DB-GPT V0.6.3 版本更新：支持 SiliconCloud 模型、新增知识处理工作流等

DB-GPT V0.6.3版本现已上线，快速预览新特性:

 新特性

1. 支持 SiliconCloud 模型，让用户体验多模型的管理能力

如何使用：

• 修改环境变量文件.env，配置SiliconCloud模型

#  使用 SiliconCloud 的代理模型
LLM_MODEL=siliconflow_proxyllm
# 配置具体使用的模型名称
SILICONFLOW_MODEL_VERSION=Qwen/Qwen2.5-Coder-32B-Instruct
SILICONFLOW_API_BASE=https://api.siliconflow.cn/v1
# 记得填写您在步骤2中获取的 API Key
SILICONFLOW_API_KEY={your-siliconflow-api-key}

# 配置使用 SiliconCloud 的 Embedding 模型
EMBEDDING_MODEL=proxy_http_openapi
PROXY_HTTP_OPENAPI_PROXY_SERVER_URL=https://api.siliconflow.cn/v1/embeddings
# 记得填写您在步骤2中获取的 API Key
PROXY_HTTP_OPENAPI_PROXY_API_KEY={your-siliconflow-api-key}
# 配置具体的 Embedding 模型名称
PROXY_HTTP_OPENAPI_PROXY_BACKEND=BAAI/bge-large-zh-v1.5


# 配置使用 SiliconCloud 的 rerank 模型
RERANK_MODEL=rerank_proxy_siliconflow
RERANK_PROXY_SILICONFLOW_PROXY_SERVER_URL=https://api.siliconflow.cn/v1/rerank
# 记得填写您在步骤2中获取的 API Key
RERANK_PROXY_SILICONFLOW_PROXY_API_KEY={your-siliconflow-api-key}
# 配置具体的 rerank 模型名称
RERANK_PROXY_SILICONFLOW_PROXY_BACKEND=BAAI/bge-reranker-v2-m3

注意，上述的语言模型（SILICONFLOW_MODEL_VERSION)、 Embedding 模型（PROXY_HTTP_OPENAPI_PROXY_BACKEND）和 rerank 模型(RERANK_PROXY_SILICONFLOW_PROXY_BACKEND)可以从《获取用户模型列表 - SiliconFlow》（https://docs.siliconflow.cn/api-reference/models/get-model-list）中获取。

• 通过DB-GPT Python SDK使用

pip install "dbgpt>=0.6.3rc2" openai requests numpy

• 使用SiliconCloud的大语言模型

import asyncio
import os
from dbgpt.core import ModelRequest
from dbgpt.model.proxy import SiliconFlowLLMClient

model = "Qwen/Qwen2.5-Coder-32B-Instruct"
client = SiliconFlowLLMClient(
    api_key=os.getenv("SILICONFLOW_API_KEY"),
    model_alias=model
)

res = asyncio.run(
    client.generate(
        ModelRequest(
            model=model,
            messages=[
                {"role": "system", "content": "你是一个乐于助人的 AI 助手。"},
                {"role": "human", "content": "你好"},
            ]
        )
    )
)
print(res)

更多使用方式参考《在 DB-GPT 中使用 - SiliconFlow》（https://docs.siliconflow.cn/usercases/use-siliconcloud-in-DB-GPT）

2. 新增知识处理工作流，支持Embedding加工，知识图谱加工，混合知识加工处理

目前DB-GPT知识库提供了文档上传->解析->切片->Embedding->知识图谱三元组抽取->向量数据库存储->图数据库存储等单一的知识加工的能力，但是不具备对文档进行复杂的，多元化的信息抽取能力，因此希望通过构建知识加工工作流来完成复杂的，多元化的，可视化的，用户可自定义的知识抽取，转换，加工流程。

如何使用：

• 导入工作流模

• 保存并注册为服务

curl --location --request POST 'http://localhost:5670/api/v1/awel/trigger/rag/knowledge/hybrid/process' \
--header 'Content-Type: application/json' \
-d '{}'

[
    "async persist vector store success 9 chunks.",
    "async persist graph store success 9 chunks."
]

更多使用方式参考《知识加工》（https://www.yuque.com/eosphoros/dbgpt-docs/vg2gsfyf3x9fuglf）。

 3. ChatData 场景支持 OceanBase 向量可视化

 4. GraphRAG 社区总结优化，通过并行总结抽取提升索引构建性能

GraphRAG，作为DB-GPT开源项目的重要模块之一，近期获得了显著的技术改进和性能提升。这个创新框架通过巧妙结合图数据库技术与检索增强生成（RAG）方法，在处理复杂数据关系任务上展现出优越性能。

核心改进包括三个关键方面：

• 首先，引入了文档结构（Document Structure）索引，通过识别文档的层级关系，构建了包含"next"（顺序关系）和"include"（包含关系）两种边的有向图结构。

• 其次，在知识图谱构建环节，创新性地采用了"上下文增强"方法和并发抽取优化，将任务处理时间降低至原有耗时的20%。

• 第三，实现了多维度的检索框架，包括三元组图谱检索（局部）、社区摘要检索（全局）和文档结构检索（原文）。

在基于TuGraph基座的图数据建模阶段，GraphRAG 定义了三种节点类型（document、chunk、entity）和五种边类型（包含关系边和顺序关系边），为知识图谱的构建和检索提供了坚实的基础。在社区摘要方面，采用Leiden算法进行社区检测，通过社区文本化和总结，提供了知识的宏观视角。

相比微软的GraphRAG方案，DB-GPT GraphRAG避免了中间态回答（微软GraphRAG一个中间过程）可能带来的信息损失和语义理解偏差，同时我们还支持文档结构溯源，能够为用户提供更可靠的原文参考信息。这些改进使得GraphRAG在保持知识完整性的同时，显著提升了系统性能和用户体验。

在性能测试方面，与微软版本的GraphRAG相比，DBGPT GraphRAG在保持相近的文档输入规模（42,631 tokens）的情况下取得了显著成果：总Token消耗降低至42.9%（417,565 vs 972,220），生成Tokens量减少至18.4%（41,797 vs 227,230），构建知识图谱的时间缩短至80.1%（170s vs 210s）。同时，对照组和实验组的图谱结构均保持了相当的复杂度（734节点/1164边 vs 779节点/967边），确保了知识表示的完整性。

展示示例：（GraphRAG 也可以向用户展示数据来源/原始文档）

总得来说，GraphRAG取得了不错的效果：在构建同样规模的知识图谱的情况下，我们在构建图谱这个任务上，花费了更少的时间（约80%），消耗了更少的 tokens（约40%）。同时，在回答需要全局检索的用户问题时，根据测试结果，我们版本的 GraphRAG 在时间和 tokens 的消耗上更具优势。此外，我们的 GraphRAG 得益于文档结构的支持，可以搜索原文，并将原文作为参考文本的一个部分返回给用户，让用户可以获得更可靠的原文信息。

后续，我们将支持更加复杂、更加智能的检索链路（相似度检索、自然语言转GQL检索）。DB-GPT GraphRAG的演进一直在路上，敬请期待。

5.  ChatData 针对大宽表场景进行Schema-Linking优化

测试大宽表sql：

/DB-GPT/docker/examples/sqls/case_3_order_wide_table_sqlite_wide.sql

 6. 聊天对话支持 max output tokens 参数

如何设置：

 7. 支持 Claude 模型服务

• .env 文件进行配置

LLM_MODEL=claude_proxyllm
ANTHROPIC_MODEL_VERSION=claude-3-5-sonnet-20241022
ANTHROPIC_BASE_URL=https://api.openai-proxy.org/anthropic
ANTHROPIC_API_KEY={your-claude-api-key}

• python使用

import asyncio

from dbgpt.core import ModelRequest
from dbgpt.model.proxy import ClaudeLLMClient

client = ClaudeLLMClient(model_alias="claude-3-5-sonnet-20241022")
print(
    asyncio.run(
        client.generate(
            ModelRequest._build("claude-3-5-sonnet-20241022", "Hi, claude!")
        )
    )
)

8. Agent 支持上下文记忆

• 通过在 .env 文件进行配置

MESSAGES_KEEP_START_ROUNDS=0
MESSAGES_KEEP_END_ROUNDS=2

 🐞 Bug 修复

• 修复了删除图空间后创建同名问题

• 修复了构建Docker 镜像问题

• 修复了httpx v0.28.0 proxies 问题

• 修复Chat Data fix sql not found error 问题

• 修复了EmbeddingAssemblerOperator算子连接问题

• 解决fastapi版本问题

 其他

1、 发布DB-GPT Agent论文ROMAS: A Role-Based Multi-Agent System for Database monitoring and Planning（https://arxiv.org/abs/2412.13520）

2、升级dbgpt-tugraph-plugins版本升级到0.1.1

官方文档地址

英文网址：http://docs.dbgpt.cn/docs/overview/

中文网址：https://www.yuque.com/eosphoros/dbgpt-docs/bex30nsv60ru0fmx

致谢

感谢所有贡献者使这次发布成为可能！

@Appointat, @Aries-ckt, @FOkvj, @GITHUBear, @HYSMN, @Sween1y, @fangyinc, @fanzhidongyzby, @toralee and @yhjun10