DB-GPT：开源AI原生数据应用框架，集成Text2SQL与多智能体工作流

原创发布日期：2026-05-08

一、DB-GPT是什么

DB-GPT 是由 eosphoros-ai 团队开源的AI 原生数据应用开发框架，依托 AWEL 智能工作流编排语言与智能体架构构建，定位为大模型与数据交互领域的底层基础设施。项目核心初衷是简化大模型与数据库、结构化数据、非结构化文档的融合应用开发流程，让企业开发者、业务人员以低代码、少代码的方式，快速搭建专属数据智能应用，适配数据3.0时代模型与数据库深度结合的业务需求。

DB-GPT 并非单一的数据库问答工具，而是一套完整的技术生态体系，整合多模型管理、Text2SQL 精度优化、RAG 检索增强、多智能体协作、工作流编排、模型微调等核心能力，兼容私有化部署、多数据源接入、业务智能分析等场景，开源协议为 MIT，无商用授权门槛，社区生态成熟，GitHub 星标17.4k、分支2.4k，迭代更新活跃。

二、功能特色

DB-GPT 具备模块化、插件化、全场景适配的核心优势，覆盖数据问答、智能分析、模型管理、私有化部署等全维度能力，核心功能特色如下：

私有化知识库与域内问答
支持多格式文档上传解析，适配结构化、非结构化数据统一存储与向量检索，内置自定义数据提取插件，可快速搭建企业专属知识库，实现私有业务数据精准问答。
多数据源接入与生成式商业智能（GBI）
无缝兼容 MySQL、PostgreSQL、ClickHouse、Hive 等数据库/数仓，同时支持 Excel 等本地文件接入；可通过自然语言自动生成查询 SQL、数据分析报表、业务洞察结论，无需人工编写代码。
多智能体与插件生态
原生兼容 Auto-GPT 插件体系，遵循标准化智能体协议，支持自定义插件拓展功能；搭载数据驱动的多智能体框架，可自主基于数据完成决策、任务拆解与流程执行。
自动化 Text2SQL 微调框架
内置轻量化微调流水线，支持 LoRA、QLoRA、Pturning 等主流微调方式，适配 LLaMA、通义千问、百川、智谱 GLM 等数十款开源大模型，在 Spider 数据集上微调精度可达 **82.5%**。
SMMF 面向服务多模型管理框架
统一管理开源本地模型与第三方 API 大模型，深度适配 DeepSeek、Qwen、GLM、Llama、Gemma 等主流模型家族，支持模型快速切换、负载调度与版本管理。
数据安全与隐私可控
支持本地私有化大模型部署、数据代理脱敏、SQL 执行审计、访问权限隔离，全程数据可内网闭环，满足政务、金融、企业内部敏感数据合规要求。
AWEL 智能工作流编排
独有 Agentic Workflow Expression Language 工作流编排能力，可视化配置数据处理、模型推理、任务调度全流程，降低复杂数据应用的开发门槛。
模块化工程架构
V0.7.0 及以上版本完成核心模块重构，拆分出 dbgpt-app、dbgpt-core、dbgpt-serve、dbgpt-client 等独立组件，架构解耦清晰，便于二次开发与功能拓展。

三、技术细节

3.1 整体技术架构

DB-GPT 采用分层解耦架构，从上至下分为应用层、编排层、核心能力层、模型适配层、数据源层、基础设施层，各层级独立可拓展：

应用层：Web 交互界面、API 服务、第三方集成接口、低代码应用搭建入口；
编排层：基于 AWEL 实现工作流自定义、多智能体任务协同、插件调度管理；
核心能力层：集成 RAG 检索增强、GBI 生成式商业智能、模型微调、数据工厂清洗加工能力；
模型适配层：SMMF 多模型统一管理框架，对接本地开源模型与云端 API 大模型；
数据源层：适配关系型数据库、数据仓库、Excel 文档、PDF/Word 知识库等多类数据来源；
基础设施层：向量数据库、容器化部署环境、缓存服务、日志审计、权限管控模块。

3.2 核心技术模块解析

RAG 检索增强模块
内置全流程 RAG 流水线，支持文档分片、向量化嵌入、语义检索、上下文召回优化，适配长文档、多文档联合问答，可自定义检索策略与相似度算法。
Text2SQL 核心模块
依托大模型语义理解，结合数据库表结构、字段注释、业务元数据，自动生成合规可执行 SQL；支持 SQL 语法纠错、多表关联查询、复杂条件拆解、SQL 性能优化与解释。
多智能体框架
采用数据驱动自进化设计，支持智能体角色定义、任务分工、自主决策、结果复盘，可实现数据分析、报表生成、异常预警等自动化业务流程。
模型微调模块
轻量化无代码微调流水线，预置 Text2SQL 专用数据集，支持一键启动微调、模型评估、权重导出，适配主流开源大模型全系版本。
数据工厂模块
专注大模型时代可信数据处理，提供数据清洗、格式转换、元数据管理、知识库结构化加工能力，为模型推理与业务分析提供高质量数据支撑。

3.3 技术栈与运行环境

开发语言：Python 为主，核心模块采用标准化工程化编码；
部署方式：支持源码部署、Docker 容器部署、Docker-Compose 一键编排；
依赖生态：向量数据库、LLM 推理框架、数据解析组件、前端 Web 框架；
系统兼容：Linux、Windows、国产操作系统，支持国产芯片私有化部署。

3.4 目录核心结构（精简版）

DB-GPT/
├── configs/    # 项目配置文件、模型/数据库配置模板
├── docker/     # 容器化部署镜像与配置
├── docs/      # 官方开发文档、使用教程
├── examples/    # 应用示例、AWEL工作流模板
├── pilot/     # 核心业务逻辑、元数据管理
├── web/      # 前端Web交互界面
├── requirements/  # 基础依赖、可选依赖配置
└── docker-compose.yml # 一键部署编排文件

DB-GPT：开源AI原生数据应用框架，集成Text2SQL与多智能体工作流

四、应用场景

企业内部数据智能问答
业务人员无需掌握 SQL，通过自然语言查询业务数据库、经营报表、库存订单等数据，快速获取统计结果与明细数据。
生成式商业智能分析
自动对接企业数仓，完成月度/季度经营分析、销售趋势研判、品类增长分析，自动生成图文分析报告与可视化图表。
私有知识库企业落地
上传企业制度、技术文档、培训资料、行业手册，搭建内网专属 AI 知识库，实现员工智能问答、资料检索、业务咨询。
低代码数据应用开发
开发者基于 DB-GPT 框架，快速定制行业专属数据应用，如政务数据查询、电商数据分析、制造业生产数据监控等。
大模型行业微调落地
针对金融、医疗、教育等垂直领域，基于框架内置微调流水线，快速训练专属 Text2SQL 与行业问答模型。
多系统智能协同办公
依托多智能体与插件能力，对接办公系统、业务系统、数据库，实现数据自动同步、异常数据预警、任务自动流转。

五、使用方法

5.1 环境前置要求

Python 版本：3.10 及以上
基础工具：Git、Docker（可选，推荐容器部署）
硬件要求：本地运行7B及以上大模型建议显存 16G 及以上，API 模型无硬件强制要求

5.2 源码部署步骤

克隆项目源码

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

安装项目依赖

# 安装基础核心依赖
pip install -r requirements.txt
# 安装可视化、文档解析等扩展依赖
pip install -r requirements-optional.txt

配置核心参数
复制配置示例文件并修改数据库、大模型、向量库相关配置：

cp configs/config_example.yaml configs/config.yaml

编辑 config.yaml，配置大模型接口地址、API 密钥、MySQL/PG 等数据库连接信息、向量库参数。
4. 启动 Web 服务

python pilot/server/dbgpt_server.py

访问使用
启动完成后，浏览器访问 http://localhost:8000，即可进入可视化操作界面，添加数据源、创建知识库、发起自然语言问答。

5.3 Docker 一键部署（推荐）

docker-compose up -d

容器会自动拉取依赖镜像、初始化配置，部署完成后直接访问本地8000端口即可使用，无需额外配置环境依赖。

5.4 基础操作流程

登录 Web 后台，添加目标数据库或上传业务文档；
选择关联大模型，配置语义检索与 SQL 生成规则；
输入自然语言指令，系统自动生成 SQL、执行查询、输出分析结论；
可保存对话记录、导出报表、配置自动化工作流。

DB-GPT：开源AI原生数据应用框架，集成Text2SQL与多智能体工作流

六、竞品对比

选取 Chat2DB、SQLBot、AiSQL 三款主流开源 Text2SQL 工具与 DB-GPT 进行全方位对比，从定位、核心能力、部署方式、模型适配、生态拓展、商用适配六个维度横向分析：

对比维度	DB-GPT	Chat2DB	SQLBot	AiSQL
项目定位	AI 原生数据应用开发框架，全生态体系	轻量化数据库智能客户端工具	专注 Text2SQL 单一场景工具	企业级 SQL 智能生成平台
核心能力	RAG+GBI+多智能体+工作流+模型微调	SQL生成、数据库管理、基础问答	仅自然语言转SQL、简单数据查询	SQL生成、SQL优化、慢查询分析
部署方式	源码/Docker/私有化内网部署	桌面客户端+Web部署	仅源码本地部署	云端服务+私有化部署
模型适配	支持数十款开源模型+主流API大模型	仅适配主流云端API模型	适配少量开源模型	以云端专属模型为主
生态拓展	AWEL工作流、插件市场、自定义智能体	插件较少，无工作流编排	无拓展生态，功能固定	封闭生态，二次开发门槛高
商用适配	MIT开源免费商用，低代码二次开发	个人免费、企业版收费	开源免费，无商业化适配	商业付费为主，开源功能受限

对比总结：DB-GPT 优势在于全栈化、可拓展、私有化适配强，不局限于单纯 SQL 生成，具备知识库、智能体、工作流、模型微调等完整能力；其余竞品多聚焦单一场景，生态拓展与定制化开发能力远不及 DB-GPT，更适合轻量化简单使用，而企业级复杂数据应用开发首选 DB-GPT。

七、常见问题解答

Q1：DB-GPT 是否可以免费商用？

A：项目采用 MIT 开源协议，个人与企业均可免费商用，无需支付授权费用，可自由二次开发、定制功能并部署到业务环境。

Q2：新手优先选择源码部署还是 Docker 部署？

A：新手推荐 Docker 一键部署，自动配置所有依赖，规避环境版本冲突；有二次开发、自定义源码需求的用户，选择源码部署更合适。

Q3：DB-GPT 支持本地离线大模型运行吗？

A：完全支持，框架内置 SMMF 多模型管理框架，可本地部署 Qwen、ChatGLM、DeepSeek 等开源大模型，全程内网离线运行，数据不对外传输。

Q4：Text2SQL 生成准确率偏低如何优化？

A：可通过三种方式提升准确率：录入数据库表结构与业务字段注释、使用框架内置微调流水线垂直领域微调、切换精度更高的大模型版本。

Q5：支持哪些类型的数据库和文件格式？

A：数据库兼容 MySQL、PostgreSQL、Oracle、ClickHouse、Hive、Doris 等；文件支持 PDF、Word、Excel、TXT 等常用格式，可直接上传构建知识库。

Q6：是否支持多用户权限管理和数据隔离？

A：支持，具备完善的用户权限、数据源访问隔离、SQL 操作审计功能，不同用户只能访问授权数据库与知识库，满足企业多人协作使用需求。

DB-GPT：开源AI原生数据应用框架，集成Text2SQL与多智能体工作流

八、相关链接

GitHub 源码地址：https://github.com/eosphoros-ai/DB-GPT
官方文档地址：https://docs.dbgpt.cn

九、总结

DB-GPT 作为开源 AI 原生数据应用开发框架，打破了传统 Text2SQL 工具功能单一、拓展性不足的局限，集多模型管理、自然语言转SQL、生成式商业智能、RAG 知识库、多智能体协作、工作流编排与模型微调到一体，适配个人开发、企业内部落地、行业定制化应用等多元场景。框架架构模块化清晰，部署方式灵活，兼容私有化离线部署与国产软硬件生态，开源协议宽松无商用限制，社区迭代持续活跃，无论是普通业务人员实现无代码数据查询，还是开发者搭建低代码数据智能应用，亦或是企业构建私有数据问答与分析体系，都具备极高的实用价值与落地价值。