DB-GPT，开源的AI数据开发框架，可利用自然语言生成可视化报表

DB-GPT，开源的AI数据开发框架，可利用自然语言生成可视化报表

阅读原文

建议阅读原文以获得最佳阅读体验：《DB-GPT，开源的AI数据开发框架，可利用自然语言生成可视化报表》

简介

github项目网址：eosphoros-ai/DB-GPT: AI Native Data App Development framework with AWEL(Agentic Workflow Expression Language) and Agents

官网：Overview | DB-GPT

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。

简单的说，大家可以通过自然语言生成生成报表，支持与excel文件、数据库、知识库对话。

引言

因为工作需要，规范企业电脑软件清单，本人偶尔需要从glpi数据库中导出安装了特定软件的计算机清单（包含使用人），我之前的做法，是写一个SQL语句，然而再利用Powershell调整excel的格式，使其更加直观。具体可以看我之前写的一篇文章https://mp.weixin.qq.com/s/hV70jW7RPZ4vim7pXs_kKQ

自从2022年底AI技术爆发后，将AI技术应用于生成式BI的研究越来越多了，我想能不能利用AI技术，直接用自然语言就能查询数据，或者生成报表呢？于是我找到了DB-GPT，做了一些实验。

类似软件

Vanna.AI   Vanna.AI Documentation

chat2DB

Langchain

部署

用docker compose部署

参考资料：Docker-Compose部署

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

设置环境变量：

#编辑~/.bashrc文件，在文件末尾加上一行
export DASHSCOPE_API_KEY="<此处替换为你的阿里云百炼上的API KEY>"
#使得配置立即生效
source ~/.bashrc

本文采用阿里云上的大模型，qwen-plus，需要更改一些配置文件

nano configs/dbgpt-proxy-tongyi.toml

[system]
# Load language from environment variable(It is set by the hook)
language = "${env:DBGPT_LANG:-zh}" #这一行的含义是设置DBGPT_LANG的语言，默认为en
api_keys = []
encrypt_key = "your_secret_key"

# Server Configurations
[service.web]
host = "0.0.0.0"
port = 5670

[service.web.database]
type = "sqlite"
path = "pilot/meta_data/dbgpt.db"

[rag.storage]
[rag.storage.vector]
type = "chroma"
persist_path = "pilot/data"

# Model Configurations
[models]
[[models.llms]]
name = "qwen-plus"  #此处可以更改大模型
provider = "${env:LLM_MODEL_PROVIDER}"  #此处做了调整
api_base = "https://dashscope.aliyuncs.com/compatible-mode/v1"
api_key = "${env:DASHSCOPE_API_KEY}"

[[models.embeddings]]
name = "text-embedding-v3"
provider = "${env:EMBEDDING_MODEL_PROVIDER}" #此处做了调整
api_url = "https://dashscope.aliyuncs.com/compatible-mode/v1/embeddings"
api_key = "${env:DASHSCOPE_API_KEY}"

docker-compose.yml文件也要调整

先创建目录：

sudo mkdir -p /dbgpt-data/models
sudo chown -R ubuntu:docker /dbgpt-data

nano docker-compose.yml

# To run current docker compose file, you should prepare the silliconflow api key in your environment.
# SILICONFLOW_API_KEY=${SILICONFLOW_API_KEY} docker compose up -d
services:
  db:
    image: mysql/mysql-server
    environment:
      MYSQL_USER: 'user'
      MYSQL_PASSWORD: 'password'
      MYSQL_ROOT_PASSWORD: 'aa123456'
    ports:
      - 3306:3306
    volumes:
      - dbgpt-myql-db:/var/lib/mysql
      - ./docker/examples/my.cnf:/etc/my.cnf
      - ./docker/examples/sqls:/docker-entrypoint-initdb.d
      - ./assets/schema/dbgpt.sql:/docker-entrypoint-initdb.d/dbgpt.sql
    restart: unless-stopped
    networks:
      - dbgptnet
  webserver:
    image: eosphorosai/dbgpt-openai:latest
    command: dbgpt start webserver --config /app/configs/dbgpt-proxy-tongyi.toml  #此处更换了配置文件，以满足我的需求，使用阿里云上的大模型，此处的默认值是选择硅基流动上的大模型
    environment:
      - LLM_MODEL_PROVIDER