本文收录于《DB-GPT项目》专栏，专栏总目录： 点击这里。

文章目录

项目介绍

一、登录云服务器

1. 进入控制台

2.点击容器实例（点数字）

二、创建容器实例

1. 等待容器实例创建好，创建好的容器实例如下：

2.容器实例创建好后，点击开机

3.点击JupyterLab

三、启动DB-GPT项目

1.进入终端

2.进入python虚拟环境

3. 创建元数据库的元数据文件

4. 启动项目

5. 点击“自定义服务”

6. 选择自己本地使用的电脑系统

7. 前端页面访问

8. DB-GPT 前端页面

9. 测试

四、总结

五、参考信息

1. DB-GPT GitHub项目主页

2. DB-GPT 中文说明文档主页

3. GPU云服务器镜像部署

4. 项目使用GPU云服务器

---

项目介绍

        DB-GPT 是一个将大语言模型LLM与数据库结合的开源项目。它主要研究如何使预训练的大规模语言模型（如 GPT）能够直接与数据库交互，以生成更加准确和信息丰富的回答。这个项目通过特殊的训练方法，教会模型理解和生成能够进行有效数据库查询的SQL语句，使模型在回答需要查找和整合大量数据的问题时，表现得更加精准。

        DB-GPT的应用场景包括但不限于自动化的数据分析、生成报告、以及在需要数据库支持的情况下提供决策支持。这种技术的推广可能会极大地增强聊天机器人和其他自然语言处理系统在处理复杂查询和任务时的能力。

        DB-GPT是当前最强的数据分析Agent框架。借助DB-GPT，用户可以快速实现以下AI数据分析功能：

• Chat Knowledge：借助RAG实现私有知识库问答，用户可以自定义传输企业业务说明文档、专家文档或数据字典等信息，并围绕相关问题进行问答，从而辅助用户快速了解企业业务，或辅助进行业务决策等；
• Chat Excel：可以围绕某个数据文件进行快速分析，允许用户上传数据文件并直接对其进行分析；
• Chat Data：可以连接本地各种不同类型关系型数据库，并围绕数据库中的某个库进行跨表问答，效果如下所示：
• Dashboard：可以围绕某个数据库，针对某个问题进行多维度分析与可视化展示，问答效果如下所示：
• Chat DB：通过对话，调整数据库设置；
• Agent Chat：围绕某个分析任务，搭建从数据获取、数据清洗、指标探索、数据分析、建模预测和报表编写的一整套全自动分析流程，也就是说用户可以借助该功能，快速创建一个用于当前数据分析任务的数据分析Agent；
• DB-GPT-Hub：在线Text2SQL微调功能，可以持续微调底层大模型的Text2SQL能力，从而不断提高生成SQL的准确率。

一、登录云服务器

1. 进入控制台

2.点击容器实例（点数字）

二、创建容器实例

1. 等待容器实例创建好，创建好的容器实例如下：

2.容器实例创建好后，点击开机

3.点击JupyterLab

三、启动DB-GPT项目

1.进入终端

2.进入python虚拟环境

conda activate dbgptcd /root/DB-GPT/

3. 创建元数据库的元数据文件

bash ./scripts/examples/load_examples.sh

4. 启动项目

dbgpt start webserver --port 6006

5. 点击“自定义服务”

6. 选择自己本地使用的电脑系统

        以Mac电脑为例，将1的命令复制到Mac终端，然后点击输入密码

7. 前端页面访问

        复制IP地址，浏览器访问

8. DB-GPT 前端页面

9. 测试

四、总结

五、参考信息

1. DB-GPT GitHub项目主页

2. DB-GPT 中文说明文档主页

3. GPU云服务器镜像部署

4. 项目使用GPU云服务器