在 Ubuntu 24.04 LTS 上 Docker 部署 DB-GPT

news2025/5/24 6:29:46

一、DB-GPT 简介

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。

官方英文文档地址：http://docs.dbgpt.cn/docs/overview/

官方中文文档地址：https://www.yuque.com/eosphoros/dbgpt-docs/bex30nsv60ru0fmx

官网快速部署地址：http://docs.dbgpt.cn/docs/next/installation/docker/

官网开源仓库地址：https://github.com/eosphoros-ai/DB-GPT

截至目前，最新的版本：v0.7.1

二、DB-GPT 安装

首先，登录 Ubuntu 24.04 LTS 系统终端；在安装 DB-GPT 的目录下进行代码下载：

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

代码下载好之后，可以进行安装部署。目前有源码安装（最新版本不再支持 pip，而是采用 uv）、docker 安装、docker compose 安装等主流安装方式。

2.1 Docker 快速安装

# 拉取 dbgpt-openai 最新镜像
docker pull eosphorosai/dbgpt-openai:latest
# ${SILICONFLOW_API_KEY} 替换成 硅基流动 的大模型调用 API 密钥
docker run -it --rm -e SILICONFLOW_API_KEY=${SILICONFLOW_API_KEY}  -p 5670:5670 --name dbgpt eosphorosai/dbgpt-openai
# 访问地址 http://localhost:5670 验证是否安装正常可用

2.2 Docker Compose 安装

# 进行下载好的 DB-GPT 仓库的根目录
cd ~/MyDB-GPT/DB-GPT/

# 维护${SILICONFLOW_API_KEY} 硅基流动的大模型调用 API 密钥；${SILICONFLOW_API_KEY}替换成你自己的 API 密钥，不要把下面傻傻的一字不差抄上去
SILICONFLOW_API_KEY=${SILICONFLOW_API_KEY}

# 查看 DB-GPT 仓库的根目录的docker-compose.yml内容（里面的应用端口如果和现有应用端口冲突，记得调整，否则忽略。例如：机子已经安装了mysql占用了3306端口，如果不改启动的是否就会报端口冲突）

# 开始docker compose部署安装
docker compose -f docker-compose.yml -p dbgptnet up -d

# 访问地址 http://IP:5670 验证是否安装正常可用

三、DB-GPT 入门使用

3.1 模型供应商与模型配置

按照上面的步骤，依次添加 llm 、text2vec 和 reranker 三种类型的模型；然后，再选择合适的模型供应商；并最后填写添加的模型与相关调参。

3.2 维护数据源

按照上面步骤，依次选择数据库类型与相关配置。

3.3 维护知识库

Text2SQL中最重要的SQL业务背景知识的三大知识库（每个单独的数据源，都需要维护该数据源对应的三个独立的 DDL 知识库、DB Description 知识库和 Q->SQL 知识库）：

第一类是 DDL（Data Definition Language）知识库，它主要提供数据库表结构信息，包括表名、列名、数据类型以及主键、外键等约束条件。

第二类是 DB Description 知识库，用于说明数据库中表和列的含义，这对于模型理解数据的语义非常重要。

第三类是 Q->SQL 知识库，它包含了大量的参考 SQL，即自然语言问题与对应的 SQL 语句示例。这些语句主要是让大模型学习如何在有背景知识的情况下学会写SQL语句。这些叫做黄金语句，Golden statement，这些语句给的越多，大模型学习的越好，他能够回答的问题越有不会出错。正常情况下准备5000-10000个这样的SQL语句就可以了。