你可以直接和数据库对话了！DB-GPT 用LLM定义数据库下一代交互方式，数据库领域的GPT、开启数据3.0 时代 - 文章 - 开发者社区

Aitrainee | 公众号：AI进修生

🤖️

DB-GPT 是一个 开源的AI原生数据应用开发框架 。让围绕数据库构建大模型应用更简单，更方便。

picture.image

Hello，大家好。今天介绍DB-GPT，这是一个11.8k Star的开源项目，挺精彩的！ DB-GPT 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，

在开始介绍这个项目之前，首先我想提个问题： 通用模型 真的能解决所有问题吗？我们是否需要 领域模型 ？展望未来， 多模型 之间将如何协作与交互呢？

我们也许需要3层的大模型交互架构：


          
● 通用大语言模型(> 100B)
          
● 领域大语言模型(10~70B)
          
● 工具类模型(<10B)

picture.image

在深入思考 自然语言理解和语义分析 时，我们意识到其复杂性远超我们的想象。尽管如今有许多开源模型可以进行自然语言对话，但能够通过明确的 提示词（Prompt） 获得确定结果的模型却寥寥无几。只有像ChatGPT和 GPT-4 这样的模型才能表现得相对稳定。这也揭示了一个事实：通用大语言模型的体量巨大、入门门槛高，因此注定这一层的市场会呈现 寡头垄断 的局面，最终只会有少数效果最佳的模型存活。

通用大模型的迭代符合 数据飞轮理论 ：效果越好，先发优势越明显，模型便能获得更好的训练数据，形成增长飞轮。因此，拥有强大效果的模型将吸引更多用户，进而通过用户反馈不断优化自身，进一步拉大与其他模型的差距。

那么，为什么需要 领域模型层 （或垂直模型层）呢？尽管通用大模型强大，但它们无法涵盖所有领域的专业知识。而且企业也不会将核心数据资产交给通用大模型，因为在模型层内进行数据加密与隐私保护几乎是个伪命题。那么，如何在保护数据的同时兼顾效果呢？我的答案是引入领域模型层，将其与通用模型在 私有数据资产上解耦 。内部核心业务交互由领域模型层处理，而交互层通过通用模型进行下发，并在通用模型层与领域模型层之间设置 安全与隐私防护机制 。

picture.image

那么领域层都有了，为什么还要有 第三层工具模型 ？这个主要是高精度与成本。针对非常细分的场景去做任务的时候，我们其实不太需要模型掌握太多的泛化或者推理的能力。恰恰相反，我们需要的是最低成本确定性完成某一任务的能力。比如生产线上的工人，你需要让他去理解与推敲公司的战略方向吗？嗯，高质量完成执行就行了。

🚀 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。

picture.image

DB-GPT的架构与特点

该框架专为文本到 SQL 任务而设计，允许使用开源数据集轻松对各种 LLM 进行微调。

作为一种开源AI原生数据应用开发框架，配有代理工作流表达语言以及代理功能。简单来说，这个框架托管了所有功能，是大型语言模型领域的基础设施。使用DB-GPT，你可以应用 RAG算法、本地与文件和语言模型（LM）聊天 ，确保数据100%私密。此外，它还包含多代理创建框架及其他多种功能。

这个解决方案的本地化功能允许你与模型和各种插件进行交互，确保数据私密且安全。自上次介绍以来，DB-GPT已经推出了许多新更新，包括DB-GPT 3.0，引入了AI原生数据应用程序和新的Drag and Drop UI，使你可以构建多AI代理框架，并与 数据解释器交互 ，创建各种AI应用程序及代理。

多代理协作与应用创建

DB-GPT提供了多代理协作系统和应用创建功能。你可以在主面板中选择预创建的代理，如 Chat Data、Chat DB、Chat Knowledge和Chat Excel ，设置自定义提示词，连接数据库，上传各种文件类型，创建知识库和集成第三方插件。此外，新引入的Agentic Workflow Expression Language简化了复杂工作流和多代理框架的开发。下图是DB-GPT的架构图，整体结构比较简单。 左侧是知识(RAG)，右侧是工具(Agents)，中间是多模型管理(SMMF)， 同时增加了向量存储这样的大模型记忆体，以及各类数据源，在往上是一层通用的交互层面。

picture.image