port、用户名、密码
自然语言提问：例如 "过去30天每日活跃用户数是多少？"
AI 自动流程：解析意图 → 写 SQL → 执行 → 生成图表 → 输出结论
下载/分享：可导出图表、报告或 SQL 本身

2. Python API：嵌入数据分析流程

from dbgpt import DGPTServer

# 初始化
server = DGPTServer(
    model="gpt-4o-mini",       # 或本地模型如 "Qwen/Qwen2-7B"
    api_key="your-openai-key",
    db_conn="mysql://user:pass@localhost:3306/mydb"
)

# 自然语言查询
result = server.query("过去30天每日活跃用户数是多少？按天显示")
print(result["answer"])        # AI 给出的结论
print(result["sql"])           # 生成的 SQL
print(result["chart"])         # 图表 URL 或 base64

3. 使用 AWEL 定义 Agent 工作流

AWEL（Agent Workflow Expression Language）是 DB-GPT 的工作流定义语言：

from dbgpt.awel import workflow, Task

@workflow
def sales_analysis():
    # 1. 从 MySQL 拉取销售数据
    data = Task("mysql_query",
        sql="SELECT date, amount FROM sales WHERE date >= '2024-01-01'")

    # 2. 用 Python 计算月环比
    analysis = Task("python_analysis",
        data=data,
        script="""
        import pandas as pd
        df = pd.DataFrame(data)
        df['month'] = df['date'].dt.to_period('M')
        result = df.groupby('month')['amount'].sum().pct_change()
        return result
        """)

    # 3. 生成图表
    chart = Task("chart_generation", data=analysis, type="line")

    # 4. 输出报告
    return Task("report_summary", chart=chart, template="sales_monthly")

sales_analysis().run()

4. 多数据源联合查询

# 同时连接 MySQL（业务数据库）和 S3（日志数据）
result = server.query(
    "将用户表和最近一周的行为日志做关联分析，找出活跃但未转化的用户",
    sources=["mysql:mydb.users", "s3:logs/2024/"]
)

5. 私有本地模型部署

# 使用 Ollama 或 vLLM 部署本地模型，DB-GPT 可直接对接
export LLM_MODEL=llama3
export LLM_MODEL_TYPE=ollama
export OLLAMA_BASE_URL=http://localhost:11434

dbgpt start

典型适用场景

场景	DB-GPT 适用度
业务自助分析	★★★★★ 业务人员自然语言提问，工程师零介入
数据质量检测	★★★★☆ 自动生成数据剖析报告
跨数据源分析	★★★★☆ 一句话关联多个数据库/文件
财务/运营报告自动化	★★★★★ 定时生成报告，推送给相关人
私有化 AI + Data 平台	★★★★★ 完全自托管，数据不出境
SQL 生成与审核	★★★★☆ AI 写 SQL，减少手写错误

坑与注意

数据安全是核心考量：DB-GPT 执行 SQL 和代码需要对你的数据库有读写权限。务必在隔离环境中使用，不要直接连生产库。沙箱执行能降低风险，但无法完全杜绝误操作。
SQL 生成准确性：AI 生成的 SQL 不保证 100% 正确，特别是复杂 JOIN、嵌套子查询。生产环境建议开启 SQL 审核步骤。
中文自然语言理解：DB-GPT 对中文支持相对较好（社区有大量中文用户），但复杂业务术语可能理解偏差，建议用清晰的问题描述。
多数据源连接配置较复杂：首次配置数据源（尤其是非标准数据库或 S3）需要仔细阅读文档，连接串格式有要求。
本地模型性能：使用 Llama、Qwen 等开源本地模型时，速度和效果取决于模型规模和量化级别。7B 模型响应快但质量有限，70B 模型效果好但需要 GPU。
依赖兼容性问题：部分版本对 transformers、torch 版本有要求，建议使用官方 Docker 镜像避免依赖地狱。
更新频率高：DB-GPT 活跃开发中，版本更新可能带来 breaking changes，升级前建议查看 GitHub Releases 和 Changelog。

与同类对比

项目	定位	优势	不足
DB-GPT	AI 数据助手（自然语言 → 执行）	中文友好、私有化部署成熟、AWEL 工作流	生态比 OpenAI plugins 窄
ChatSQL	自然语言转 SQL	轻量、专注 SQL 生成	非完整 Agent，无法执行分析
DBChat	数据库对话界面	简单易用	功能有限
Vanna.ai	SQL 生成+RAG	RAG 增强准确性，开源	非完整 Agent 架构
SQLChat	ChatUI for DB	开源、可私有部署	偏简单问答，非完整分析流程
MindsHub Cowork	全流程 AI 工作空间	有 Artifacts 发布能力	非专注数据分析
Haystack	LLM 编排框架	组件丰富、Pipeline 透明	非开箱即用的数据助手

DB-GPT 的核心差异：专注"自然语言 → 可执行数据分析"这一窄而深的场景，AWEL 工作流 + 沙箱执行 + 多数据源，是目前该方向最完整的开源方案。

一句话推荐结论

如果你需要一个能直接对接业务数据库、用自然语言驱动数据分析、同时支持私有化部署的 AI 助手，DB-GPT 是目前开源生态中完成度最高的选项——特别适合企业构建内部 BI 助手或数据团队的智能化提效工具。

来源

GitHub：https://github.com/eosphoros-ai/DB-GPT
官方文档：https://db-gpt.readthedocs.io/（或查 GitHub docs/ 目录）
Docker 部署：https://github.com/eosphoros-ai/DB-GPT/blob/main/docker/
AWEL 文档：查 GitHub 仓库 awel/ 目录
Discord 社区：链接见 GitHub README

不确定处：一键安装脚本 URL (install.sh) 建议在 GitHub README 页面实时核实，因仓库活跃可能导致路径变化。Docker 镜像名和版本以官方 docker-compose.yml 为准。生产环境部署前建议阅读官方部署安全指南，确认最新版本有无已知 CVE。AWEL 语法细节请以仓库内 awel/ 目录下的文档为准。