DB-GPT：开源智能体AI数据助手
连接您的数据，用自然语言让AI自动编写SQL和代码，在沙箱中执行分析，并生成报告与决策洞察。
- Star 数
- ★ 20k
- 最近更新
- 8 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 54/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 低 · 几分钟可跑通
- 开始前需要
- 典型场景
- 数据分析师：上传 CSV 文件，让 AI 自动生成数据概览和可视化报告。
- 不适合
- 不愿提供 OpenAI、Moonshot 或 MiniMax 等付费 API Key 的用户
- 需要成熟商业级文档与技术支持的企业
- 源码审查
- 54/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
DB-GPT 是一个开源智能体AI数据助手，面向下一代 AI+Data 产品。它支持连接数据库、CSV/Excel 文件、数仓和知识库，通过自然语言交互让 AI 自主编写 SQL 和代码，执行 Python 分析流程，加载可复用的领域技能，并生成图表、仪表盘、HTML 报告与分析摘要。DB-GPT 也是一个构建 AI 原生数据智能体、工作流和应用的平台，内置 Agent、AWEL、RAG 和多模型支持。项目采用 MIT 许可证，提供一键安装脚本和 PyPI 安装方式，可快速启动 Web 服务（默认端口 5670）。
DB-GPT 提供以下具体操作：通过数据源连接器读取多种数据库（如 MySQL、PostgreSQL）和文件（CSV/Excel）；使用内置 Agent 框架进行任务规划、分步执行和工具调用；基于自然语言生成 SQL 查询，并执行 Python 代码进行数据清洗和指标计算；支持加载和运行可复用技能（如 SQL 分析技能、财务报表分析），并通过沙箱环境隔离代码执行；最终生成可视化报告、仪表盘和 HTML 输出。核心组件包括 dbgpt CLI、FastAPI 后端、Agent 执行引擎、AWEL 工作流引擎和 RAG 文档解析。
- 数据分析师：上传 CSV 文件，让 AI 自动生成数据概览和可视化报告。
- 业务人员：用自然语言询问数据库问题，AI 自动编写 SQL 并返回结果。
- 财务团队：执行财务报表分析，生成含图表和文字叙述的分析报告。
- 开发者：用 DB-GPT 框架构建定制化的 AI 数据助手，集成 AWEL 工作流。
- 企业用户：连接私有数据库和知识库，在安全沙箱中运行分析任务。
如何安装或部署这个 Agent？
安装方式：
- 一键安装（macOS/Linux）：
curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh | bash或指定 API Key：
curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh | OPENAI_API_KEY=sk-xxx bash -s -- --profile openai- PyPI 安装（需 Python 3.10+ 和 uv）：
uv pip install dbgpt-app也可使用 pip：pip install dbgpt-app。
- Docker 安装：参照官方文档。
如何使用这个 Agent？
安装后启动服务：
cd ~/.dbgpt/DB-GPT && uv run dbgpt start webserver --profile <profile>或使用 PyPI 安装后直接运行 dbgpt start，然后访问 http://localhost:5670。首次运行会交互式引导选择 LLM 提供商并输入 API Key。之后可通过 Web UI 连接数据源、提问、执行分析并生成报告。
这个 Agent 有哪些优点和局限？
- 支持多种数据源（数据库、CSV/Excel、知识库）和多种主流 LLM（DeepSeek、Qwen、GLM、Llama 等），模型提供商灵活。
- 提供沙箱化代码执行环境，增强安全性和可靠性。
- 内置 AWEL 工作流和技能机制，支持构建可复用的领域分析流程。
- 提供一键安装脚本和 PyPI 包，部署相对简便。
- 支持生成可视化报告、仪表盘和 HTML 输出，决策支持能力强。
- 安装依赖较多（Python 3.10+、uv），可能对系统环境有要求。
- 沙箱执行可能限制某些需要网络或特定库的操作。
- 自然语言生成 SQL 的准确性依赖于所选 LLM 的质量，需要微调或选择合适模型。
- 对于大型数据集或复杂分析，可能面临性能瓶颈。
- 文档和社区支持不如商业产品完善，需要自行排查问题。
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| DB-GPT：开源智能体AI数据助手 当前 | 54 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 20k | 8 天前 | Python | — |
| OpenChatBI 对话式智能BI分析助手 | 66 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 667 | 1 天前 | Python | OpenAI API · Claude API |
| CAMEL 多智能体框架 | 61 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 18k | 7 天前 | Python | OpenAI API |
| DATAGEN 多智能体研究助手 | 44 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1.8k | 17 天前 | Python | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示有沙箱执行、SQL步骤仅暴露已执行的SQL、并行调度有最大并行数限制、失败降级等安全措施，但未发现明确的权限最小化设计、用户确认机制、数据流透明性说明、敏感数据处理策略、依赖安全审计、外部影响控制、回滚机制或来源归属。因此各标准仅给1分，因证据存在但薄弱。
测试覆盖了并行调度、失败降级、事件转发等，显示内部一致性较好；但依赖可用性未验证，失败消息在测试中有体现但未全面评估。自一致性2分，依赖可用性1分，失败消息2分。
README展示了多种使用场景（数据分析、SQL执行、多源数据访问等），能力边界有描述（如并行调度限制），触发精度在测试中有体现，环境适配有Docker、源码安装等说明。但能力边界和触发精度未全面覆盖，故各2分。
信息架构清晰（模块划分、文档链接），安装说明详细，命名稳定（版本号、包名），示例和FAQ有提供，已知限制未明确列出，许可证为MIT，版本变更日志存在，维护责任有社区和贡献指南。已知限制1分，其余2分。
输出可用性有测试验证（如摘要、事件格式），边际价值高（提供多种功能），成本效益合理（开源免费）。但未量化评估，故各2分。
声明有测试和文档支持，但跨来源验证不足（仅依赖仓库内证据），事实与推断分离较好（测试明确区分）。声明可追溯2分，跨来源佐证1分，事实推断分离2分。
- 未发现明确的权限最小化设计，建议审查默认权限配置。
- 用户确认机制缺失，执行敏感操作前应增加确认步骤。
- 数据流透明性不足，需明确数据如何被收集、处理和存储。
- 依赖安全未审计，建议检查依赖漏洞。
- 已知限制未列出，用户可能对边界认识不足。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
✨ Enhancements - support multi-file upload and analysis (#3206) - add OrcaRouter proxy provider (#3186) - add MaxCompute (ODPS) datasource support (#3105) (#3178) - Parallel sub-agent delegation execution (#3161) - Agentic Knowledge-Base Search (Indexing + Agentic RAG) (#3160) - add ask_question tool as builtin-tools (#3107) 🐞 Bug fixes - avoid KeyError when chart/sql run omits db\_name (#3199) - include flow uid in update\_flow PUT path (#3193) (#3196) - use LONGTEXT for large agent messages on MySQL (#3189) - move EXAMPLE\_1 database creation to end of schema file (#3183) …在 GitHub 查看 ↗ -
发布说明摘录
✨ Enhancements - Support Schedule task and MCP connector (#3095) - add CLIENT SETNAME to Valkey vector store client (#3090) - upgrade MiniMax default model to M3 (#3093) - Harden ~/.dbgpt/configs/\<profile>.toml file permissions to 0o600 (#3077) - adds context management, task-plan tracking, and the corresponding frontend UI. (#3053) - Implement VARBINARY and BINARY types for StarRocks (#3062) - add Valkey cache integration (#3057) - make distance metric configurable (#3044) - add Valkey vector store integration (#3051) - add LiteLLM as an embedded AI gateway provider (#3043) …在 GitHub 查看 ↗ -
发布说明摘录
✨ Enhancements - 🎉 DB-GPT V0.8.0 - Beta Testing (#2988) - Fix v0.7.5 documentation build failure with patch file (#2979) - add dbgpt app start cli (#2997) - upgrade MiniMax default model to M2.7 (#2993) - add MiniMax provider support (#2989) 🐞 Bug fixes - fix web api prcess url \& optmize doc image load performence (#3003) - add docsSidebar alias to versioned sidebars patches (#3002) - ignore leading vis-thinking block in react parser (#2996) 🛠️ Other improvements - update 0.8.0 version (#3004) - add v0.8.0 usage documentation (#2998) - update pacakge version (#2992) …在 GitHub 查看 ↗