DB-GPT系列（六）：数据Agent开发part1-光速创建AWEL Agent应用

前面的系列文章介绍了：

DB-GPT的总体功能

DB-GPT部署（镜像一键部署、源码部署）

DB-GPT底层模型设置（开源模型、在线模型）

DB-GPT的基础对话、知识库对话、excel对话

DB-GPT的数据库对话、数据对话、仪表盘对话

通过这些内容，我们已经可以进行一些简单的数据对话分析，覆盖了excel数据文件、数据库、知识库、数据分析报告等常见且重要的数据分析场景。

接下来的几篇文章将介绍DB-GPT的数据Agent开发的内容。

一、为什么需要进行数据Agent开发

虽然DB-GPT提供了一系列的AI数据分析的产品功能（链接DB-GPT六大基础应用场景），可以在此基础上进行数据分析。但是，实际业务分析场景中，往往会涉及更加复杂的数据分析任务。这些复杂任务可能涉及用户意图识别、外部工具调用、复杂聚合逻辑、多分支工作流等。在这些复杂情况下，DB-GPT原生的数据分析功能就难以一一覆盖。

因此，DB-GPT开源了一整套Agent搭建框架，通过AWEL(Agentic Workflow Expression Language) ，也就是智能体工作流编排，让围绕数据库构建大模型应用更简单，更方便。

DB-GPT六大基础应用场景，实际上就是不同的Agent，例如ChatData其实就是一个能够链接多种不同类型数据库并进行SQL代码编写和执行的Agent，而ChatKnowledge则是一个基于RAG的私有知识库问答Agent。

二、Agent与AWEL的关系

AWEL（Agentic Workflow Expression Language）是是 DB-GPT 的工作流程编排语言，简洁灵活地定义Agents 间交互与任务执行。实际上AWEL是一套专为大模型应用开发设计的智能体工作流表达语言，提供了强大的功能和灵活性。

三、AWEL简要介绍

1、AWEL特点

AWEL有下面一些特点：

• 分层设计：灵活易用，底层操作符与高层 DSL 结合。
• 简化开发：快速构建数据处理流程，减少代码量。