DB-GPT让 AI 连上数据库自动产出分析报告【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT业务人员不会写 SQL一个取数需求要等工程师排期。DB-GPT 是一个开源的 Agentic AI 数据助手连接数据库和 Excel 文件自动编写并执行 SQL 与 Python直接产出图表和 HTML 报告。它解决什么问题不解决什么问题DB-GPT 的定位是AI 数据分析师输入一句自然语言问题系统自己规划任务、调用数据源、写 SQL 和 Python 代码最后返回图表、报告或结论。仓库 README 对它的描述是连接数据、写 SQL 和代码、在沙箱里跑技能、把分析变成报告与洞察。先排除几个误用预期它不是不是 BI 工具没有像素级拖拽报表设计器图表由 AI 现场生成。不是数据集成平台只做查询与分析层不做数仓建模、ETL 或数据迁移。不是独立模型必须外接一个大语言模型走 API 代理或本地推理服务。目标是固定版式的月度报表还是选现成 BIDB-GPT 适合的是探索性取数 临时分析问题这类场景。一个比喻看懂整体设计把 DB-GPT 想成一家数据分析外包公司前台数据源接入层登记数据库、文件、知识库项目经理Agent 模块把问题拆解成步骤工程师生成并执行 SQL 与 Python完成查询和指标计算质检沙箱模块把 AI 生成的代码关在隔离环境里运行。落到真实代码这家公司就是packages/下的 7 个可独立安装的子包dbgpt-core是框架骨架CLI、FastAPI、Agentdbgpt-serve装数据源、会话、RAG、评估等服务模块dbgpt-app承载 Web 应用和界面dbgpt-sandbox负责隔离执行dbgpt-client是调用服务端的 Python SDK另有dbgpt-ext与dbgpt-accelerator两个扩展包。核心能力逐条拆解自然语言转 SQL把问题直接变成查询并执行做什么输入上季度销售额最高的 10 个类别系统自动完成写 SQL、执行、出图并给出文字解读。怎么做到Agent 模块负责多步推理和工具调用数据源连接器统一提供表结构与执行入口。仓库里examples/agents/sql_agent_dialogue_example.py是可运行的对话样例examples/agents/下共放了 20 个代理示例覆盖了 SQL、Excel、知识库检索、MCP 等类型。好处不写 SQL 也能取数复杂问题先规划再执行每一步在界面上可见。多源数据接入数据库、文件、知识库统一入口做什么同一个工作区里连关系型数据库、CSV/Excel 文件、文档和知识库混合使用。怎么做到packages/dbgpt-serve/src/dbgpt_serve/datasource/manages/connector_manager.py统一登记和管理连接配置参考文档docs/docs/config-reference/datasource/下按数据源类型分了 15 个配置文件涵盖 MySQL、PostgreSQL、ClickHouse、Doris 等。好处不用重构现有数据架构接上就能被 AI 直接查询。技能Skills把领域分析封装成可复用组件做什么把一套分析流程脚本 模板 说明文档打包成技能会话里直接调用。怎么做到每个技能是一个目录SKILL.md描述能力边界scripts/放可执行脚本。skills/目录下带了 5 个现成样例csv-data-analysis、financial-report-analyzer、walmart-sales-analyzer、skill-creator、agent-browser。好处重复性分析变成固定流水线比每次让模型自由发挥更稳定、更可控。沙箱执行AI 生成的代码关进隔离环境做什么让 AI 生成的 Python 代码在隔离环境中运行避免影响宿主机。怎么做到packages/dbgpt-sandbox/src/dbgpt_sandbox/sandbox/execution_layer/实现了 4 种运行时——Docker、本地进程、Nerdctl、Podman由runtime_factory.py按配置选择。好处生成代码有 bug 或有副作用时影响范围被限制在容器内这是敢让 AI 跑代码的前提。从零跑通的最短路径 环境要求Python 3.10装好uv包管理器。以下按 OpenAI 代理为例无需 GPU。拉取代码git clone https://gitcode.com/GitHub_Trending/db/DB-GPT cd DB-GPT安装依赖一条命令装齐基础、代理模型、RAG 和向量库uv sync --all-packages \ --extra base \ --extra proxy_openai \ --extra rag \ --extra storage_chromadb \ --extra dbgpts填模型密钥编辑configs/dbgpt-proxy-openai.toml[models] [[models.llms]] name chatgpt_proxyllm provider proxy/openai api_key your-openai-api-key [[models.embeddings]] name text-embedding-3-small provider proxy/openai api_key your-openai-api-key启动服务运行uv run dbgpt start webserver --config configs/dbgpt-proxy-openai.toml。打开浏览器访问http://localhost:5670能看到聊天页即成功元数据存储默认用 SQLite开箱即有。不想从源码装的话也可以走 PyPIuv pip install dbgpt-app后执行dbgpt start首次运行有交互式向导引导选模型、填密钥。谁该用谁别用适合业务与数据团队对现有数据库、表格做自然语言探索、Profiling、即席分析省去排队写 SQL。数据不能出域的团队configs/下备有 Ollama、vLLM、llama.cpp 等本地模型配置样例如dbgpt-proxy-ollama.toml可全本地部署。需要沉淀分析资产的团队把重复报告封装成技能复用而不是每次都靠对话现场生成。不适合期望零调优NL2SQL 质量取决于表结构和提问方式README 列出 11 个可微调的模型家族LLaMA、Qwen、Baichuan 等但微调本身仍有额外工作量。完全离线且无算力项目不自带模型必须接 API 或本地推理服务。要求报表逐像素设计这不是 BI 的领地。进阶玩法可视化编排工作流用 AWEL 流程编辑器的拖拽界面把取数、分析、出图节点连成自定义流水线入口文档在 docs/docs/awel/awel.md。自制技能跑skills/skill-creator/scripts/init_skill.py生成技能目录骨架按SKILL.md规范补齐脚本与说明即可。定时任务packages/dbgpt-serve/src/dbgpt_serve/scheduled_task/模块支持周期性执行分析任务用法见 docs/docs/application/scheduled_tasks.md。一句话收尾与路线展望DB-GPT 把提问 → 写 SQL/代码 → 隔离执行 → 出报告整条链路做成了一个可自部署的开源组件沙箱和技能系统让它在生产环境里站得住脚。仓库中已存在的方向dbgpt-ext里的 GraphRAG、pilot/下的基准评估数据、dbgpt-accelerator的本地推理加速说明后续重心在检索质量与推理性能skills/目录和 skill-creator 工具则指向一个开放的技能生态。源码目录packages/dbgpt-core/src/dbgpt/ 官方文档docs/docs/【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考