DB-GPT V0.7.0版本更新：支持MCP协议、集成DeepSeek R1模型、GraphRAG检索链路增强、架构全面升级等

显示全部楼层

DB-GPT是一款开源的AI原生数据应用开发框架(AI Native Data App Development framework with AWEL and Agents)，在V0.7.0版本中，我们对DB-GPT模块包进行架构治理，将原有模块包进行分拆，重构了整个框架配置体系，提供了更加清晰，更加灵活，更加可扩展的围绕大模型构建AI原生数据应用管理与开发能力。

V0.7.0版本主要新增、增强了以下核心特性：

?支持MCP(Model Context Protocol)协议。

?集成DeepSeek R1，QWQ推理模型，原有DB-GPT的所有Chat场景都覆盖深度思考能力。

?GraphRAG检索链路再增强：支持「向量」、「意图识别+Text2GQL」图检索器。

?DB-GPT架构全面升级，原有dbgpt包拆分为dbgpt-core，dbgpt-ext，dbgpt-serve，dbgpt-client，dbgpt-acclerator，dbgpt-app。

?重构DB-GPT配置体系，配置文件修改为".toml"格式，废除原有的.env配置逻辑。

ingFang SC", system-ui, -apple-system, "system-ui", "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>新特性

支持MCP(Model Context Protocol)协议

使用说明：

a. 运行 MCP SSE Server 网关:

npx-ysupergateway--stdio"uvxmcp-server-fetch"

这里我们运行网页抓取的mcp-server-fetch

b. 创建 Multi-agent+Auto-Planning+MCP的网页抓取和总结 APP。

c. 配置 APP，选择ToolExpert和Summarizer这两个智能体，并给 ToolExpert添加资源类型是tool(mcp(sse))的资源，其中mcp_servers填步骤 a 中启动的服务地址（默认是：http://127.0.0.1:8000/sse)，然后保存应用。

d. 选择刚才新建的MCP Web FetchAPP 对话，给出网页让 APP 总结即可：

例子中输入的问题是：这个网页讲了什么 https://www.cnblogs.com/fnng/p/18744210

集成DeepSeek R1推理模型，原有DB-GPT的所有Chat场景都具备深度思考能力

如何快速使用参考：http://docs.dbgpt.cn/docs/next/quickstart

数据分析场景：

知识库场景：

GraphRAG检索链路再增强：支持「向量」、「意图识别+Text2GQL」图检索器

「向量」图检索器

知识图谱的构建过程中在所有点边中加入对应的向量并建立索引，在查询时将问题向量化并通过TuGraph-DB自带的向量索引能力，基于HNSW算法查询topk相关的点和边。相比于关键词图检索，能够识别更模糊的问题。

配置样例:

[rag.storage.graph]type="TuGraph"host="127.0.0.1"port=7687username="admin"password="73@TuGraph"
enable_summary="True"triplet_graph_enabled="True"document_graph_enabled="True"
# 向量图检索配置项enable_similarity_search="True"knowledge_graph_embedding_batch_size=20similarity_search_topk=5extract_score_threshold=0.7

「意图识别+Text2GQL」图检索器

将问题通过意图识别模块重写，抽取真实意图以及涉及的实体与关系，之后用Text2GQL模型进行翻译，翻译为GQL语句直接查询。可以进行更精确的图谱查询并显示对应查询语句。除了调用大型模型的api服务之外，也可以使用ollama调用本地Text2GQL模型。

配置样例:

[rag.storage.graph]type="TuGraph"host="127.0.0.1"port=7687username="admin"password="73@TuGraph"
enable_summary="True"triplet_graph_enabled="True"document_graph_enabled="True"
# 意图识别+Text2GQL图检索配置项enable_text_search="True"
# 使用Ollama部署独立text2gql模型，开启以下配置项# text2gql_model_enabled="True"# text2gql_model_name="tugraph/CodeLlama-7b-Cypher-hf:latest"

DB-GPT 架构全面升级，原有dbgpt包拆分为dbgpt-core，dbgpt-ext，dbgpt-serve，dbgpt-client，dbgpt-acclerator，dbgpt-app 随着DB-GPT逐渐发展，服务模块越来越多，导致功能回归测试难，功能兼容问题越来越频繁，因此将原有dbgpt内容进行模块分拆： dbgpt-core：主要负责dbgpt的awel，model，agent，rag，storage，datasource等内容核心模块接口定义, 发布 Python SDK。 dbgpt-ext：主要负责dbgpt扩展内容的实现，包括datasource数据源扩展，vector-storage，graph-storage的扩展，以及模型接入等扩展，方便社区开发者能够更加快速使用和扩展新的模块内容，发布 Python SDK。 dbgpt-serve:主要提供dbgpt各个模块原子服务化的Restful接口，方便社区用户能够快速接入。暂不发布 Python SDK。 dbgpt-app：主要负责App，ChatData，ChatKnowledge，ChatExcel，Dashboard等业务场景实现，无 Python SDK。 dbgpt-client：提供统一的 Python 接入的 SDK 客户端。 dbgpt-accelerator：模型推理加速模块，包含了不同版本（不同 torch 版本等）、平台（Windows、MacOS和Linux)、硬件环境（CPU、CUDA 和 ROCM）推理框架（vLLM、llama.cpp)和量化方法（AWQ、bitsandbytes、GPTQ）以及其他加速模块（accelerate、flash-attn）等的适配和兼容，为 DB-GPT 的其它模块提供跨平台的、可按需安装底层环境。重构 DB-GPT 配置体系，配置文件使用".toml"格式，废除原有的.env配置逻辑，每个模块可以自己的配置类，并能自动生成前端配置页面如何快速使用参考：

[system]#Loadlanguagefromenvironmentvariable(Itissetbythehook)language="${envBGPT_LANG:-zh}"api_keys=[]encrypt_key="your_secret_key"#ServerConfigurations[service.web]host="0.0.0.0"port=5670[service.web.database]type="sqlite"path="pilot/meta_data/dbgpt.db"[service.model.worker]host="127.0.0.1"[rag.storage][rag.storage.vector]type="chroma"persist_path="pilot/data"#ModelConfigurations[models][[models.llms]]name="deepseek-reasoner"#name="deepseek-chat"provider="proxy/deepseek"api_key="your_deepseek_api_key"

支持 S3、OSS存储
DB-GPT统一存储扩展 OSS 和 S3 实现，其中 S3 实现支持大部分兼容 S3 协议的云存储。DB-GPT 知识库原始文件、Chat Excel 相关中间文件、AWEL Flow 节点参数文件等均支持云存储。
配置样例：

[[serves]]type="file"# Default backend for file serverdefault_backend="s3"
[[serves.backends]]type="oss"endpoint="https://oss-cn-beijing.aliyuncs.com"region="oss-cn-beijing"access_key_id="${env:OSS_ACCESS_KEY_ID}"access_key_secret="${env:OSS_ACCESS_KEY_SECRET}"fixed_bucket="{your_bucket_name}"
[[serves.backends]]# Use Tencent COS s3 compatible API as the file servertype="s3"endpoint="https://cos.ap-beijing.myqcloud.com"region="ap-beijing"access_key_id="${env:COS_SECRETID}"access_key_secret="${env:COS_SECRETKEY}"fixed_bucket="{your_bucket_name}

具体配置说明可以参考：http://docs.dbgpt.cn/docs/next/config-reference/utils/config_s3storageconfig_f0cdc9

生产级 llama.cpp 推理支持

基于 llama.cpp HTTP Server，支持连续批处理（continuous batching）多用户并行推理等，llama.cpp 推理走向生产系统。

配置样例：

#ModelConfigurations[models][[models.llms]]name="DeepSeek-R1-Distill-Qwen-1.5B"provider="llama.cpp.server"#Ifnotprovided,themodelwillbedownloadedfromtheHuggingFacemodelhub#uncommentthefollowinglinetospecifythemodelpathinthelocalfilesystem#https://huggingface.co/bartowski/DeepSeek-R1-Distill-Qwen-1.5B-GGUF#path="the-model-path-in-the-local-file-system"path="models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf

多模型部署持久

目前可以在 DB-GPT 页面完成大部分模型的接入，并能持久化保存配置信息，服务启动自动加载模型。

LLM、Embedding、Reranker 扩展能力增强

优化了模型的扩展方式，少量几行代码即可接入新模型。

原生场景支持基于对话轮数和 Token 数的记忆

配置样例：

[app]# 统一配置所有场景的温度temperature=0.6
[[app.configs]]name="chat_excel"# 使用自定义的温度配置temperature=0.1duckdb_extensions_dir= []force_install=true
[[app.configs]]name="chat_normal"memory= {type="token", max_token_limit=20000}
[[app.configs]]name="chat_with_db_qa"schema_retrieve_top_k=50memory= {type="window", keep_start_rounds=0, keep_end_rounds=10}

Chat Excel、Chat Data & Chat DB和Chat Dashboard 原生场景优化

Chat Data、Chat Dashboard 支持流式输出
优化库表字段的知识加工和召回
Chat Excel 优化，支持更复杂的表格理解与图表对话，小参数量级的开源 LLM 也能玩起来

前端页面支持 LaTeX 数学公式渲染

AWEL Flow 支持简单对话模板

支持仅包含代理模型的轻量级 Docker 镜像(arm64 & amd64)

一键启动部署 DB-GPT 命令：

dockerrun-it--rm-eSILICONFLOW_API_KEY=${SILICONFLOW_API_KEY}\-p5670:5670--namedbgpteosphorosai/dbgpt-openai

同时可以使用构建脚本构建自己的镜像：

bashdocker/base/build_image.sh--install-modeopenai

具体可看文档：

http://docs.dbgpt.cn/docs/next/installation/docker-build-guide

DB-GPT API 兼容 OpenAI SDK

fromopenaiimportOpenAI
DBGPT_API_KEY ="dbgpt"
client = OpenAI(  api_key=DBGPT_API_KEY,  base_url="http://localhost:5670/api/v2",)
messages = [  {   "role":"user",   "content":"Hello, how are you?",  },]
has_thinking =Falsereasoning_content =""forchunkinclient.chat.completions.create(  model="deepseek-chat",  messages=messages,  extra_body={   "chat_mode":"chat_normal",  },  stream=True,  max_tokens=4096,):  delta_content = chunk.choices[0].delta.content ifhasattr(chunk.choices[0].delta,"reasoning_content"):    reasoning_content = chunk.choices[0].delta.reasoning_content ifreasoning_content:   ifnothas_thinking:     print("<thinking>", flush=True)   print(reasoning_content, end="", flush=True)    has_thinking =True ifdelta_content:   ifhas_thinking:     print("</thinking>", flush=True)   print(delta_content, end="", flush=True)    has_thinking =False

数据源扩展能力增强

后端支持新数据源后前端可自动识别和动态配置。

Agent 资源支持动态参数配置

前端自动识别资源配置参数，同时兼容旧版配置。

ReAct Agent 支持，Agent 工具调用能力增强

IndexStore 扩展能力增强

IndexStore 配置重构，新存储实现自动扫描发现。

AWEL flow 兼容性增强

基于多版本元数据实现 AWEL flow 的跨版本兼容。

ingFang SC", system-ui, -apple-system, system-ui, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;background-color: rgb(255, 255, 255);width: 29px !important;visibility: visible !important;"/>?Bug 修复

Chroma 支持中文知识库空间、AWEL Flow 问题修复、修复多平台 Lyric 安装报错问题以及修复本地 embedding 模型报错问题等40+bug。

支持 Ruff 的代码格式化、多版本文档构建、单元测试修复等20+其它的问题修复或者功能增强。

升级指南：

1.元数据库升级

对于 SQLite 的升级，默认会自动升级表结构。对于 MySQL 的升级，需要手动执行 DDL ，其中assets/schema/dbgpt.sql文件是当前版本完整的 DDL 文件，具体版本变更的 DDL 可以查看assets/schema/upgrade下面的变更 DDL，例如您是从v0.6.3升级到v0.7.0，可以执行下列的 DDL：

mysql-h127.0.0.1-uroot-p{your_password}<./assets/schema/upgrade/v0_7_0/upgrade_to_v0.7.0.sql

2.向量化数据库升级

由于 v0.7.0 Chroma 存储底层变更，0.7.0 不支持读取老版本的内容，请重新导入知识库、刷新数据源。其它向量化存储不影响