先说清楚它是什么：DB-GPT 属于「数据与分析」方向的开源项目，面向数据库与数据分析的开源 AI 应用框架。

下面列出 10 个具体场景，每个都注明适合与不适合的情况。

10 个场景

  1. 自然语言问数：适合每周重复执行。
  2. 写 SQL 查询：效果依赖输入材料质量。
  3. 数据清洗方案：可以做成固定模板。
  4. 指标异动解读：适合先小范围试用。
  5. 图表建议：适合每周重复执行。
  6. 评测大模型应用：适合先小范围试用。
  7. 数据分析师：取数与 SQL：需要人工复核。
  8. 财务人员：单据识别录入：适合每周重复执行。
  9. 新媒体运营：内容排期：适合每周重复执行。
  10. 软件工程师：代码阅读与重构：可以做成固定模板。

挑两个场景细看

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。

交付前确认：给出了可复核的计算过程。

指标异动解读

适用情况：手头有一个突然下降的业务指标时。

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。

验收标准：先排查数据本身问题。

不适合的场景

  • 需要专业资质最终签字的判断。
  • 无法核实来源却要公开发布的内容。
  • 涉及他人隐私且未获授权的材料。

补充练习

评测大模型应用

输入：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。

检查点：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。

验收标准：说明了口径问题。

数据清洗方案

输入：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。

检查点：说明了处理对结论的影响。

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。

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。

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。

概念补充：文本转 SQL

把自然语言问题转换为数据库查询语句。

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。

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。

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。

注意事项

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。

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

延伸阅读