GitHub – eosphoros-ai/DB-GPT: AI Native Data App Development framework with AWEL(Agentic Workflow Expression Language) and Agents

DBGPT是一个开源的AI原生数据应用开发框架，基于AWEL（智能体工作流表达语言）和智能体构建，目标是通过多模型管理（SMMF）、Text2SQL效果优化、RAG框架优化、多智能体协作、工作流编排等技术，降低大模型数据应用的开发门槛。

核心功能模块
1. RAG（检索增强生成）
提供基于RAG的知识型应用构建能力，支持结构化与非结构化数据的存储、检索，帮助用户快速搭建知识库。

2. GBI（生成式商业智能）
支持与Excel、数据库、数据仓库等多数据源的自然语言交互，能自动生成分析报表，简化数据查询与洞察过程。

3. Text2SQL微调框架
针对大语言模型的Text2SQL任务，集成LoRA/QLoRA/Pturning等轻量化微调方法，推出DBGPTHub项目，让TexttoSQL微调像流水线一样简单。

4. 多智能体框架
支持自定义插件扩展功能，原生集成AutoGPT插件模型，遵循Agent Protocol标准，可实现多智能体协作完成复杂任务。

5. 数据工厂
针对大模型时代的可信知识与数据，提供清洗、处理能力，保障数据质量。

6. SMMF（服务化多模型管理）
支持几十种开源与API大模型，包括LLaMA/LLaMA2、Baichuan、ChatGLM、Wenxin、Tongyi、Zhipu等，覆盖主流大模型生态。

主要特性
私有域数据处理：支持多种文件格式上传（如PDF、DOC、Excel），提供自定义数据提取插件，统一向量存储与检索能力，适配大规模数据管理。
多数据源兼容：无缝连接Excel、关系型数据库（如MySQL、PostgreSQL）、数据仓库（如Snowflake），实现自然语言查询与数据洞察。
自动化微调：针对Text2SQL任务的自动化微调框架，降低大模型适配特定场景的技术门槛。
隐私与安全：通过私有化大模型部署与代理脱敏技术，保障企业数据隐私。
插件与扩展：支持自定义插件开发，兼容AutoGPT插件生态，灵活扩展功能。

安装与使用
支持Docker、Linux、macOS、Windows多平台部署，提供详细的文档指南：
安装方式：Docker快速部署、源码编译安装（见[安装文档](http://docs.dbgpt.cn/docs/installation)）。
快速启动：通过文档可快速搭建基础环境，体验私有域问答、数据查询等核心功能。
应用开发：提供AWEL工作流编排、智能体开发、Text2SQL微调等进阶教程（见[应用文档](http://docs.dbgpt.cn/docs/application)）。

支持的模型与数据源
模型支持：覆盖DeepSeek（R1、V3）、Qwen（3235BA22B、2.5Coder）、GLM（432B、49bchat）、Llama（3.1405B、370B）、Gemma（227bit、7bit）、Yi（1.534BChat）等主流模型（[完整列表](http://docs.dbgpt.site/docs/modules/smmf)）。
数据源支持：兼容Excel、CSV、MySQL、PostgreSQL、ClickHouse、Snowflake等常见数据源（[详细文档](http://docs.dbgpt.cn/docs/modules/connections)）。

社区与贡献
贡献指南：遵循[CONTRIBUTING.md](https://github.com/eosphorosai/DBGPT/blob/main/CONTRIBUTING.md)，欢迎提交代码、问题或建议。
社区互动：通过GitHub Issues（问题反馈）、GitHub Discussions（经验分享）、Twitter（@DBGPT_AI）与团队交流。
贡献者墙：展示所有参与项目的贡献者（[查看](https://github.com/eosphorosai/DBGPT/graphs/contributors)）。

许可证与隐私
项目遵循MIT许可证，允许自由使用、修改与分发。
隐私保障：通过私有化部署与数据脱敏技术，确保用户数据不泄露。

DBGPT的目标是成为大模型数据应用的基础设施，帮助企业与开发者快速构建“模型+数据”的定制化应用，降低AI落地成本。更多细节可参考[官方文档](http://docs.dbgpt.cn)或[GitHub仓库](https://github.com/eosphorosai/DBGPT)。