面向数据库与数据分析的开源 AI 应用框架——这是 DB-GPT 最主要的用途，也是本文讨论的前提。

换工具的成本常被低估，这篇按步骤列出迁移前后要做的事。

以从 Vanna 迁移为例

迁移不一定是「全面替换」。很多团队会先把一部分任务交给 DB-GPT，与 Vanna 并行一段时间再决定。

迁移步骤

  1. 盘点资产：现在用的提示词、模板、知识库、自动化流程和历史产出。
  2. 确认导出方式：哪些能导出、格式是什么、哪些只能手工迁移。
  3. 挑 3 个典型任务（如「数据清洗方案」「写 SQL 查询」）在两边同时做。
  4. 按同一张评分表比较结果。
  5. 迁移账号与权限，通知团队新的使用规范。
  6. 保留旧工具一段时间的只读访问，确认无遗漏后再停用。

对比测试用的任务

数据清洗方案

准备材料：一份有缺失和异常值的数据。

分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。

验收标准：说明了处理对结论的影响。

不建议迁移的情况

  • 核心流程依赖 Vanna 特有的功能或集成。
  • 团队刚刚完成培训，切换成本过高。
  • 新工具的数据处理条款不满足要求。

更多可以试的用法

自然语言问数

输入：一张销售明细表。

请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。

验收标准：给出了可复核的计算过程。

图表建议

输入：一组需要汇报的数据。

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）。

验收标准：指出了误导风险。

指标异动解读

输入：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。

交付前确认：先排查数据本身问题。

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：图表结论被过度解读

区分相关与因果，在报告中标注假设。

常见问题：敏感数据暴露给模型

使用脱敏视图或只读账号，限制可访问的表。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

概念补充：异常检测

自动发现偏离正常范围的数据点。

适合人群：新媒体运营

新媒体运营可以用 DB-GPT 处理内容排期、数据复盘等工作。需要注意：活动规则与奖品说明要准确，避免诱导分享等违规玩法。

适合人群：数据分析师

数据分析师可以用 DB-GPT 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

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。

使用提醒

本文基于 DB-GPT 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

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