DB-GPT系列（一）：DB-GPT能帮你做什么？

DB-GPT是一个开源的AI原生数据应用开发框架(AI Native Data App Development framework with AWEL and Agents)，围绕大模型提供灵活、可拓展的AI原生数据应用管理与开发能力，可以帮助企业快速构建、部署智能AI数据应用，通过智能数据分析、洞察、决策，实现企业数字化转型与业务增长。

目的是构建大模型领域的基础设施，通过开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力，让围绕数据库构建大模型应用更简单，更方便。

一、DB-GPT的核心特性

1、私域问答&数据处理&RAG(Retrieval-Augmented Generation)

支持内置、多文件格式上传、插件自抓取等方式自定义构建知识库，对海量结构化，非结构化数据做统一向量存储与检索

2、多数据源&GBI(Generative Business Intelligence)

支持自然语言与Excel、数据库、数仓等多种数据源交互，并支持分析报告。

3、多模型管理

海量模型支持，包括开源、API代理等几十种大语言模型。如LLaMA/LLaMA2、Baichuan、ChatGLM、文心、通义、智谱、星火等。

4、自动化微调

围绕大语言模型、Text2SQL数据集、LoRA/QLoRA/Pturning等微调方法构建的自动化微调轻量框架, 让TextSQL微调像流水线一样方便。

5、Data-Driven Multi-Agents&Plugins

支持自定义插件执行任务，原生支持Auto-GPT插件模型，Agents协议采用Agent Protocol标准

6、隐私安全

通过私有化大模型、代理脱敏等多种技术保障数据的隐私安全

二、DB-GPT六大基础应用场景

在探索广场中，搜索发现各种有趣、好玩、有用的数据应用。除了支持按照关键词搜索应用之外, 还提供了热门推荐、全面应用、我的收藏等。

默认安装之后，会有六大应用场景，如下图：

Chat Excel（Excel对话）：可以围绕某个Excel数据文件进行快速分析，允许用户上传数据文件并直接对其进行分析；

Chat Dashboard（仪表盘对话）：可以围绕某个数据库，针对某个问题进行多维度分析与可视化展示；

Chat Data（数据对话）：可以连接本地各种不同类型关系型数据库，并围绕数据库中的某个库进行跨表问答；

Chat DB（数据库对话）：通过对话，进行问询式SQL代码创建；（但是不运行）

Chat Normal（原生对话）：与原生大模型进行对话

Chat Knowledge（知识库对话）：借助RAG实现私有知识库问答，用户可以自定义传输企业业务说明文档、专家文档或数据字典等信息，并围绕相关问题进行问答，从而辅助用户快速了解企业业务，或辅助进行业务决策等；

在在线对话提供主要的对话能力，展示历史的对话记录以及当前正在对话的应用。 如下图所示，点击任意智能应用，也会跳转到此界面。

三、DB-GPT高阶应用场景

1、自定义智能体应用

在DB-GPT项目中，可以通过开发智能体编排语言（AWEL）开发数据类应用，在在线对话里面支持应用的创建和管理。

2、promopt管理

在实际应用开发过程中，在不同的场景、Agent、RAG等模块中，都需要针对性定制Prompt，DB-GPT提供了独立Prompt模块，让Prompt的编辑与调整更灵活。

3、知识库

知识库提供了根据私域知识问答的能力，可以根据知识库构建智能问答系统、阅读助手等多种产品，在DB-GPT中也使用了RAG的技术，对知识检索进行增强。

4、Text2SQL微调

通过DB-GPT-Hub可以进行在线Text2SQL微调功能，持续微调底层大模型的Text2SQL能力，从而不断提高生成SQL的准确率。

四、架构方案

• RAG(Retrieval Augmented Generation)，RAG是当下落地实践最多，也是最迫切的领域，DB-GPT目前已经实现了一套基于RAG的框架，用户可以基于DB-GPT的RAG能力构建知识类应用。
• GBI：生成式BI是DB-GPT项目的核心能力之一，为构建企业报表分析、业务洞察提供基础的数智化技术保障。
• 微调框架: 模型微调是任何一个企业在垂直、细分领域落地不可或缺的能力，DB-GPT提供了完整的微调框架，实现与DB-GPT项目的无缝打通，在最近的微调中，基于spider的准确率已经做到了82.5%
• 数据驱动的Multi-Agents框架: DB-GPT提供了数据驱动的自进化Multi-Agents框架，目标是可以持续基于数据做决策与执行。
• 数据工厂: 数据工厂主要是在大模型时代，做可信知识、数据的清洗加工。
• 数据源: 对接各类数据源，实现生产业务数据无缝对接到DB-GPT核心能力。

五、本专栏规划

本专栏后续会将DB-GPT计划更新20-30篇文章，把DB-GPT的基础到应用讲清楚，包括：

• DB-GPT的部署（源码部署、镜像部署）
• 六大基础应用场景逐一剖析讲解
• 底层模型的管理和变更
• 知识库管理
• 知识库问答应用搭建
• 智能体编排语言AWEL使用
• AWEL算子剖析
• AWEL应用构建
• prompt管理与优化
• Text2SQL微调
• 多模型管理SMMF
• DB-GPT运维管理
• DB-GPT源码架构讲解
• DB-GPT源码详细剖析
• 企业级综合应用

一直努力向前，大家加油共勉，一起学习。