DB-GPT 8 个高频用法

让我们从零开始，学习如何快速上手 DB-GPT。这是一个开源的 AI 数据助手，它可以连接到你的数据，写 SQL 和代码，运行技能在沙盒环境中，并将分析转化为报告、洞察和行动。

在开始之前，你可能会好奇为什么需要 DB-GPT。其实，DB-GPT 是一个非常强大的工具，它可以帮助你连接到各种数据源，包括数据库、CSV/Excel 文件和知识库。它还可以让你用自然语言问问题，并让 AI 自动写 SQL。另外，它还可以运行 Python 和代码驱动的分析工作流，加载和执行可重用的技能，生成图表、仪表盘、HTML 报告和分析摘要。

现在，让我们开始安装和启动 DB-GPT。别担心，这是一个非常简单的过程。

前置条件

在开始之前，请确保你已经安装了 Python 和 pip。同时，你需要有一个 GitHub 账号来访问 DB-GPT 的仓库。

安装 DB-GPT

我们可以通过 pip 安装 DB-GPT。打开你的终端，输入以下命令：

pip install db-gpt

这可能需要几分钟的时间，耐心等待。

启动 DB-GPT

安装完成后，我们可以启动 DB-GPT。输入以下命令：

db-gpt

这将启动 DB-GPT 的服务，你可以通过访问 http://localhost:8000 来使用 DB-GPT。

预期结果

启动 DB-GPT 后，你应该可以看到一个欢迎页面，里面有一个简单的界面，你可以输入自然语言的问题，或者上传 CSV/Excel 文件来分析。

常见问题和解决方案

如果你遇到安装或启动的问题，别担心。这里有一些常见问题和解决方案：

• 如果你遇到安装失败的问题，可能是因为网络问题或者 pip 版本问题。试试更新 pip 版本，或者检查你的网络连接。
• 如果你遇到启动失败的问题，可能是因为端口占用问题。试试关闭其他占用 8000 端口的程序，或者修改 DB-GPT 的配置文件来使用其他端口。

小例子

让我们来看一个小例子。假设我们有一个 CSV 文件，里面有一个公司的销售数据。我们可以上传这个文件到 DB-GPT，输入一个自然语言的问题，例如 "什么是过去一年销售额最大的产品？"。DB-GPT 将自动写 SQL，运行分析，并生成一个报告，里面有一个图表，显示过去一年销售额最大的产品。

本章小结

• 安装 DB-GPT 需要 Python 和 pip
• 启动 DB-GPT 需要输入 db-gpt 命令
• DB-GPT 可以连接到各种数据源，包括数据库、CSV/Excel 文件和知识库
• DB-GPT 可以让你用自然语言问问题，并自动写 SQL
• DB-GPT 可以运行 Python 和代码驱动的分析工作流，加载和执行可重用的技能，生成图表、仪表盘、HTML 报告和分析摘要。

连接数据源是使用 DB-GPT 的一个关键步骤。别担心，如果你对连接数据源不熟悉，我们慢慢来。连接数据源的目的是让 DB-GPT 能够访问和分析你的数据，这些数据可以来自数据库、CSV/Excel 文件或者知识库。

在开始连接数据源之前，我们需要确保你已经安装了 DB-GPT 并且能够正常启动。如果你还没有安装 DB-GPT，建议你先参考第 1 章的安装和启动步骤。

步骤 1：检查数据源可用性

我们先来检查一下你的数据源是否可用。你可能会好奇为什么需要检查数据源可用性。其实，这是为了确保 DB-GPT 能够成功连接到你的数据源。检查数据源可用性的步骤如下：

• 确保你的数据源（如数据库、CSV/Excel 文件或者知识库）是可访问的。
• 检查你的数据源是否有任何访问限制或者需要特殊权限。

步骤 2：连接数据源

连接数据源的步骤如下：

• 使用 examine_data_sources 工具检查可用的数据源。
• 使用 load_data 工具加载你的数据。

# 检查可用的数据源
from db_gpt import examine_data_sources
available_data_sources = examine_data_sources()

# 加载你的数据
from db_gpt import load_data
data = load_data('your_data_source')

步骤 3：探索性分析

探索性分析是连接数据源后的下一步。我们需要使用 explore_data 工具来进行探索性分析。

# 进行探索性分析
from db_gpt import explore_data
exploration_result = explore_data(data)

如果你遇到连接数据源失败的问题，可能是因为数据源不可用或者没有正确配置。试试检查你的数据源可用性，或者重新配置你的数据源。

小例子

让我们来看一个小例子。假设我们有一个 CSV 文件，里面有一个公司的销售数据。我们可以使用 DB-GPT 来连接这个 CSV 文件，进行探索性分析，并生成一个报告，里面有一个图表，显示销售趋势。

# 加载销售数据
from db_gpt import load_data
sales_data = load_data('sales_data.csv')

# 进行探索性分析
from db_gpt import explore_data
exploration_result = explore_data(sales_data)

# 生成报告
from db_gpt import create_visualization
report = create_visualization(exploration_result)

本章小结

• 连接数据源是使用 DB-GPT 的一个关键步骤
• 检查数据源可用性是连接数据源的第一步
• 使用 examine_data_sources 和 load_data 工具可以连接和加载你的数据
• 探索性分析是连接数据源后的下一步
• 使用 DB-GPT 可以生成报告和图表来显示你的数据分析结果

自主规划能力是 DB-GPT 中一个非常强大的功能，它可以帮助我们理解数据分析需求、制定分析计划并系统性地执行。我们先来看看，为什么需要自主规划能力。想象一下，你是一个数据分析师，你需要分析一个公司的销售数据，以便识别趋势并提供业务规划洞察。如果没有自主规划能力，你可能需要手动创建分析计划，检查数据源，加载数据，进行分析等等，这个过程非常耗时且容易出错。

别担心，我们慢慢来。让我们一步一步地了解 DB-GPT 的自主规划能力。首先，我们需要确保已经安装和配置好了 DB-GPT。如果你还没有安装，可以参考前面的章节。接下来，我们需要了解自主规划能力的三个阶段：需求理解、计划制定和执行分析。

我们先来看需求理解阶段。在这个阶段，DB-GPT 会深度理解业务问题和分析目标。例如，我们可以输入一个问题，如 "分析我们的销售数据，识别趋势并提供业务规划洞察"。DB-GPT 会自动识别分析目标和数据需求。

question = "分析我们的销售数据，识别趋势并提供业务规划洞察"

接着，我们来看计划制定阶段。在这个阶段，DB-GPT 会创建系统性的数据分析步骤计划。它会检查数据源，估算时间和资源等。

# Agent会自动执行：
# 1. 创建销售趋势分析计划
# 2. 检查可用的销售数据源
# 3. 加载销售数据
# 4. 进行趋势分析
# 5. 生成可视化图表
# 6. 提供业务洞察和建议

最后，我们来看执行分析阶段。在这个阶段，DB-GPT 会执行计划，加载数据，进行探索分析，深度分析，结果验证等。

如果你遇到任何问题，不要担心。我们可以通过检查日志文件，调试代码等方式来排查问题。

本章小结

• 自主规划能力是 DB-GPT 中一个非常强大的功能
• 需求理解阶段是自主规划能力的第一步
• 计划制定阶段是自主规划能力的第二步
• 执行分析阶段是自主规划能力的第三步
• 使用 DB-GPT 的自主规划能力可以帮助我们系统性地执行数据分析任务，提高效率和准确性。

让我们继续探索 DB-GPT 的强大功能。在上一章中，我们了解了自主规划能力的三个阶段：需求理解、计划制定和执行分析。现在，我们要深入到自动化 SQL 和代码执行的世界中，让 AI 写 SQL 和代码。

首先，我们需要了解为什么自动化 SQL 和代码执行这么重要。想象一下，你是一个数据分析师，需要分析大量的销售数据，识别趋势并提供业务规划洞察。如果你需要手动写 SQL 代码和分析脚本，会非常耗时和容易出错。DB-GPT 的自动化 SQL 和代码执行功能可以帮助你节省时间和提高准确性。

在开始之前，请确保你已经安装并启动了 DB-GPT，并且已经连接了数据源。我们将使用之前章节中介绍的销售趋势分析场景作为例子。

question = "分析我们的销售数据，识别趋势并提供业务规划洞察"

现在，让我们看一下 DB-GPT 如何自动化 SQL 和代码执行。DB-GPT 会根据需求理解阶段的结果，自动创建 SQL 代码和分析脚本。例如，它会生成以下 SQL 代码：

SELECT * FROM sales_data WHERE date >= '2022-01-01' AND date <= '2022-12-31'

接着，DB-GPT 会执行 SQL 代码，加载数据，进行探索分析，深度分析，结果验证等。

# Agent会自动执行：
# 1. 创建销售趋势分析计划
# 2. 检查可用的销售数据源
# 3. 加载销售数据
# 4. 进行趋势分析
# 5. 生成可视化图表
# 6. 提供业务洞察和建议

如果你需要添加自定义工具或分析逻辑，你可以通过继承 BaseTool 类来实现。例如：

class CustomAnalysisTool(BaseTool):
    @property
    def name(self) -> str:
        return "custom_analysis"
    
    @property
    def description(self) -> str:
        return "执行自定义分析逻辑"
    
    async def async_execute(self, **kwargs):
        # 实现自定义分析逻辑
        return {"result": "自定义分析结果"}

# 添加到Agent
agent.resource._resources["custom_analysis"] = CustomAnalysisTool()

在使用 DB-GPT 的自动化 SQL 和代码执行功能时，可能会遇到一些问题，例如工具执行错误。别担心，你可以通过检查工具参数，验证数据格式来解决问题。

本章小结

• 自动化 SQL 和代码执行是 DB-GPT 中一个非常强大的功能
• DB-GPT 可以根据需求理解阶段的结果，自动创建 SQL 代码和分析脚本
• 自定义工具或分析逻辑可以通过继承 BaseTool 类来实现
• 使用 DB-GPT 的自动化 SQL 和代码执行功能可以帮助你节省时间和提高准确性
• 检查工具参数，验证数据格式可以帮助你解决工具执行错误的问题

现在，我们要学习如何使用 DB-GPT 实现多源数据访问，工作于结构化和非结构化数据源。你可能会好奇为什么需要多源数据访问，别担心，我们慢慢来。多源数据访问是指从多个不同的数据源中获取和整合数据，这些数据源可以是结构化的，也可以是非结构化的。结构化数据通常指的是数据库、CSV 文件等，而非结构化数据则包括文本、图片、音频等。

在开始之前，我们需要确保已经安装和配置好了 DB-GPT，并且已经完成了前几章的学习和实践。如果你还没有完成这些步骤，建议先去完成它们。

步骤 1：检查数据源

我们先来检查可用的数据源。DB-GPT 提供了 examine_data_sources 工具来自动识别和检查可用数据源。我们可以使用以下代码来检查数据源：

from db_gpt import DataAnalysisPlanningAgent

agent = DataAnalysisPlanningAgent()
data_sources = agent.examine_data_sources()
print(data_sources)

预期结果是输出可用的数据源列表。

步骤 2：加载数据

加载数据是多源数据访问的关键步骤。DB-GPT 提供了 load_data 工具来智能加载和预处理数据。我们可以使用以下代码来加载数据：

from db_gpt import DataAnalysisPlanningAgent

agent = DataAnalysisPlanningAgent()
data = agent.load_data(data_sources[0])
print(data)

预期结果是输出加载的数据。

步骤 3：探索性分析

探索性分析是数据分析的重要步骤。DB-GPT 提供了 explore_data 工具来进行全面的数据探索。我们可以使用以下代码来进行探索性分析：

from db_gpt import DataAnalysisPlanningAgent

agent = DataAnalysisPlanningAgent()
result = agent.explore_data(data)
print(result)

预期结果是输出探索性分析的结果。

步骤 4：统计分析

统计分析是数据分析的另一个重要步骤。DB-GPT 提供了 statistical_analysis 工具来执行统计检验和深度分析。我们可以使用以下代码来进行统计分析：

from db_gpt import DataAnalysisPlanningAgent

agent = DataAnalysisPlanningAgent()
result = agent.statistical_analysis(data)
print(result)

预期结果是输出统计分析的结果。

步骤 5：可视化

可视化是数据分析的最后一个步骤。DB-GPT 提供了 create_visualization 工具来生成图表和可视化结果。我们可以使用以下代码来生成可视化：

from db_gpt import DataAnalysisPlanningAgent

agent = DataAnalysisPlanningAgent()
visualization = agent.create_visualization(result)
print(visualization)

预期结果是输出可视化的结果。

如果你遇到任何问题，别担心，我们可以通过检查工具参数，验证数据格式来解决问题。

本章小结

• 多源数据访问是 DB-GPT 中一个非常强大的功能
• DB-GPT 可以自动识别和检查可用数据源
• DB-GPT 提供了多种工具来加载、探索、分析和可视化数据
• 使用 DB-GPT 的多源数据访问功能可以帮助你节省时间和提高准确性
• 检查工具参数，验证数据格式可以帮助你解决工具执行错误的问题

技能驱动的可扩展性是 DB-GPT 中一个非常强大的功能，它允许我们包装域知识和分析方法，以便更好地适应不同的业务需求。我们可以通过创建自定义的技能来扩展 DB-GPT 的功能，这样可以帮助我们更好地解决特定的业务问题。

首先，我们需要了解 DB-GPT 中的技能是如何定义的。技能是 DB-GPT 中的一个基本概念，它代表了一种特定的分析方法或域知识。我们可以通过创建自定义的技能来扩展 DB-GPT 的功能，这样可以帮助我们更好地解决特定的业务问题。

其次，我们需要了解如何创建自定义的技能。创建自定义的技能需要我们定义技能的输入输出参数，指定技能的执行逻辑，并注册技能到 DB-GPT 中。我们可以使用 DB-GPT 提供的 API 来创建和注册自定义的技能。

下面是一个创建自定义技能的例子：

from db_gpt import Skill

class MySkill(Skill):
    def __init__(self):
        super().__init__()
        self.name = "my_skill"
        self.description = "这是一个自定义的技能"

    def execute(self, input_data):
        # 执行逻辑
        output_data = input_data * 2
        return output_data

# 注册技能
db_gpt.register_skill(MySkill())

预期结果是技能被成功注册到 DB-GPT 中。

如果你遇到任何问题，别担心，我们可以通过检查技能的定义和注册过程来解决问题。

我们也可以使用 DB-GPT 提供的工具来管理和维护自定义的技能。例如，我们可以使用 list_skills 方法来列出所有注册的技能，我们可以使用 get_skill 方法来获取特定的技能。

下面是一个使用 list_skills 方法的例子：

from db_gpt import list_skills

skills = list_skills()
print(skills)

预期结果是输出所有注册的技能。

本章小结

• 技能驱动的可扩展性是 DB-GPT 中一个非常强大的功能
• 我们可以通过创建自定义的技能来扩展 DB-GPT 的功能
• 创建自定义的技能需要我们定义技能的输入输出参数，指定技能的执行逻辑，并注册技能到 DB-GPT 中
• 我们可以使用 DB-GPT 提供的 API 来创建和注册自定义的技能
• 我们可以使用 DB-GPT 提供的工具来管理和维护自定义的技能

现在，我们要探讨 DB-GPT 中的一个重要功能：沙盒执行。沙盒执行允许我们在一个隔离的环境中运行代码和工具，这样可以确保我们的分析过程安全可靠。我们先来了解一下为什么需要沙盒执行。

你可能会好奇为什么需要在隔离环境中运行代码和工具。事实上，在数据分析过程中，我们经常需要执行外部代码或工具，这些代码或工具可能来自不可信任的来源，或者可能包含安全漏洞。如果我们直接在主环境中执行这些代码或工具，可能会导致安全风险。沙盒执行可以帮助我们避免这种风险。

我们先来看看如何在 DB-GPT 中配置沙盒执行。我们需要创建一个沙盒环境，并配置好工具和代码的执行权限。我们可以使用 create_sandbox 方法来创建一个沙盒环境：

from db_gpt import create_sandbox

sandbox = create_sandbox()

预期结果是创建一个新的沙盒环境。

接着，我们需要配置好工具和代码的执行权限。我们可以使用 add_tool 方法来添加工具到沙盒环境中：

from db_gpt import add_tool

tool = CustomAnalysisTool()
add_tool(sandbox, tool)

预期结果是添加工具到沙盒环境中。

现在，我们可以在沙盒环境中执行代码和工具了。我们可以使用 execute 方法来执行代码或工具：

from db_gpt import execute

result = execute(sandbox, "custom_analysis")

预期结果是执行代码或工具并返回结果。

如果你遇到任何问题，别担心，我们可以通过检查沙盒环境的配置和工具的执行权限来解决问题。

本章小结

• 沙盒执行是 DB-GPT 中一个重要的功能
• 我们可以在隔离环境中运行代码和工具来确保安全可靠
• 我们需要创建一个沙盒环境，并配置好工具和代码的执行权限
• 我们可以使用 DB-GPT 提供的 API 来创建和配置沙盒环境
• 我们可以使用 DB-GPT 提供的工具来执行代码和工具在沙盒环境中

数据分析实战是 DB-GPT 中一个非常重要的部分，我们可以使用它来分析 CSV/Excel 文件、连接到数据库和执行金融报告分析等。现在，我们来一步步地学习如何使用 DB-GPT 来进行数据分析实战。

首先，我们需要准备好我们的数据源。我们可以使用 DB-GPT 的 数据源检查 功能来自动识别和检查可用数据源。我们可以使用以下代码来实现：

from db_gpt import check_data_source

data_source = check_data_source()
print(data_source)

预期结果是输出可用的数据源列表。

接着，我们需要加载我们的数据。我们可以使用 DB-GPT 的 数据加载 功能来智能加载和预处理数据。我们可以使用以下代码来实现：

from db_gpt import load_data

data = load_data("sales_data.csv")
print(data)

预期结果是输出加载的数据。

现在，我们可以进行探索性分析了。我们可以使用 DB-GPT 的 探索性分析 功能来进行全面的数据探索。我们可以使用以下代码来实现：

from db_gpt import exploratory_analysis

result = exploratory_analysis(data)
print(result)

预期结果是输出数据的探索性分析结果。

我们也可以进行统计分析。我们可以使用 DB-GPT 的 统计分析 功能来执行统计检验和深度分析。我们可以使用以下代码来实现：

from db_gpt import statistical_analysis

result = statistical_analysis(data)
print(result)

预期结果是输出数据的统计分析结果。

最后，我们可以生成图表和可视化结果。我们可以使用 DB-GPT 的 可视化 功能来实现：

from db_gpt import visualization

visualization(result)

预期结果是输出图表和可视化结果。

如果我们遇到工具执行错误的问题，我们可以检查工具参数，验证数据格式来解决问题。我们可以使用以下代码来实现：

from db_gpt import check_tool_parameters

check_tool_parameters("sales_data.csv")

预期结果是输出工具参数检查结果。

本章小结

• 数据分析实战是 DB-GPT 中一个非常重要的部分
• 我们可以使用 DB-GPT 来分析 CSV/Excel 文件、连接到数据库和执行金融报告分析等
• 我们需要准备好我们的数据源，加载数据，进行探索性分析，统计分析和可视化
• 我们可以使用 DB-GPT 提供的 API 来实现数据分析实战
• 我们需要检查工具参数，验证数据格式来解决工具执行错误的问题

现在，我们要进入高级用法的世界，构建下一代 AI+Data 助手和应用。别担心，如果你之前的章节没有完全掌握，我们会慢慢来，确保你能够理解和应用这些高级概念。

首先，我们需要了解 DB-GPT 中的 DataAnalysisPlanningAgent。这个 agent 是我们构建 AI+Data 助手的核心，它继承自 ConversableAgent，扩展了 ReActAgent 的规划能力，并集成了数据分析专用工具。我们可以使用这个 agent 来创建分析计划、检查数据源、加载数据、进行探索性分析、统计分析、创建可视化和生成洞察。

我们先来看看如何创建一个 DataAnalysisPlanningAgent 实例。我们需要创建工具包、资源包和 agent 实例。工具包包含了我们需要的工具，例如 DataSourceTool、LoadDataTool 和 ExploreDataTool。资源包包含了工具包和其他资源。agent 实例需要资源包和其他配置参数。

from dbgpt.agent.expand.data_agent import DataAnalysisPlanningAgent
from dbgpt.agent.resource import ToolPack, ResourcePack

# 1. 创建工具
tools = [DataSourceTool(), LoadDataTool(), ExploreDataTool()]
tool_pack = ToolPack(tools=tools)

# 2. 创建资源包
resource_pack = ResourcePack()
resource_pack._resources["tools"] = tool_pack

# 3. 创建Agent
agent = DataAnalysisPlanningAgent(resource=resource_pack)

预期结果是创建一个 DataAnalysisPlanningAgent 实例，准备好进行数据分析。

接下来，我们可以发送分析请求给 agent。我们需要创建一个 AgentMessage 实例，包含了分析请求的内容。

# 4. 发送分析请求
message = AgentMessage(content="分析销售数据趋势，提供业务洞察")
response = await agent.act(message, sender=None)

预期结果是 agent 返回分析结果，包含了销售数据趋势和业务洞察。

如果我们需要自定义规划参数，我们可以在创建 agent 实例时传入这些参数。例如，我们可以增加重试次数或设置分析目标。

# 自定义规划参数
agent = DataAnalysisPlanningAgent(
    max_retry_count=25,  # 增加重试次数
    resource=resource_pack,
    llm_client=your_llm_client
)

# 设置分析目标
agent.profile.goal = "专注于电商数据分析，提供精准的业务洞察"

预期结果是 agent 使用自定义的规划参数进行分析。

最后，如果我们遇到问题，我们可以启用详细日志和检查 agent 状态来排查问题。

# 启用详细日志
import logging
logging.basicConfig(level=logging.DEBUG)

# 检查Agent状态
print(f"Planning complete: {agent.planning_complete}")
print(f"Current step: {agent.current_step}")

预期结果是输出详细日志和 agent 状态，帮助我们排查问题。

本章小结

• 我们可以使用 DataAnalysisPlanningAgent 来构建下一代 AI+Data 助手和应用
• 我们需要创建工具包、资源包和 agent 实例
• 我们可以发送分析请求给 agent 和自定义规划参数
• 我们可以启用详细日志和检查 agent 状态来排查问题
• 我们需要了解 agent 的继承结构和专用工具集来更好地使用它

我们已经成功地使用 DataAnalysisPlanningAgent 构建了下一代 AI+Data 助手和应用，现在让我们来看看在安装和使用 DB-GPT 的过程中可能会遇到的常见问题，以及如何解决这些问题。

在使用 DB-GPT 的过程中，你可能会遇到一些问题，例如规划失败、数据源不可用等。别担心，我们会一步一步地来解决这些问题。

首先，让我们来看看规划失败的问题。你可能会遇到这样的情况：Agent 无法创建有效的分析计划。这时候，你需要检查数据源的可用性，明确分析目标。我们可以通过以下步骤来解决这个问题：

# 检查数据源可用性
data_source = agent.resource._resources["data_source"]
if not data_source.is_available():
    print("数据源不可用，请检查数据源配置")

# 明确分析目标
agent.profile.goal = "分析销售数据趋势，提供业务洞察"

预期结果是输出数据源可用性和分析目标，帮助我们排查问题。

其次，让我们来看看数据源不可用的问题。你可能会遇到这样的情况：数据源配置错误或数据源不可用。这时候，你需要检查数据源配置，确保数据源可用。我们可以通过以下步骤来解决这个问题：

# 检查数据源配置
data_source = agent.resource._resources["data_source"]
if not data_source.is_configured():
    print("数据源配置错误，请检查数据源配置")

# 确保数据源可用
data_source.connect()

预期结果是输出数据源配置和可用性，帮助我们排查问题。

我们可以通过以下表格来总结常见问题和解决方案：

问题	解决方案
规划失败	检查数据源可用性，明确分析目标
数据源不可用	检查数据源配置，确保数据源可用
分析结果不准确	检查数据质量，调整分析参数

如果你遇到其他问题，可以通过以下步骤来排查：

# 启用详细日志
import logging
logging.basicConfig(level=logging.DEBUG)

# 检查Agent状态
print(f"Planning complete: {agent.planning_complete}")
print(f"Current step: {agent.current_step}")

预期结果是输出详细日志和 Agent 状态，帮助我们排查问题。

本章小结

• 我们可以通过检查数据源可用性和明确分析目标来解决规划失败的问题
• 我们可以通过检查数据源配置和确保数据源可用来解决数据源不可用的问题
• 我们可以通过检查数据质量和调整分析参数来解决分析结果不准确的问题
• 我们可以通过启用详细日志和检查 Agent 状态来排查其他问题

问题：如何安装DB-GPT？

安装DB-GPT可以通过一行命令安装器（适用于macOS和Linux）进行，命令如下：

curl -fsSL https://raw.githubusercontent.com/eosphoros-ai/DB-GPT/main/scripts/install/install.sh | bash

也可以指定profile和API密钥进行安装。

问题：DB-GPT的主要功能是什么？

DB-GPT是一个开源的AI数据助手，它可以连接到数据库、CSV/Excel文件、仓库和知识库，自动写SQL和代码，运行技能在沙盒环境中，并生成报告、洞察和行动。

问题：如何开始使用DB-GPT？

可以通过访问http://localhost:5670开始使用DB-GPT，之前需要安装并启动DB-GPT服务。

问题：DB-GPT支持哪些数据源？

DB-GPT支持多种数据源，包括数据库、CSV/Excel文件、仓库和知识库。

问题：如何扩展DB-GPT的功能？

DB-GPT提供了技能驱动的扩展能力，用户可以包装领域知识、分析方法和执行工作流程到可重用的技能中。

问题：DB-GPT如何确保代码执行的安全性？

DB-GPT提供了沙盒执行环境，确保代码和工具在隔离的环境中运行，提高了分析的安全性和可靠性。

问题：如何部署DB-GPT文档？

DB-GPT文档可以通过Docker部署多版本文档，首先需要在DB-GPT项目根目录下构建Docker镜像。