2026/9/14 15:06:41
FEATURED · 精选文章 
DB-GPT Chat Data 数据对话实战从自然语言到 SQL 查询与分析洞察【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-GPTChat Data 是 DB-GPT 中面向结构化与半结构化数据的自然语言对话能力通过Text-to-SQL 数据执行 分析洞察的完整链路让业务人员可以直接用中文提问数据库。本文将以 MySQL 为例完整讲解从数据源接入、应用选择、库表选择到发起对话的全流程并结合仓库中的 AWEL 工作流模板与测试样例深入剖析 Chat Data 的底层实现原理与关键参数。Chat Data 是什么Chat Data数据对话是 DB-GPT 提供的核心数据智能应用场景之一其目标是通过自然语言与数据进行对话。当前版本主要面向结构化数据与半结构化数据如关系型数据库中的表与字段能够辅助完成数据分析与洞察例如用一句中文问题直接查询数据库Text-to-SQL让大模型根据表结构自动生成可执行的 SQL 并返回真实查询结果在查询结果基础上生成统计分析与可视化展示建议将多轮对话、表结构检索、SQL 执行与报告分析串联成一条完整的数据分析流水线。:::info 提示 在开始数据对话之前需要先完成数据源DataSource的添加否则对话应用无法感知任何数据库表结构也就无法生成 SQL。 :::数据对话的完整步骤根据 chat_data.md 的说明启动一次数据对话需要依次经过以下四个步骤添加数据源在数据源管理页面接入目标数据库选择 ChatData 应用在首页场景或应用广场中进入数据对话选择对应的数据库指定要对话的目标库/表开始对话用自然语言提问并查看返回的数据与分析结果。下面逐一展开说明每一步的实操要点。第一步添加数据源在 DB-GPT 左侧菜单或首页中选择数据源Data source管理页面点击右上角Add a data source按钮新增数据源。在弹出的对话框中选择对应的数据库类型并填写所需参数即可完成添加。DB-GPT 目前已在文档中覆盖或正在补充以下数据源集成见 datasources.mdMySQLSQLiteClickHousePostgreSQLDuckDBHiveMSSQLOracleOceanBaseGaussDBopenGaussApache DorisStarRocksVertica从源码结构看数据源接入由dbgpt_serve中独立的数据源服务负责管理包括连接测试、元数据表结构/字段读取等功能这些元数据正是后续 Chat Data 生成 SQL 时的上下文素材。除了文档列出的类型外DB-GPT 的数据源模块还支持自定义扩展。在本文的演示中我们选择MySQL作为示例。如果你希望快速体验可以直接使用仓库中内置的测试数据脚本与 SQL 样例见下文使用仓库内置测试数据一节。第二步选择 ChatData 应用数据源添加完成后进入 DB-GPT 首页的场景应用区选择Chat Data应用卡片即可进入数据对话界面。需要注意的是在 DB-GPT V0.6.0 之后的应用管理体系中Chat Data 既可以直接作为首页内置应用使用也可以通过**原生应用模式Native application mode**重新创建——即基于你自己的数据库与参数配置构建一个独立的 Chat Data 应用实例。两种入口的底层对话能力是一致的。第三步选择对应的数据库进入 Chat Data 界面后需要指定本次对话面向的数据库即第一步中已添加的数据源。该选择会决定大模型所能看到的表结构集合进而决定它生成 SQL 时可以使用哪些表。请务必选择与实际业务问题匹配的库避免模型在错误的表结构中捏造SQL。第四步开始对话在对话框输入自然语言问题并发送即可看到模型生成的 SQL、真实执行结果以及针对结果的分析呈现。例如在演示数据上可以提问查询每种商品的总销售额、2023 年最受欢迎的商品是什么等业务问题。对模型能力的要求数据对话对模型的 SQL 生成与指令遵循能力要求较高。根据同系列 chat_dashboard.md 中的说明ChatGPT/GPT-4的成功率较高开源模型方面可以尝试qwen2。在本地部署场景下建议优先选用 SQL 能力较强的模型并将本应用的temperature调低以保证生成的 SQL 更稳定、更可复现。深入原理Chat Data 的 AWEL 工作流Chat Data 并非简单的LLM 直接写 SQL而是一条由AWELAgentic Workflow Expression Language编排的完整数据处理流水线。仓库中的 chat-data-awel-flow-template.jsonChat Data 工作流模板(text2SQL)完整定义了这条流水线其描述为生成 SQL 查询并执行然后给出分析报告。整个 DAG 由以下节点串联而成通用大语言模型 HTTP 触发器CommonLLMHttpTrigger接收用户请求将请求体解析为通用 LLM HTTP 请求体同时向后续节点分发用户问题与请求体两类数据数据源检索算子HODatasourceRetrieverOperator根据用户问题从数据源中检索相关表的表结构定义table schema生成供模型参考的上下文这也是先添加数据源成为前置条件的原因通用聊天提示模板CommonChatPromptTemplate组装系统消息与用户消息大语言模型算子HOLLMOperator结合检索到的表结构上下文与提示模板调用 LLM输出包含thoughts、sql、display_type的 JSONSQL 输出解析器DefaultSqlOutputParser将模型输出解析为可执行的 SQL数据源执行算子HODatasourceExecutorOperator在目标数据源上真实执行 SQL取回查询结果报告分析算子ReportAnalyst基于查询结果进行数据分析与洞察字符串拼接算子StringJoinOperator将执行结果与分析报告拼接为最终回复。从节点关系可以推断Chat Data 的完整调用链是提问 → 检索表结构 → LLM 生成 SQL → 解析 → 执行 → 报告分析 → 汇总返回其中表结构检索环节显著降低了大模型凭空编造表名/字段名的概率是保证 Text-to-SQL 准确性的关键设计。数据源检索算子的关键参数在 chat-data-awel-flow-template.json 中数据源检索算子HODatasourceRetrieverOperator定义了以下可直接调优的参数参数默认值说明datasource必填用于获取表结构上下文的数据源资源实例prompt_template内置数据库专家提示词要求模型基于给定表结构生成语法正确的{dialect}SQL未提供足够表结构时必须如实说明禁止捏造信息display_type8 种展示方式供模型选择的返回数据渲染方式包括折线图、饼图、表格、散点图、气泡图、环形图、面积图、热力图等max_num_results50查询结果的最大返回行数限制用户未指定时response_formatJSON 格式要求模型以{thoughts, sql, display_type}结构返回context_keycontext上下文在提示词中的键名其中内置提示模板还包含若干硬性约束值得使用者了解除非用户在问题中明确指定行数否则查询结果最多返回{max_num_results}默认 50行只能使用检索到的表结构生成 SQL不能跨库/跨表随意拼接生成 SQL 时要避免表与列关系错误并兼顾查询性能。LLM 算子的多轮对话参数HOLLMOperator支持多轮对话的历史合并策略通过history_merge_mode参数控制可选值为none不合并历史消息每轮独立生成 SQLwindow按对话窗口保留最近若干轮token按 Token 长度合并历史配合max_token_limit默认 2048与keep_start_rounds/keep_end_rounds控制保留范围。在连续追问如把上一题的结果按月份拆开场景中合理配置历史合并策略是保持上下文一致性的关键。使用仓库内置测试数据快速体验仓库提供了多套开箱即用的演示数据分布在 docker/examples/sqls 目录下覆盖学校管理、电商、宽表等多种场景并分别提供 MySQL、SQLite、Vertica 三种方言版本学生管理场景case_1_student_manager_mysql.sql、case_1_student_manager_sqlite.sql、case_1_student_manager_vertica.sql电商场景case_2_ecom_mysql.sql、case_2_ecom_sqlite.sql、case_2_ecom_vertica.sql订单宽表场景case_3_order_wide_table_sqlite_wide.sql测试用例说明与数据test_case.md、test_case_info_mysql.sql、test_case_info_sqlite.sql、test_case_info_vertica.sql以 MySQL 为例先在目标实例中执行建库脚本再导入对应业务数据即可。test_case_info_mysql.sql中还内置了标准的测试问题与预期 SQL 对照如查询每个用户的总订单数量可以用来自测 Chat Data 的生成质量。此外docker/examples/dashboard 目录下还提供了test_case_mysql_data.py、test_case_sqlite_data.py等一键初始化脚本配合Walmart_Sales.db/Walmart_Sales.csv样例数据可在几十秒内搭建一套可演示的数据对话环境。创建自己的 Chat Data 应用如果不想直接使用内置 Chat Data 场景可以在应用管理App Manage面板中通过原生应用模式Native application mode创建专属的数据对话应用详见 app_manage.md。流程如下点击Create an application选择Native application mode填写应用名称与描述后确认进入参数选择面板依次配置应用类型选择 Chat Data、模型、temperature、推荐问题等参数在参数列表中填写数据源若尚未添加需先按 数据源教程 完成接入点击Save保存应用随后点击Publish Application发布发布后其他用户才能发现并使用该应用点击Start a conversation即可与应用对话后续也可以随时编辑或删除应用。这一方式适合为不同业务部门分别配置专属数据库 专属推荐问题的数据分析入口是 Chat Data 从演示走向生产落地的常用形态。小结Chat Data 是 DB-GPT 自然语言问数的核心应用四步即可完成从数据源接入到自然语言对话底层则由 AWEL 工作流将表结构检索、SQL 生成、SQL 执行、报告分析串联为一条可控可调的流水线。理解HODatasourceRetrieverOperator的表结构检索与提示词约束、HOLLMOperator的历史合并策略以及max_num_results、response_format、display_type等关键参数能够帮助你在实际业务中显著提升 Text-to-SQL 的准确率与结果可读性。建议从仓库内置的测试数据入手快速跑通全流程再逐步替换为真实业务库与生产模型。【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 Chat Data 数据对话实战：从自然语言到 SQL 查询与分析洞察
DB-GPT Chat Data 数据对话实战从自然语言到 SQL 查询与分析洞察【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-GPTChat Data 是 DB-GPT 中面向结构化与半结构化数据的自然语言对话能力通过Text-to-SQL 数据执行 分析洞察的完整链路让业务人员可以直接用中文提问数据库。本文将以 MySQL 为例完整讲解从数据源接入、应用选择、库表选择到发起对话的全流程并结合仓库中的 AWEL 工作流模板与测试样例深入剖析 Chat Data 的底层实现原理与关键参数。Chat Data 是什么Chat Data数据对话是 DB-GPT 提供的核心数据智能应用场景之一其目标是通过自然语言与数据进行对话。当前版本主要面向结构化数据与半结构化数据如关系型数据库中的表与字段能够辅助完成数据分析与洞察例如用一句中文问题直接查询数据库Text-to-SQL让大模型根据表结构自动生成可执行的 SQL 并返回真实查询结果在查询结果基础上生成统计分析与可视化展示建议将多轮对话、表结构检索、SQL 执行与报告分析串联成一条完整的数据分析流水线。:::info 提示 在开始数据对话之前需要先完成数据源DataSource的添加否则对话应用无法感知任何数据库表结构也就无法生成 SQL。 :::数据对话的完整步骤根据 chat_data.md 的说明启动一次数据对话需要依次经过以下四个步骤添加数据源在数据源管理页面接入目标数据库选择 ChatData 应用在首页场景或应用广场中进入数据对话选择对应的数据库指定要对话的目标库/表开始对话用自然语言提问并查看返回的数据与分析结果。下面逐一展开说明每一步的实操要点。第一步添加数据源在 DB-GPT 左侧菜单或首页中选择数据源Data source管理页面点击右上角Add a data source按钮新增数据源。在弹出的对话框中选择对应的数据库类型并填写所需参数即可完成添加。DB-GPT 目前已在文档中覆盖或正在补充以下数据源集成见 datasources.mdMySQLSQLiteClickHousePostgreSQLDuckDBHiveMSSQLOracleOceanBaseGaussDBopenGaussApache DorisStarRocksVertica从源码结构看数据源接入由dbgpt_serve中独立的数据源服务负责管理包括连接测试、元数据表结构/字段读取等功能这些元数据正是后续 Chat Data 生成 SQL 时的上下文素材。除了文档列出的类型外DB-GPT 的数据源模块还支持自定义扩展。在本文的演示中我们选择MySQL作为示例。如果你希望快速体验可以直接使用仓库中内置的测试数据脚本与 SQL 样例见下文使用仓库内置测试数据一节。第二步选择 ChatData 应用数据源添加完成后进入 DB-GPT 首页的场景应用区选择Chat Data应用卡片即可进入数据对话界面。需要注意的是在 DB-GPT V0.6.0 之后的应用管理体系中Chat Data 既可以直接作为首页内置应用使用也可以通过**原生应用模式Native application mode**重新创建——即基于你自己的数据库与参数配置构建一个独立的 Chat Data 应用实例。两种入口的底层对话能力是一致的。第三步选择对应的数据库进入 Chat Data 界面后需要指定本次对话面向的数据库即第一步中已添加的数据源。该选择会决定大模型所能看到的表结构集合进而决定它生成 SQL 时可以使用哪些表。请务必选择与实际业务问题匹配的库避免模型在错误的表结构中捏造SQL。第四步开始对话在对话框输入自然语言问题并发送即可看到模型生成的 SQL、真实执行结果以及针对结果的分析呈现。例如在演示数据上可以提问查询每种商品的总销售额、2023 年最受欢迎的商品是什么等业务问题。对模型能力的要求数据对话对模型的 SQL 生成与指令遵循能力要求较高。根据同系列 chat_dashboard.md 中的说明ChatGPT/GPT-4的成功率较高开源模型方面可以尝试qwen2。在本地部署场景下建议优先选用 SQL 能力较强的模型并将本应用的temperature调低以保证生成的 SQL 更稳定、更可复现。深入原理Chat Data 的 AWEL 工作流Chat Data 并非简单的LLM 直接写 SQL而是一条由AWELAgentic Workflow Expression Language编排的完整数据处理流水线。仓库中的 chat-data-awel-flow-template.jsonChat Data 工作流模板(text2SQL)完整定义了这条流水线其描述为生成 SQL 查询并执行然后给出分析报告。整个 DAG 由以下节点串联而成通用大语言模型 HTTP 触发器CommonLLMHttpTrigger接收用户请求将请求体解析为通用 LLM HTTP 请求体同时向后续节点分发用户问题与请求体两类数据数据源检索算子HODatasourceRetrieverOperator根据用户问题从数据源中检索相关表的表结构定义table schema生成供模型参考的上下文这也是先添加数据源成为前置条件的原因通用聊天提示模板CommonChatPromptTemplate组装系统消息与用户消息大语言模型算子HOLLMOperator结合检索到的表结构上下文与提示模板调用 LLM输出包含thoughts、sql、display_type的 JSONSQL 输出解析器DefaultSqlOutputParser将模型输出解析为可执行的 SQL数据源执行算子HODatasourceExecutorOperator在目标数据源上真实执行 SQL取回查询结果报告分析算子ReportAnalyst基于查询结果进行数据分析与洞察字符串拼接算子StringJoinOperator将执行结果与分析报告拼接为最终回复。从节点关系可以推断Chat Data 的完整调用链是提问 → 检索表结构 → LLM 生成 SQL → 解析 → 执行 → 报告分析 → 汇总返回其中表结构检索环节显著降低了大模型凭空编造表名/字段名的概率是保证 Text-to-SQL 准确性的关键设计。数据源检索算子的关键参数在 chat-data-awel-flow-template.json 中数据源检索算子HODatasourceRetrieverOperator定义了以下可直接调优的参数参数默认值说明datasource必填用于获取表结构上下文的数据源资源实例prompt_template内置数据库专家提示词要求模型基于给定表结构生成语法正确的{dialect}SQL未提供足够表结构时必须如实说明禁止捏造信息display_type8 种展示方式供模型选择的返回数据渲染方式包括折线图、饼图、表格、散点图、气泡图、环形图、面积图、热力图等max_num_results50查询结果的最大返回行数限制用户未指定时response_formatJSON 格式要求模型以{thoughts, sql, display_type}结构返回context_keycontext上下文在提示词中的键名其中内置提示模板还包含若干硬性约束值得使用者了解除非用户在问题中明确指定行数否则查询结果最多返回{max_num_results}默认 50行只能使用检索到的表结构生成 SQL不能跨库/跨表随意拼接生成 SQL 时要避免表与列关系错误并兼顾查询性能。LLM 算子的多轮对话参数HOLLMOperator支持多轮对话的历史合并策略通过history_merge_mode参数控制可选值为none不合并历史消息每轮独立生成 SQLwindow按对话窗口保留最近若干轮token按 Token 长度合并历史配合max_token_limit默认 2048与keep_start_rounds/keep_end_rounds控制保留范围。在连续追问如把上一题的结果按月份拆开场景中合理配置历史合并策略是保持上下文一致性的关键。使用仓库内置测试数据快速体验仓库提供了多套开箱即用的演示数据分布在 docker/examples/sqls 目录下覆盖学校管理、电商、宽表等多种场景并分别提供 MySQL、SQLite、Vertica 三种方言版本学生管理场景case_1_student_manager_mysql.sql、case_1_student_manager_sqlite.sql、case_1_student_manager_vertica.sql电商场景case_2_ecom_mysql.sql、case_2_ecom_sqlite.sql、case_2_ecom_vertica.sql订单宽表场景case_3_order_wide_table_sqlite_wide.sql测试用例说明与数据test_case.md、test_case_info_mysql.sql、test_case_info_sqlite.sql、test_case_info_vertica.sql以 MySQL 为例先在目标实例中执行建库脚本再导入对应业务数据即可。test_case_info_mysql.sql中还内置了标准的测试问题与预期 SQL 对照如查询每个用户的总订单数量可以用来自测 Chat Data 的生成质量。此外docker/examples/dashboard 目录下还提供了test_case_mysql_data.py、test_case_sqlite_data.py等一键初始化脚本配合Walmart_Sales.db/Walmart_Sales.csv样例数据可在几十秒内搭建一套可演示的数据对话环境。创建自己的 Chat Data 应用如果不想直接使用内置 Chat Data 场景可以在应用管理App Manage面板中通过原生应用模式Native application mode创建专属的数据对话应用详见 app_manage.md。流程如下点击Create an application选择Native application mode填写应用名称与描述后确认进入参数选择面板依次配置应用类型选择 Chat Data、模型、temperature、推荐问题等参数在参数列表中填写数据源若尚未添加需先按 数据源教程 完成接入点击Save保存应用随后点击Publish Application发布发布后其他用户才能发现并使用该应用点击Start a conversation即可与应用对话后续也可以随时编辑或删除应用。这一方式适合为不同业务部门分别配置专属数据库 专属推荐问题的数据分析入口是 Chat Data 从演示走向生产落地的常用形态。小结Chat Data 是 DB-GPT 自然语言问数的核心应用四步即可完成从数据源接入到自然语言对话底层则由 AWEL 工作流将表结构检索、SQL 生成、SQL 执行、报告分析串联为一条可控可调的流水线。理解HODatasourceRetrieverOperator的表结构检索与提示词约束、HOLLMOperator的历史合并策略以及max_num_results、response_format、display_type等关键参数能够帮助你在实际业务中显著提升 Text-to-SQL 的准确率与结果可读性。建议从仓库内置的测试数据入手快速跑通全流程再逐步替换为真实业务库与生产模型。【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 
