DB-GPT 开源 Agentic AI 数据分析智能助手自主 SQL、Skills 与沙箱执行的实战指南【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本文以仓库根目录 README.zh.md 为核心骨架结合仓库内一键安装脚本 scripts/install/install.sh、profile 定义 scripts/install/lib/profiles.sh、示例配置 configs/dbgpt-app-config.example.toml、Skills 机制文档 skills/README.md 以及沙箱子包 packages/dbgpt-sandbox/README.md 等源码实现进行纵深扩充帮助开发者从零上手并理解底层原理。导读DB-GPT 是一个开源的Agentic AI 数据分析智能助手面向下一代AI Data产品形态。它不止于问答界面而是一个用于构建 AI Native 数据智能体、工作流与应用的基础平台用户可以连接数据库、CSV/Excel、数仓、知识库与文档用自然语言让 AI 自主编写 SQL 与 Python 代码加载可复用的 skills并在沙箱环境中安全执行分析任务最终自动生成图表、Dashboard、HTML 报告与分析总结。读完本文你将掌握 DB-GPT 的核心能力图谱、一键安装与 PyPI 安装的完整流程、安装脚本的 profile 与参数语义以及其 Skills 机制和沙箱执行环境的源码级实现原理。DB-GPT 是什么DB-GPT 定位为开源的Agentic AI 数据分析智能助手它帮助用户和团队连接数据库、CSV / Excel、数仓、知识库与文档使用自然语言提问并让 AI自主编写 SQL执行Python 与代码驱动的数据分析流程加载并执行可复用的skills自动生成图表、Dashboard、HTML 报告和分析总结在沙箱环境中安全执行分析任务。正如仓库根目录 README.zh.md 所述DB-GPT 不只是一个助手界面它同时也是一个平台用于构建AI Native 数据智能体、工作流与应用底层支持 agents、AWEL、RAG 与多模型能力。从项目工程结构看这一平台化定位直接体现在 monorepo 的 workspace 划分上见 pyproject.tomlpackages/dbgpt-app应用与 Web 服务、packages/dbgpt-core核心框架、packages/dbgpt-serve服务化能力、packages/dbgpt-ext扩展能力、packages/dbgpt-sandbox安全沙箱等以独立子包形式协同构成整个系统。为什么选择 DB-GPT1. Agentic 数据分析DB-GPT 不只是回答问题而是会进行任务规划、步骤拆解、工具调用和迭代式分析。它是会干活的分析师而非会回答的聊天框拿到用户目标后自主推理拆解出执行步骤按序调用工具并根据中间结果迭代调整分析路径。2. 自主 SQL 自主代码执行自动编写 SQL 和代码用于查询数据、处理数据、计算指标并生成结果。这一能力与chat_with_db_qa数据库对话、chat_excelExcel 对话等内置应用配置直接相关——在 configs/dbgpt-app-config.example.toml 中可以清晰看到这两类应用均被显式配置其中chat_with_db_qa通过schema_retrieve_top_k 50控制表结构检索 Top-K 数量chat_excel通过temperature 0.1控制更低随机性以保障代码生成的确定性。3. 多数据源分析同时处理结构化与非结构化数据包括数据库、表格文件、文档和知识库。仓库 assets/datasources.png 展示了 DB-GPT 数据源管理界面中同时呈现 TuGraph、Neo4j、Spark、SQLite、ClickHouse、MySQL、MongoDB 等多样化数据库类型的数据源卡片佐证了统一入口接入多种数据源的产品设计。4. Skills 驱动的可扩展能力将领域知识、分析方法和执行流程沉淀为 skills实现复用与扩展。这是 DB-GPT 最重要的扩展机制之一后文将结合源码详细展开。5. 沙箱安全执行在隔离环境中运行代码和工具让分析过程更安全、更可控。仓库内独立的 packages/dbgpt-sandbox 子包即承担这一职责其设计动机在 packages/dbgpt-sandbox/README.md 中有明确说明AI Agent 处理真实环境问题时任务隔离性和安全性是企业落地的必然考量。你可以用 DB-GPT 做什么分析 CSV / Excel 文件并生成可视化报告连接数据库自动生成数据库画像与分析报告用自然语言提问让 AI自动写 SQL进行财报深度分析生成图表、分析结论与总结创建和复用SQL 分析技能将代码、SQL、检索和工具调用组合成完整的 agentic 分析流程构建面向团队或产品的下一代AI Data 智能助手。仓库skills/目录下内置了可直接复用的技能包例如 csv-data-analysis/SKILL.mdCSV/Excel 深度数据分析、financial-report-analyzer财报分析、walmart-sales-analyzer零售销售分析、skill-creator技能创建器等是上手体验 skills 工作流的现成样例。产品工作流DB-GPT 将一次完整的数据分析归纳为四个阶段数据探索连接文件、数据库和知识库在统一入口开始分析任务规划与执行让 AI 进行任务推理、生成 SQL / 代码并逐步完成分析使用 Skills加载可复用的业务分析技能与领域工作流生成报告自动输出图表、Dashboard、HTML 报告和决策结论。以内置的csv-data-analysis技能为例见 skills/csv-data-analysis/SKILL.md这一工作流在具体技能上被实例化为可执行的严格两阶段第一步调用execute_skill_script_file工具执行 csv_analyzer.py 提取统计特征脚本输出以###KEY_START###...###KEY_END###标记包裹数据块由后端自动捕获并注入模板LLM 无需处理第二步由 LLM 基于统计摘要推理业务洞察通过html_interpreter工具调用 report_template.html内置完整 ECharts 渲染逻辑只需按约定填入 9 个内容占位符REPORT_TITLE、EXEC_SUMMARY、DISTRIBUTION_INSIGHTS、CORRELATION_INSIGHTS、CATEGORICAL_INSIGHTS、TIME_SERIES_INSIGHTS、CONCLUSIONS等即可产出基础数据分析 异常归因增强双段式的高质量交互式分析报告。快速开始一键安装脚本macOS / Linux你可以通过一键安装脚本在几分钟内启动 DB-GPTcurl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh | bash也可以直接指定 profile 和 API Key# OpenAI curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | OPENAI_API_KEYsk-xxx bash -s -- --profile openai # Kimi 2.5Moonshot API curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | MOONSHOT_API_KEYsk-xxx bash -s -- --profile kimi # MiniMaxOpenAI 兼容接口 curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh \ | MINIMAX_API_KEYsk-xxx bash -s -- --profile minimax复用本地仓库跳过重复 clone。如果你已经有本地 DB-GPT 仓库可以复用当前仓库跳过~/.dbgpt/DB-GPT的重复 cloneOPENAI_API_KEYsk-xxx \ bash scripts/install/install.sh --profile openai --repo-dir $(pwd) --yes同理也可直接在当前仓库里测试 Kimi 2.5 或 MiniMaxMOONSHOT_API_KEYsk-xxx \ bash scripts/install/install.sh --profile kimi --repo-dir $(pwd) --yes MINIMAX_API_KEYsk-xxx \ bash scripts/install/install.sh --profile minimax --repo-dir $(pwd) --yes安装完成后使用生成的 profile 配置启动服务cd ~/.dbgpt/DB-GPT uv run dbgpt start webserver --profile profile然后打开 http://localhost:5670。想先审阅安装脚本再执行可先下载到本地再执行curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh -o install.sh less install.sh bash install.sh --profile openai安装脚本源码级解读如果你对一条命令装好背后的逻辑感兴趣仓库内的 scripts/install/install.sh 给出了完整答案。脚本头部注释明确了它的职责边界脚本会做的事脚本不会做的事检测操作系统macOS / Linux安装 GPU 驱动或 CUDA确保 git 与 curl 可用下载大型本地模型安装 uv如缺失修改 shell 配置文件uv 安装器除外克隆或更新DB-GPT 仓库采集遥测数据按 profile 执行uv sync --extra ...—通过dbgpt setup向导生成配置—打印下一步指引启动命令与地址—其主流程main()见 scripts/install/install.sh依次执行参数解析 → 平台检测 → 基础命令检查 → profile 选择 → 镜像加速可选→ 目录准备 → 仓库解析 → uv 安装 → 仓库克隆/更新 → 依赖安装 → API Key 检查 → 配置生成 → CLI 验证 → 结果摘要输出。支持的 profile 及 API Key 环境变量见 scripts/install/lib/profiles.shProfile对应 API主 API Key 环境变量额外 uv extrasopenaiOpenAI 代理OPENAI_API_KEYbase, proxy_openai, rag, storage_chromadb, dbgptskimiMoonshot APIMOONSHOT_API_KEYbase, proxy_openai, rag, storage_chromadb, dbgpts另需OPENAI_API_KEY用于 embeddingqwenDashScope APIDASHSCOPE_API_KEYbase, proxy_openai, proxy_tongyi, rag, storage_chromadb, dbgptsminimaxMiniMax OpenAI 兼容 APIMINIMAX_API_KEYbase, proxy_openai, rag, storage_chromadb, dbgptsglmZhipuAI APIZHIPUAI_API_KEYbase, proxy_openai, proxy_zhipuai, rag, storage_chromadb, dbgptscustom自定义 OpenAI 兼容 providerOPENAI_API_KEYbase, proxy_openai, rag, storage_chromadb, dbgptsdefault默认 OpenAI 兼容OPENAI_API_KEYbase, proxy_openai, rag, storage_chromadb, dbgpts安装脚本完整参数bash install.sh --help可查看参数说明--profile name部署 profileopenai / kimi / qwen / minimax / glm / custom / default--config path使用已有 TOML 配置跳过配置生成--install-dir path安装目录默认~/.dbgpt--version git-ref要 checkout 的 git 标签或分支默认 main--repo-dir path复用已有的本地 DB-GPT checkout--mirror china使用清华 PyPI 中国镜像通过UV_INDEX_URL生效--yes非交互模式接受全部默认值--start安装完成后自动启动 DB-GPT 服务交互式 profile 选择不带参数运行时脚本会弹出交互菜单让你从 7 个 profile 中选择见 scripts/install/install.sh若使用--yes则默认使用openaiprofile。非交互依赖注入安装脚本会把你通过环境变量传入的 API Key 自动透传给dbgpt setup --profile profile --api-key ...生成配置见step_generate_configscripts/install/install.sh配置默认写入~/.dbgpt/configs/profile.toml。通过 PyPI 安装从 PyPI 安装 DB-GPT一条命令即可启动无需克隆源码仓库。前置条件Python3.10与 pyproject.toml 声明的requires-python 3.10一致推荐使用 uv 包管理器也支持 pip。1. 安装# 推荐使用 uv uv pip install dbgpt-app # 或使用 pip pip install dbgpt-app默认安装包含核心框架CLI、FastAPI、Agent、OpenAI 兼容 LLM 支持、DashScope / 通义支持、RAG 文档解析和 ChromaDB 向量存储。2. 启动dbgpt start首次运行时交互式向导会引导你选择 LLM 提供商并输入 API Key配置完成后服务自动启动。3. 打开 Web 界面访问 http://localhost:5670 开始使用。配置文件与模型接入安装完成后核心配置以 TOML 形式组织仓库根目录的 configs/dbgpt-app-config.example.toml 是标准示例关键结构如下[system]语言默认从DBGPT_LANG环境变量读取缺省zh、日志级别、API Keys 与加密密钥[service.web]Web 服务监听地址与端口默认0.0.0.0:5670、CORS 允许来源默认*[service.web.database]元数据存储类型与路径默认 SQLite路径pilot/meta_data/dbgpt.db[app]与[[app.configs]]全局与按应用覆盖的推理参数如temperature、chat_with_db_qa的schema_retrieve_top_k[models]/[[models.llms]]/[[models.embeddings]]LLM 与 Embedding 模型的 provider、api_base、api_key全部支持通过环境变量注入例如LLM_MODEL_NAME、LLM_MODEL_PROVIDER、OPENAI_API_BASE、EMBEDDING_MODEL_NAME等。仓库configs/目录下还提供了针对不同推理后端与云服务商的现成配置模板如本地部署相关的 dbgpt-local-vllm.toml、dbgpt-local-glm.toml、dbgpt-local-qwen3.example.toml以及代理服务相关的 dbgpt-proxy-openai.toml、dbgpt-proxy-deepseek.toml、dbgpt-proxy-ollama.toml、dbgpt-proxy-tongyi.toml 等可直接参考修改。核心能力详解Agentic 数据分析核心能力包括任务规划、分步执行、工具调用、迭代式推理。这是 DB-GPT 区别于传统 ChatBI 的分水岭模型不仅生成 SQL还会维护完整的执行计划与上下文状态在分析中途根据已获得的数据结果动态调整后续步骤。SQL 代码执行覆盖自然语言转 SQL、Python 数据分析与处理、指标计算、图表生成。仓库中的示例脚本 examples/agents/sql_agent_dialogue_example.py 与 examples/agents/excel_data_agent.py 展示了用 Agent API 编排这类流程的完整代码路径内置技能 skills/csv-data-analysis 则是代码执行 指标计算 图表生成三者的工程化样例——其 csv_analyzer.py 负责从 CSV/Excel/TSV 中提取统计特征、质量指标、数值分布、异常值、相关性、排名与时间序列趋势再由 ECharts 模板渲染成交互式图表。多数据源访问支持关系型数据库、CSV / Excel、文档、知识库以及多源混合分析。数据源接入与连接管理由packages/dbgpt-serve下的 datasource 服务承载packages/dbgpt-ext/src/dbgpt_ext中的 RAG、向量存储等扩展支撑非结构化数据文档与知识库的检索分析。Skills 与 Agents包括可复用 skills、领域分析工作流、agent 编排、可定制执行流程。仓库根目录 skills/README.md 对 SKILL 机制给出了完整说明这里提炼其核心Skill 的组成Metadata名称、描述、版本、类型、标签、Prompt Template系统提示词模板、Required Tools所需工具列表、Required Knowledge所需知识库列表、Actions可执行动作、Config特定配置参数。Skill 类型Coding编程、DataAnalysis数据分析、WebSearch网络搜索、KnowledgeQA知识问答、Chat对话、Custom自定义。编程方式创建并注册 Skill摘自 skills/README.md 的 API 示例from dbgpt.agent.skill import SkillBuilder, SkillType, get_skill_manager, initialize_skill from dbgpt.component import SystemApp # 1. 创建 Skill skill ( SkillBuilder(namemy_skill, descriptionMy awesome skill) .with_version(1.0.0) .with_author(Your Name) .with_skill_type(SkillType.Coding) .with_tags([coding, python]) .with_prompt_template(You are a coding assistant. Help users write clean, efficient code.) .with_required_tool(python_interpreter) .build() ) # 2. 注册 Skill system_app SystemApp() initialize_skill(system_app) skill_manager get_skill_manager(system_app) skill_manager.register_skill(skill_instanceskill, namemy_awesome_skill) # 3. 构建 Skill-based Agent 并绑定使用 agent SkillBasedAgent(skillskill) await agent.bind(context).bind(llm_config).bind(memory).build()SkillLoader 加载方式load_skill_from_file()从文件加载、load_skill_from_module()从模块加载、load_skills_from_directory(directory, recursive)从目录批量加载。Skill 支持 JSON 格式声明式与 Python 格式代码式两种定义文件。仓库中的实战样例还包括完整的 Agent 示例 examples/agents/skill_agent_example.py、实现指南 skills/skill_implementation_guide.py 与集成指南 skills/INTEGRATION_GUIDE.md。报告与决策支持覆盖数据库画像报告、财报分析报告、可视化报告与 dashboard、分析总结与业务洞察。内置技能 skills/financial-report-analyzer 提供财报分析框架与指标计算脚本skills/walmart-sales-analyzer 则展示了生成时间序列趋势、相关性热力图、门店对比等 HTML 报告的完整实现。安全执行环境提供沙箱代码执行、可控工具调用、可复现的分析产物与 artifacts。这是 DB-GPT 面向企业落地的关键工程其设计目标在 packages/dbgpt-sandbox/README.md 中明确为三点基于 DB-GPT Agent Docker 容器实现安全的代码执行环境支持 Python、Shell、Node.js 等改造现有代码执行智能体支持有状态的沙箱环境——多次代码执行共享同一环境上一次的变更如安装的 pypi 依赖能影响下一次执行插件化的安全沙箱实现设计统一沙箱接口支持 Docker、Podman、本地进程基于 Cgroup/Namespace/WebAssembly 等等多种后端。从源码看沙箱运行时由RuntimeFactory统一创建见 runtime_factory.py默认按Docker → Podman → Nerdctl → Local的优先级自动探测可用运行时也可以通过SANDBOX_RUNTIME环境变量显式指定偏好且本地运行时必须显式开启——只有同时设置SANDBOX_RUNTIMElocal与SANDBOX_ALLOW_LOCAL_RUNTIMEtrue才会允许代码直接运行在宿主机上否则将抛出明确的错误提示从机制上杜绝默认裸奔。支持模型Text2SQL 微调模型支持DB-GPT 生态为 Text2SQL 场景提供了系列微调模型支持LLMSupportedLLaMA✅LLaMA-2✅BLOOM✅BLOOMZ✅Falcon✅Baichuan✅Baichuan2✅InternLM✅Qwen✅XVERSE✅ChatGLM2✅主流开源模型与在线代理模型DB-GPT 同时支持通过代理接口接入众多在线 LLM 服务包括DeepSeekDeepSeek-R1、DeepSeek-V3、DeepSeek-Coder-V2 等、Qwen 系列Qwen3-235B-A22B、Qwen3-30B-A3B、QwQ-32B、Qwen2.5-Coder 等、GLM 系列GLM-Z1-32B、GLM-4-32B、Glm-4-9b-chat、Llama 系列Meta-Llama-3.1-405B/70B/8B、Meta-Llama-3 系列、Gemmagemma-2-27b-it、gemma-2-9b-it 等、YiYi-1.5-34B-Chat、Yi-34B-Chat 等、Starling-LM-7B-beta、SOLAR-10.7B-Instruct、Mixtral-8x7B、Phi-3 等。在线代理模型方面仓库 README 列出的支持项包括DeepSeekdeepseek-chat、Ollama API、Moonshot月之暗面、零一万物 Yi、OpenAI ChatGPT、百川 Baichuan、阿里通义、百度文心、智谱 ChatGLM、讯飞星火、Google Bard 与 Google Gemini。对应的部署配置模板在仓库configs/目录中均有对应文件例如 dbgpt-proxy-deepseek.toml、dbgpt-proxy-ollama.toml、dbgpt-proxy-tongyi.toml、dbgpt-local-vllm.toml 等覆盖了云端代理与本地 vLLM 推理两大路线。隐私安全DB-GPT 通过私有化大模型、代理脱敏和沙箱执行等机制保障数据隐私与执行安全私有化部署本地模型路线如 dbgpt-local-vllm.toml、dbgpt-local-llama-cpp.toml使数据完全留在企业内网配合项目 pyproject.toml 中本地化大模型与数据交互、无数据泄露风险的项目定位从架构层面规避数据出境问题沙箱隔离如前文所述代码执行默认在容器运行时中完成本地宿主执行需显式双开关授权。愿景DB-GPT 团队认为未来的数据产品不应止于 Dashboard——下一代AI Data产品应当是agentic多数据源skill-drivensandboxed能自主编写SQL 和代码能把分析转化为报告、结论与行动DB-GPT 希望通过开源的方式帮助开发者与企业共同构建这样的未来。延伸阅读仓库 README多语言版本README.md英文、README.zh.md中文、README.ja.md日文等一键安装脚本scripts/install/install.shprofile 定义见 scripts/install/lib/profiles.sh安装辅助程序install_help.py其中get_deployment_presets()定义了各 profile 的部署预设示例配置configs/dbgpt-app-config.example.tomlSkills 机制skills/README.md、内置技能 skills/csv-data-analysis/SKILL.md、skills/financial-report-analyzer、集成指南 skills/INTEGRATION_GUIDE.mdAgent 示例examples/agents/SQL Agent、Skill Agent、Excel 数据分析 Agent、MCP Agent 等沙箱实现packages/dbgpt-sandbox/文档站点源码docs/docs/overview.mdx 与 docs/docs/quickstart.md。开源许可与引用DB-GPT 采用MIT License开源见根目录 LICENSE。使用前请知悉项目声明的 免责声明。如果你在研究中使用了 DB-GPT可按 README.zh.md 的引用章节给出的 BibTeX 条目引用其相关论文。若在使用中遇到具体问题可优先在项目仓库提交 Issue。【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