Skip to content

Latest commit

 

History

History
320 lines (246 loc) · 17.6 KB

README.zh.md

File metadata and controls

320 lines (246 loc) · 17.6 KB
Raw

DB-GPT: AI原生数据应用开发框架

DB-GPT 是什么？

🤖️ 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(Agentic Workflow Expression Language) and Agents)。

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。

🚀 数据3.0 时代，基于模型、数据库，企业/开发者可以用更少的代码搭建自己的专属应用。

效果演示

AI原生数据智能应用

  • V0.6.0发布——一系列重大功能更新
    • AWEL协议升级2.0，支持更复杂的编排，同时优化了前端可视化与交互能力。
    • 支持数据应用的创建与生命周期管理，提供多种应用构建模式。1. 多智能体自动规划模式、2. 任务流编排模式、3. 单一智能体模式、4. 原生应用模式
    • GraphRAG支持图社区摘要与混合检索，性能与检索效果有显著优势，同时支持丰富的前端可视化。
    • 支持意图识别、槽位填充与Prompt管理。
    • GPT-Vis前端可视化升级，支持更丰富的可视化图表。
    • 支持Text2NLU与Text2GQL微调, 即新增意图分类与从自然语言到图语言的微调。

Data Agents

app_chat_v0 6

app_manage_chat_data_v0 6

chat_dashboard_display_v0 6

agent_prompt_awel_v0 6

目录

架构方案

核心能力主要有以下几个部分:

  • 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。

RAG生产落地实践架构

子模块

  • DB-GPT-Hub 通过微调来持续提升Text2SQL效果

  • DB-GPT-Plugins DB-GPT 插件仓库, 兼容Auto-GPT

  • GPT-Vis 可视化协议

  • dbgpts dbgpts 是官方提供的数据应用仓库, 包含数据智能应用, 智能体编排流程模版, 通用算子等构建在DB-GPT之上的资源。

安装

Docker Linux macOS Windows

教程

特性一览

Image

🌐 AutoDL镜像

🌐 小程序云部署

多语言切换

在.env 配置文件当中，修改LANGUAGE参数来切换使用不同的语言，默认是英文(中文zh, 英文en, 其他语言待补充)

使用说明

多模型使用

数据Agents使用

贡献

更加详细的贡献指南请参考如何贡献。

这是一个用于数据库的复杂且创新的工具, 我们的项目也在紧急的开发当中, 会陆续发布一些新的feature。如在使用当中有任何具体问题, 优先在项目下提issue, 如有需要, 请联系如下微信，我会尽力提供帮助，同时也非常欢迎大家参与到项目建设中。

贡献者榜单

Licence

The MIT License (MIT)

引用

如果您发现DB-GPT对您的研究或开发有用，请引用以下论文，其中：

如果您想了解DB-GPT整体架构，请引用论文和论文

如果您想了解使用DB-GPT进行Agent开发相关的内容，请引用论文

@article{xue2023dbgpt,
      title={DB-GPT: Empowering Database Interactions with Private Large Language Models}, 
      author={Siqiao Xue and Caigao Jiang and Wenhui Shi and Fangyin Cheng and Keting Chen and Hongjun Yang and Zhiping Zhang and Jianshan He and Hongyang Zhang and Ganglin Wei and Wang Zhao and Fan Zhou and Danrui Qi and Hong Yi and Shaodong Liu and Faqiang Chen},
      year={2023},
      journal={arXiv preprint arXiv:2312.17449},
      url={https://arxiv.org/abs/2312.17449}
}
@misc{huang2024romasrolebasedmultiagentdatabase,
      title={ROMAS: A Role-Based Multi-Agent System for Database monitoring and Planning}, 
      author={Yi Huang and Fangyin Cheng and Fan Zhou and Jiahui Li and Jian Gong and Hongjun Yang and Zhidong Fan and Caigao Jiang and Siqiao Xue and Faqiang Chen},
      year={2024},
      eprint={2412.13520},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2412.13520}, 
}
@inproceedings{xue2024demonstration,
      title={Demonstration of DB-GPT: Next Generation Data Interaction System Empowered by Large Language Models}, 
      author={Siqiao Xue and Danrui Qi and Caigao Jiang and Wenhui Shi and Fangyin Cheng and Keting Chen and Hongjun Yang and Zhiping Zhang and Jianshan He and Hongyang Zhang and Ganglin Wei and Wang Zhao and Fan Zhou and Hong Yi and Shaodong Liu and Hongjun Yang and Faqiang Chen},
      year={2024},
      booktitle = "Proceedings of the VLDB Endowment",
      url={https://arxiv.org/abs/2404.10209}
}

联系我们

说明: 由于微信群人数上限的限制, 我们的答疑与问题支持优先会在钉钉大群进行。

图片2

钉钉

图片1

微信

Star History Chart