DB-GPT 是什么？2 万星的 Agentic 数据助手，AI 自己写 SQL、跑代码、出报告（基础篇）
导语
提到开源 Agent 平台，大伙第一反应是 Dify、FastGPT 这些”对话+知识库”路线的选手。其实数据圈还蹲着一个另类：DB-GPT。2023 年 4 月开源，如今攒下 2 万星，最新版 v0.8.2 今年 8 月底刚发。它的口号这几年换过好几轮，现在的定位已经非常明确了——Agentic AI Data Assistant（智能体化数据助手）。不陪你聊天解闷，专门接数据库、写 SQL、跑分析、吐报告。这篇基础篇把它拆开讲清楚。
DB-GPT 是什么
一句话：开源的 AI + 数据分析平台。你把 MySQL、CSV/Excel、MaxCompute 数仓、知识库这些数据源接进去，用大白话提问，它自己规划任务、写 SQL 和 Python 代码、在沙箱里执行，最后给你吐出图表、仪表盘和 HTML 分析报告。
核心能力四块：
- 自主 SQL + 代码执行：AI 规划任务、拆步骤、生成 SQL 和代码查数清洗算指标，不是把 SQL 糊你脸上让你自己跑；
- 多源数据接入：数据库、表格文件、数据仓库、知识库一个工作台全管，结构化非结构化都吃；
- Skills 技能包：把领域分析方法打包成可复用技能（SKILL.md 格式，跟 Claude Code 的 skills 一个思路），装一次到处用；
- 沙箱执行：代码在隔离环境里跑，比裸奔的 ChatSQL 工具安全得多。
架构上它是分层的：底下是多模型接入（OpenAI 兼容 API 通吃，官方 profile 直连 Kimi、MiniMax），中间是 Agent 运行时（规划、工具调用、记忆），上面挂应用层（Chat Data 问数、Chat Agent、AWEL 可视化工作流），旁边是知识库向量检索和代码沙箱。v0.8.2 还新增了并行子 Agent 委派执行和 Agentic 知识库检索（索引+RAG 一体）。
上手
官方给的最省事路径是一行安装脚本（macOS/Linux），指定 profile 和 API key 直接装：
curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh
| MOONSHOT_API_KEY=sk-xxx bash -s -- --profile kimi
装完起服务：cd ~/.dbgpt/DB-GPT && uv run dbgpt start webserver --profile kimi，浏览器开 http://localhost:5670 就能用。不想装源码也可以 uv pip install dbgpt-app（PyPI 直接装，Python 3.10+），或者 Docker 跑 eosphorosai/dbgpt-openai 镜像，挂个 API key 就起。
接自家数据库后，在界面里建个 Chat Data 应用，选好数据源，直接问”上个月华东区销售额环比如何”，它会自己连库、写 SQL、跑数、出图。整个过程代码全透明可审查。
和同类比，Dify 走的是”通用 Agent 工作台”路线（Dify 基础篇讲过），FastGPT 主打卡片式知识库流程（FastGPT），MaxKB 走企业知识库问答（MaxKB）。DB-GPT 的差异化就俩字：数据。别人的知识库是”文档问答”，它的知识库是”能查库写 SQL 的数据库大脑”。
实话
说点掏心窝的：
- 定位太垂直，是优点也是枷锁。它本质是”数据分析 Agent”，不是全能平台。拿它做客服机器人、写作工具是跑错片场；但凡你的场景是”对着一堆数据要答案”，它就是开源里最认真的选手之一。
- 部署比 Dify 重。组件多（Web、Agent、沙箱、向量库、元数据库），官方推荐 uv + 源码或 Docker，2 核小机器别硬上，4G 内存起步比较稳。
- 版本节奏不算快。v0.8.0 到 v0.8.2 隔了小半年，迭代不算激进，但 v0.8.2 修了一堆安全问题（jinja2 RCE、路径穿越、命令注入都补了），工程质量在认真收拾。
- 星数和生态跟 Dify 差着数量级（2 万 vs 15.8 万），插件和第三方教程少，遇到坑主要翻官方文档和 issue 区。
个人判断：如果你是数据分析师、业务分析岗，或者要做”自然语言查数”的内部工具，DB-GPT 比通用平台省太多事；如果你要的是五花八门的 Agent 应用，还是回头看 Dify、LangGraph 这些通用派。
