在「数据与分析」类工具里，DB-GPT 的定位是：面向数据库与数据分析的开源 AI 应用框架。

单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。

推荐组合：DB-GPT + Playwright MCP

Playwright MCP 的定位是：微软提供的 Playwright MCP 服务，让智能体控制浏览器。两者分工可以是：DB-GPT 负责「评测大模型应用」这一步，Playwright MCP 负责把前后步骤串成自动化流程。

工作流步骤

  1. 明确交付物和验收标准，例如：评分标准清晰可复用。
  2. 准备输入：一批真实用户问题和应用回答，先去掉敏感信息。
  3. 在 DB-GPT 中执行核心步骤（提示词见下文）
  4. 把结果交给 Playwright MCP 做下一步处理，或从 Playwright MCP 取得所需材料。
  5. 人工检查关键事实与格式，记录发现的问题。
  6. 把这次用到的提示词和设置保存为模板，下次复用。

评测大模型应用

适用情况：手头有一批真实用户问题和应用回答时。

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。

验收标准：评分标准清晰可复用。

交接时最容易出问题的地方

  • 格式不兼容：两边导入导出的格式提前测试一次。
  • 信息丢失：每次交接附上来源和版本号。
  • 责任不清：约定哪一步由谁做最终确认。
  • 权限分散：两边的账号和分享范围分别检查。

如果暂时不想引入第二个工具，也可以先用 Vanna 等同类产品替代其中一环，跑通流程后再决定。

补充练习

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。

写 SQL 查询

输入：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

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。

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：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：图表结论被过度解读

区分相关与因果，在报告中标注假设。

概念补充：语义层

把业务指标定义统一管理，让 AI 查询时口径一致。

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：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：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。

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。

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。

延伸阅读