DB-GPT 快速上手指南3 步从自然语言提问到数据分析报告【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-GPTDB-GPT 是一个开源的 Agentic AI 数据助手。接上你的数据库、CSV/Excel 文件或知识库后用自然语言描述业务问题它会自主编写并执行 SQL 或 Python 代码最后输出图表和分析报告。这篇文章面向不想手写 SQL 的业务人员以及想搭建 AI Data 应用的工程师覆盖它的核心能力、数据接入方式、工作原理和部署步骤。它能做什么4 个最常用的数据分析能力这个项目的能力可以归纳为一句话提问、接数据、跑代码、出报告。以下按使用频率从高到低说明。自然语言查数与代码分析你输入“上季度销售额前 10 的产品类别”这类问题系统会先对照表结构生成 SQL 并执行查询再自动选择合适的图表展示结果。如果还涉及数据清洗或指标计算它会继续写 Python 代码完成全程不需要你手写查询语句。报告与结论输出分析结果不止于结果表。系统可以生成数据库剖析报告、财务分析报告和仪表盘等交付物常见形态是 HTML 页面、图表或带文字解读的摘要可以直接放进业务汇报材料里。数据源接入指南一次接入 15 种以上数据库和文件结论先行结构化、半结构化和非结构化数据走的是同一套接入层配置一次即可在会话中反复使用。关系型与列式数据库packages/dbgpt-ext/src/dbgpt_ext/datasource/rdbms/ 目录下有 15 个连接器覆盖 MySQL、SQL Server、PostgreSQL、Oracle、SQLite、ClickHouse、Doris、StarRocks、OceanBase、Hive、DuckDB、Vertica、MaxCompute、GaussDB 和 openGauss。每个库有独立的适配器类和方言处理SQL 语法差异在底层统一封装。图数据库、缓存与文件类数据packages/dbgpt-ext/src/dbgpt_ext/datasource/ 还包含 Neo4j、TuGraph 图数据库以及 Spark、Redis 连接器。文件侧支持直接上传 CSV 和 Excel 进行分析文档类材料则通过 RAG 方式入库回答时可以按语义检索引用。分析工作原理如何生成 SQL 并在沙箱中执行整个过程分三步规划、执行、输出每一步都由对应的模块负责。代理规划与工具调用收到问题后代理会先把任务拆成若干步骤再决定每步调用什么工具查库、跑代码、检索文档。规划、记忆和角色定义等核心实现位于 packages/dbgpt-core/src/dbgpt/agent/。沙箱隔离与 AWEL 编排AI 生成的代码不在宿主机上直接运行而是交给 packages/dbgpt-sandbox/ 提供的独立沙箱执行降低代码意外影响主机的风险。对于多步骤流程还可以用 AWEL 引擎把流程声明为有向无环图DAG配合 Web 端的可视化画布编排节点教程见 docs/docs/awel/awel.md。复用分析经验把业务分析写成技能的方法同一套分析流程不想每次重新解释时可以封装成技能。技能的结构一个技能就是一个文件夹SKILL.md说明技能的用途和触发条件scripts/放执行脚本templates/放报告模板。仓库的 skills/ 目录自带csv-data-analysis、financial-report-analyzer、walmart-sales-analyzer等示例可以照着写自己的版本写法说明见 skills/skill-creator/SKILL.md。使用方式会话中系统会按问题语义匹配并加载对应技能复用其中固定的分析口径和脚本。对财务分析这类有行业模板的场景输出质量比每次临时生成更稳定。快速上手3 步跑起 Web 界面前提条件Python 3.10 以上环境以及任一主流大模型的 API Key。安装与启动uv pip install dbgpt-app dbgpt start首次启动会进入交互式向导让你选择模型提供商并填写 Key完成后 Web 服务自动启动。配置与访问在浏览器打开 http://localhost:5670 即可创建数据分析应用并上传数据。想指定模型配置启动可以改用uv run dbgpt start webserver --profile openai本地模型和 Docker 部署方式见 docs/docs/installation/docker.md配置模板参考 configs/dbgpt-app-config.example.toml快速上手文档在 docs/docs/getting-started/quick-start.md。收尾适合落地的 3 类场景DB-GPT 适合“数据直接到结论”的链路既能降低非技术人员的分析门槛也能作为产品侧的可嵌入底座。 业务即席取数财务、运营人员直接向数据库提问取数出图 周期报告自动化把财务分析、销售统计封装成技能定期产出报告 自建 AI 数据产品基于代理、AWEL 和 RAG 模块组合出自己的数据助手【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 DB-GPT 快速上手指南：3 步从自然语言提问到数据分析报告
DB-GPT 快速上手指南3 步从自然语言提问到数据分析报告【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-GPTDB-GPT 是一个开源的 Agentic AI 数据助手。接上你的数据库、CSV/Excel 文件或知识库后用自然语言描述业务问题它会自主编写并执行 SQL 或 Python 代码最后输出图表和分析报告。这篇文章面向不想手写 SQL 的业务人员以及想搭建 AI Data 应用的工程师覆盖它的核心能力、数据接入方式、工作原理和部署步骤。它能做什么4 个最常用的数据分析能力这个项目的能力可以归纳为一句话提问、接数据、跑代码、出报告。以下按使用频率从高到低说明。自然语言查数与代码分析你输入“上季度销售额前 10 的产品类别”这类问题系统会先对照表结构生成 SQL 并执行查询再自动选择合适的图表展示结果。如果还涉及数据清洗或指标计算它会继续写 Python 代码完成全程不需要你手写查询语句。报告与结论输出分析结果不止于结果表。系统可以生成数据库剖析报告、财务分析报告和仪表盘等交付物常见形态是 HTML 页面、图表或带文字解读的摘要可以直接放进业务汇报材料里。数据源接入指南一次接入 15 种以上数据库和文件结论先行结构化、半结构化和非结构化数据走的是同一套接入层配置一次即可在会话中反复使用。关系型与列式数据库packages/dbgpt-ext/src/dbgpt_ext/datasource/rdbms/ 目录下有 15 个连接器覆盖 MySQL、SQL Server、PostgreSQL、Oracle、SQLite、ClickHouse、Doris、StarRocks、OceanBase、Hive、DuckDB、Vertica、MaxCompute、GaussDB 和 openGauss。每个库有独立的适配器类和方言处理SQL 语法差异在底层统一封装。图数据库、缓存与文件类数据packages/dbgpt-ext/src/dbgpt_ext/datasource/ 还包含 Neo4j、TuGraph 图数据库以及 Spark、Redis 连接器。文件侧支持直接上传 CSV 和 Excel 进行分析文档类材料则通过 RAG 方式入库回答时可以按语义检索引用。分析工作原理如何生成 SQL 并在沙箱中执行整个过程分三步规划、执行、输出每一步都由对应的模块负责。代理规划与工具调用收到问题后代理会先把任务拆成若干步骤再决定每步调用什么工具查库、跑代码、检索文档。规划、记忆和角色定义等核心实现位于 packages/dbgpt-core/src/dbgpt/agent/。沙箱隔离与 AWEL 编排AI 生成的代码不在宿主机上直接运行而是交给 packages/dbgpt-sandbox/ 提供的独立沙箱执行降低代码意外影响主机的风险。对于多步骤流程还可以用 AWEL 引擎把流程声明为有向无环图DAG配合 Web 端的可视化画布编排节点教程见 docs/docs/awel/awel.md。复用分析经验把业务分析写成技能的方法同一套分析流程不想每次重新解释时可以封装成技能。技能的结构一个技能就是一个文件夹SKILL.md说明技能的用途和触发条件scripts/放执行脚本templates/放报告模板。仓库的 skills/ 目录自带csv-data-analysis、financial-report-analyzer、walmart-sales-analyzer等示例可以照着写自己的版本写法说明见 skills/skill-creator/SKILL.md。使用方式会话中系统会按问题语义匹配并加载对应技能复用其中固定的分析口径和脚本。对财务分析这类有行业模板的场景输出质量比每次临时生成更稳定。快速上手3 步跑起 Web 界面前提条件Python 3.10 以上环境以及任一主流大模型的 API Key。安装与启动uv pip install dbgpt-app dbgpt start首次启动会进入交互式向导让你选择模型提供商并填写 Key完成后 Web 服务自动启动。配置与访问在浏览器打开 http://localhost:5670 即可创建数据分析应用并上传数据。想指定模型配置启动可以改用uv run dbgpt start webserver --profile openai本地模型和 Docker 部署方式见 docs/docs/installation/docker.md配置模板参考 configs/dbgpt-app-config.example.toml快速上手文档在 docs/docs/getting-started/quick-start.md。收尾适合落地的 3 类场景DB-GPT 适合“数据直接到结论”的链路既能降低非技术人员的分析门槛也能作为产品侧的可嵌入底座。 业务即席取数财务、运营人员直接向数据库提问取数出图 周期报告自动化把财务分析、销售统计封装成技能定期产出报告 自建 AI 数据产品基于代理、AWEL 和 RAG 模块组合出自己的数据助手【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