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

版本介绍

DB-GPT是一个开源的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。

✨新特性

1.支持 **MCP(Model Context Protocol)**协议

使用说明：

a. 运行 MCP SSE Server 网关:

复制代码

npx -y supergateway --stdio "uvx mcp-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

2.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：Quickstart | DB-GPT

数据分析场景：

知识库场景：

3.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:

复制代码

[rag.storage.graph]
type = "TuGraph"
host="127.0.0.1"
port=7687
username="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=20
similarity_search_topk=5
extract_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:

复制代码

[rag.storage.graph]
type = "TuGraph"
host="127.0.0.1"
port=7687
username="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"

4.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dbgpt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。

5.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：Quickstart | DB-GPT

所有配置参考：ChatDashboardConfig Configuration | DB-GPT

复制代码

[system]
# Load language from environment variable(It is set by the hook)
language = "${env:DBGPT_LANG:-zh}"
api_keys = []
encrypt_key = "your_secret_key"

# Server Configurations
[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"

# Model Configurations
[models]
[[models.llms]]
name = "deepseek-reasoner"
# name = "deepseek-chat"
provider = "proxy/deepseek"
api_key = "your_deepseek_api_key"

6.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：

复制代码

[[serves]]
type = "file"
# Default backend for file server
default_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 server
type = "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： S3StorageConfig Configuration | DB-GPT

7.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：

复制代码

# Model Configurations
[models]
[[models.llms]]
name = "DeepSeek-R1-Distill-Qwen-1.5B"
provider = "llama.cpp.server"
# If not provided, the model will be downloaded from the Hugging Face model hub
# uncomment the following line to specify the model path in the local file system
# 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

8.多模型部署持久化

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。

9.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。

10.原生场景支持基于对话轮数和 Token 数的记忆，每个场景支持独立配置

配置样例：

复制代码

[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 = 0.1
duckdb_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 = 50
memory = {type="window", keep_start_rounds=0, keep_end_rounds=10}

11.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。

12.前端页面支持 LaTeX 数学公式渲染

13.AWEL Flow 支持简单对话模板

14.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：

复制代码

docker run -it --rm -e SILICONFLOW_API_KEY=${SILICONFLOW_API_KEY} \
 -p 5670:5670 --name dbgpt eosphorosai/dbgpt-openai

同时可以使用构建脚本构建自己的镜像：

复制代码

bash docker/base/build_image.sh --install-mode openai

具体可看文档： Quickstart | DB-GPT

15.DB-GPT API 兼容 OpenAI SDK

复制代码

from openai import OpenAI

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 = False
reasoning_content = ""
for chunk in client.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
    if hasattr(chunk.choices[0].delta, "reasoning_content"):
        reasoning_content = chunk.choices[0].delta.reasoning_content
    if reasoning_content:
        if not has_thinking:
            print("<thinking>", flush=True)
        print(reasoning_content, end="", flush=True)
        has_thinking = True
    if delta_content:
        if has_thinking:
            print("</thinking>", flush=True)
        print(delta_content, end="", flush=True)
        has_thinking = False

16.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。

17.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。

18.ReAct Agent 支持，Agent 工具调用能力增强

19.IndexStore 扩展能力增强

IndexStore 配置重构，新存储实现自动扫描发现

20.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。

🐞 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。

🛠️其他

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：

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：

复制代码

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

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。

✨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！

[email protected], @15089677014, @Aries-ckt, @FOkvj, @Jant1L, @SonglinLyu, @TenYearOldJAVA, @Weaxs, @cinjoseph, @csunny, @damonqin, @dusx1981, @fangyinc, @geebytes, @haawha, @utopia2077, @vnicers, @xuxl2024, @yhjun1026, @yunfeng1993, @yyhhyyyyyy and tam

本次版本耗时近三个月，合并到 main 分支一个多月，上百位用户参与 0.7.0 版本的测试，Github 收到上百个 issues 反馈，也有部分用户直接给我们提交了修复的 PR，DB-GPT 社区在此真心感谢每一位参与 0.7.0 版本的用户和贡献者！

✨附录

快速开始：http://docs.dbgpt.cn/docs/next/quickstart/

docker 快速部署：http://docs.dbgpt.cn/docs/next/installation/docker/