DB-GPT 是一款开源项目：面向数据库与数据分析的开源 AI 应用框架。

看文档和设置项时遇到的术语，这里用一两句话解释清楚。

术语表

  • 口径：指标的定义与计算规则，不同口径会得出不同结论。
  • 文本转 SQL：把自然语言问题转换为数据库查询语句。
  • 语义层：把业务指标定义统一管理，让 AI 查询时口径一致。
  • 异常检测：自动发现偏离正常范围的数据点。
  • 追踪（Tracing）：记录大模型应用每次调用的输入输出与耗时。
  • 评测集：用于反复检验模型或应用效果的标准问题集合。

和 DB-GPT 相关的补充

  • 开源项目：DB-GPT 的产品形态，决定了安装、权限和数据存放方式。
  • 同类产品：Vanna、Chat2DB、PandasAI。
  • 所属方向：数据与分析。

把概念用起来

指标异动解读

准备材料：一个突然下降的业务指标。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

检查点：先排查数据本身问题。

更多可以试的用法

评测大模型应用

准备材料：一批真实用户问题和应用回答。

为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。

交付前确认：评分标准清晰可复用。

写 SQL 查询

准备材料：数据库表结构说明。

根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。

交付前确认：说明了口径问题。

图表建议

适用情况：手头有一组需要汇报的数据时。

根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。

检查点：指出了误导风险。

常见问题：问数结果看似合理但错误

准备几道已知答案的问题做抽检。

常见问题：AI 算出的数字和报表不一致

检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。

常见问题：生成的 SQL 运行报错

提供准确的表结构和字段说明，先在测试库运行。

概念补充：评测集

用于反复检验模型或应用效果的标准问题集合。

概念补充：口径

指标的定义与计算规则，不同口径会得出不同结论。

适合人群：软件工程师

软件工程师可以用 DB-GPT 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。

适合人群：科研人员

科研人员可以用 DB-GPT 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

适合人群：咨询顾问

咨询顾问可以用 DB-GPT 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

使用提醒

涉及个人信息、商业机密或受监管数据时，先确认 DB-GPT 的数据处理条款，再决定能否使用。

文中提示词和示例仅作示意，实际效果取决于你的材料和 DB-GPT 当前版本，重要内容请人工核对后再使用。

延伸阅读