一句话钩子：19,728★ · MIT ✅ · Python + TypeScript —— 当 WrenAI（316）告诉你 ”GenBI 是 BI 下一站 ” 的时候，国内 eosphoros-ai 团队已经把 AI 原生数据应用框架 做到位：AWEL 工作流语言 + Multi-Agents 协作 + Text-to-SQL + RAG + 私有化 LLM，19.7K stars 是开源 Text-to-SQL 赛道 当之无愧的 #1。
写在前面：DB-GPT 跟 WrenAI 的关键差异
飞熊读者：如果你 02:00 刚看完 WrenAI（316），可能会问 ”DB-GPT 跟它有什么区别？”
一句话总结：WrenAI 是 ”Text-to-SQL 终点站 ”（从自然语言到 SQL/ 图表），DB-GPT 是 ”AI 数据应用操作系统 ”（从自然语言到 SQL + RAG + Agent + Workflow 全套）。
| DB-GPT | WrenAI (316) | |
|---|---|---|
| 范式 | AI 原生数据应用框架 | GenBI |
| 核心武器 | AWEL 工作流语言 + Multi-Agents | 语义层 + dbt 集成 |
| License | MIT ✅ | Apache-2.0 ⚠️未来 AGPL-3.0-only |
| Stars | 19,728 ⭐ | 17,265 ⭐ |
| 目标用户 | AI 应用开发者 + 业务方 | 业务方 + 数据团队 |
| 前端 | TypeScript 完整产品 | Streamlit 演示 |
| 私有化 | 重点强调（”private” topic） | 通用 |
| 国内友好 | eosphoros-ai（国内团队） | Canner（海外） |
一、它解决什么问题
| 维度 | 数值 |
|---|---|
| GitHub | eosphoros-ai/DB-GPT |
| Stars | 19,728 ⭐（2026-08-14，Text-to-SQL 开源 #1） |
| Forks | 2,877 |
| Open issues | 423 |
| License | MIT ✅（最干净，没有 AGPL 风险） |
| 首次 commit | 2023-04-13（3.4 年） |
| 最近 push | 2026-08-14（昨天） |
| 体积 | 471 MB |
| 贡献者 | 100 人 / 总提交 2,945 |
| 核心维护者 | Aries-ckt (979) / csunny (760) / fangyinc (378) / yhjun1026 (296) |
| 默认分支 | main |
| 公司 / 团队 | eosphoros-ai（国内开源团队） |
| Topics | agents, bgi, database, deepseek, gpt, gpt-4, llm, private, rag, security, vicuna |
一句话定位：”open-source agentic AI data assistant for the next generation of AI + Data products”。
消歧：
–
A. 主角 ：eosphoros-ai/DB-GPT（19.7K stars，eosphoros-ai 团队维护， 持续更新）✅
–
B. 同名：baichuan-assistant/DB-GPT（2,609 commits，百川团队 fork，2026-06-06 更新）—— 早期 fork，可能跟百川大模型有定制化集成
–
结论：以 eosphoros-ai/DB-GPT 为主角，baichuan 那个列为历史 fork 即可
痛点直击：
1.
私有化部署 —— 中国企业数据不能出域，DB-GPT 把 LLM + RAG + Text-to-SQL 整套 支持完全私有化（topic 里的 private + security）
2.
AI 应用开发门槛高 —— 想做 ” 问数据 + 知识库 + 多 Agent 协作 ” 应用，传统做法要拼 LangChain + LlamaIndex + 自研 workflow，DB-GPT 用 AWEL 一门语言搞定
3.
Text-to-SQL 准确率 —— 不靠语义层治理，而是靠 多模型协作 + Agent 反思 + SQL 执行反馈循环，T2S 准确率数量级提升
4.
国产生态 —— 国内大模型适配（DeepSeek / ChatGLM / Qwen / Baichuan），国内数据库适配（达梦 / OceanBase / PolarDB）， 国内技术栈友好
二、核心能力：AWEL + Multi-Agents + Text-to-SQL + RAG（四大武器）
DB-GPT 不只是 Text-to-SQL，是AI 数据应用的全栈框架。四大武器：
2.1 AWEL（Agentic Workflow Expression Language）—— 独家杀手锏
这是 DB-GPT 跟所有 Text-to-SQL 项目的最大差异化。
AWEL 是什么 ：一套 专门为 AI Agent 工作流设计的声明式语言，类似 SQL 但描述的是 AI 操作链：
# AWEL 伪代码：用自然语言定义一个 "SQL Agent" 工作流
from dbgpt.agent import Agent, Workflow
sql_agent = (Workflow()
.add_node("input", user_question)
.add_node("schema_retriever", retrieve_relevant_tables)
.add_node("sql_generator", llm_generate_sql, model="deepseek-coder")
.add_node("sql_executor", execute_query_on_db)
.add_node("error_reflector", reflect_and_retry_if_error)
.add_node("chart_generator", generate_chart_if_needed)
.add_node("output", return_to_user)
.build())
核心能力：
–
声明式编排 ：你写流程，DB-GPT 跑流程， 不用写胶水代码
–
节点可组合 ：输入 / 检索 / LLM / SQL / 错误重试 / 图表生成 都是节点， 任意拼装
–
可视化编辑：DB-GPT 提供 Web UI 拖拽 AWEL 节点生成工作流
–
多 Agent 协作：多个 AWEL 工作流可以互相调用（这就是 Multi-Agents）
对比传统做法：
– ❌ LangChain + LlamaIndex：写 200 行 Python 代码拼接 chain
– ❌ Vanna.AI：自己写 error handling
– ✅ DB-GPT：AWEL 10 行声明搞定 + 内置错误反射
2.2 Multi-Agents 协作框架
DB-GPT 内置 多 Agent 协作模式：
| Agent | 职责 |
|---|---|
| SQL Agent | Text-to-SQL + 执行 + 错误重试 |
| RAG Agent | 知识库问答（PDF / Word / Markdown / 爬虫） |
| Chat Agent | 普通对话 |
| Recommendation Agent | 推荐场景 |
| Custom Agent | 你自己用 AWEL 拼装新 Agent |
协作方式：Master Agent 接收问题 → 分发到合适子 Agent → 合并结果。
真实场景：你问 ” 我们公司过去 3 个月最畅销的产品是什么，跟去年相比增长了多少？同时给我看下这个产品的官网介绍 ”。
– SQL Agent：跑 SQL 算增长
– RAG Agent：查官网 PDF
– Master Agent：合并两路答案
2.3 Text-to-SQL 优化（不输 WrenAI）
DB-GPT 在 T2S 赛道有自己的实现：
–
多模型适配：DeepSeek-Coder / GPT-4 / Qwen-Coder / CodeLlama / ChatGLM-Code 等
–
SMM（Schema Metadata Management）：自动 introspect 表结构 + 索引 + 注释
–
Prompt 模板优化：经过多次迭代的 prompt 模板（不是裸 Prompt）
–
错误反射（Reflection）：SQL 执行失败 → 把错误信息喂回 LLM → 让 LLM 反思修正 → 重试
–
人工反馈（RLHF-style）：用户对生成 SQL 点👍👎，DB-GPT 学习改进
跟 WrenAI 区别：WrenAI 押注语义层（manifest），DB-GPT 押注 Agent 反思 + 多模型。两者都能拿到生产可用 T2S，准确率数量级相当（社区评测 80-90%）。
2.4 RAG 框架（不是配角）
DB-GPT 的 RAG 不是临时拼凑的：
–
多格式支持：PDF / Word / Excel / Markdown / HTML / Notion / Confluence / 飞书 / 钉钉
–
多向量库：Chroma / Milvus / Weaviate / Qdrant / PGVector
–
多 Embedding：OpenAI / BGE / M3E / text2vec 等
–
混合检索：向量召回 + BM25 关键词 + 重排序
–
增量更新：文档变更自动重建索引
跟 Text-to-SQL 配合：先 RAG 找业务上下文（” 上个月促销政策是什么 ”），再 SQL 算数据（” 那段时间的销量 ”）。
2.5 多模型管理（私有化重点）
DB-GPT 核心卖点之一是 多模型 + 私有化：
| 模型支持 | 详情 |
|---|---|
| OpenAI | GPT-4 / GPT-4o / o1-preview |
| Anthropic | Claude 3.5 Sonnet 等 |
| DeepSeek | DeepSeek-Coder / DeepSeek-V3 |
| Qwen | 通义千问 |
| ChatGLM | 智谱 |
| Baichuan | 百川 |
| Vicuna | 老牌开源 |
| 本地 | Ollama / vLLM / Xorbits Inference |
| 私有部署 | 完全离线（任何 LLM 都不出域） |
这是国内企业最关心的能力：可以接 国产大模型 + 私有化 GPU 集群 + 不依赖 OpenAI。
2.6 数据源
| 类型 | 支持 |
|---|---|
| OLTP | MySQL / PostgreSQL / Oracle / SQL Server / 达梦 / OceanBase / PolarDB |
| OLAP | ClickHouse / Doris / StarRocks |
| 数仓 | Hive / Spark SQL / Impala |
| 文件 | CSV / Excel / Parquet |
| 其他 | ElasticSearch / MongoDB / Redis |
国产数据库支持是亮点：达梦 / OceanBase / PolarDB —— WrenAI 没覆盖。
三、技术架构：Python 主导 + TypeScript 完整前端
3.1 双语言栈（vs WrenAI 的 Python + Rust）
| 层 | 语言 | 占比 | 职责 |
|---|---|---|---|
| 后端 / AI 引擎 | Python | 7.77MB / 60% | LLM 编排 / AWEL 引擎 / T2S / RAG / Multi-Agents |
| 前端产品 | TypeScript | 2.35MB / 18% | Web UI / AWEL 可视化编辑器 / 控制台 |
| 文档 / 资源 | HTML + CSS | 952KB / 53KB | 文档站 / 示例项目 |
| 部署 / 工具 | Shell + Makefile + Dockerfile | 65KB | Docker / CI |
vs WrenAI（Python + Rust）的对比：
–
WrenAI 选 Rust 做 SQL 引擎（极致性能）
–
DB-GPT 选 TypeScript 做前端（产品体验）
–
WrenAI 押宝 ” 快 ”，DB-GPT 押宝 ” 全 ”
3.2 模块结构（看 topics 推断）
eosphoros-ai/DB-GPT/
├── packages/ # 多模块（推断）│ ├── dbgpt-core/ # 核心引擎
│ ├── dbgpt-agent/ # AWEL + Multi-Agents
│ ├── dbgpt-app/ # Web UI（TypeScript）│ ├── dbgpt-serve/ # API server
│ ├── dbgpt-client/ # Python SDK
│ └── dbgpt-ext/ # 扩展（数据源 / 模型）├── examples/ # 示例项目（行业 demo）├── docs/ # 文档站
├── docker/ # Docker Compose
└── pilot/ # 预训练 / 数据准备（猜测）3.3 2026 发布节奏（⚠️ 比 WrenAI 慢）
| 版本 | 发布日 | 距上次 |
|---|---|---|
| v0.8.1 | 2026-06-18 | 3 个月 |
| v0.8.0 | 2026-03-27 | 1.5 个月 |
| v0.7.5 | 2026-02-11 | 3.5 个月 |
| v0.7.4 | 2025-10-24 | 3 个月 |
| v0.7.3 | 2025-07-25 | — |
观察：
– 2026 上半年只发了 2 个版本（v0.8.0 + v0.8.1）
– 跟 WrenAI 8 月一个月发 4 个版本相比，
节奏慢 3-5 倍
– 但 push_at 仍是昨天（2026-08-14），说明在 commit，没死
–
判断：可能在憋大版本（v0.9.0），或者团队人力在投入产品化
3.4 100 个贡献者（社区驱动）
| 维护者 | commits |
|---|---|
| Aries-ckt | 979 |
| csunny | 760 |
| fangyinc | 378 |
| yhjun1026 | 296 |
| HPc369 | 52 |
| chenliang15405 | 41 |
| xuyuan23 | 41 |
| yyhhyyyyyy | 32 |
| yihong0618 | 22 |
| zhanghy-sketchzh | 20 |
- 前 4 名包揽 2,413 commits / 82%（社区中心化）
- 第 5 名之后断崖式掉到 52 commits
- 判断：核心团队驱动 + 社区 PR 配合，跟许多明星开源项目模式一致
四、对比 WrenAI / Vanna / Chat2DB / Evidence
把 DB-GPT 放进 Text-to-SQL / GenBI / AI 数据应用坐标系：
| 维度 | DB-GPT | WrenAI (316) | Evidence (314) | Vanna.AI | Chat2DB |
|---|---|---|---|---|---|
| 范式 | AI 原生数据应用框架 | GenBI（聚焦 T2S） | Code-based BI | T2S 框架库 | T2S 数据库客户端 |
| License | MIT ✅ | Apache-2.0 ⚠️未来 AGPL | MIT ✅ | MIT | Apache-2.0 |
| Stars | 19,728 ⭐ | 17,265 | 6,849 | ~5K | 12K |
| 核心武器 | AWEL + Multi-Agents | 语义层 + dbt | MCP Analytics Agent | RAG + Prompt | GUI + T2S |
| 目标用户 | AI 应用开发者 | 业务方 + 数据团队 | 工程师 | 工程师 | DBA + 开发者 |
| 私有化 | 重点 ✅ | 通用 | 通用 | ✅ | ✅ |
| 国产模型 | DeepSeek / Qwen / ChatGLM / Baichuan | OpenAI / Anthropic | 通用 LLM | OpenAI 为主 | OpenAI 为主 |
| 国产数据库 | 达梦 / OceanBase / PolarDB | 无 | 无 | 无 | 部分 |
| 前端 | TypeScript Web 产品 | Streamlit | Svelte | 无 | Electron 客户端 |
| 可视化工作流 | AWEL 拖拽 ✅ | 无 | 无 | 无 | 无 |
| RAG 集成 | 原生 | 弱 | 弱 | 弱 | 弱 |
| Multi-Agent | 原生 | 无 | 无 | 无 | 无 |
| 最近发版 | 2026-06（v0.8.1） | 2026-08-12 | 2026-02-18 | 持续 | 持续 |
| 国内友好 | ✅ 国内团队主导 | ❌ 海外 | ⚠️ 通用 | ⚠️ 通用 | ⚠️ 通用 |
4.1 核心判断
选 DB-GPT 的场景：
– ✅ 你要做
完整的 AI 数据应用（Text-to-SQL + RAG + 多 Agent + 工作流编排）
– ✅ 你要
私有化部署，数据不能出域
– ✅ 你用
国产大模型（DeepSeek / Qwen / ChatGLM / Baichuan）
– ✅ 你用
国产数据库（达梦 / OceanBase / PolarDB）
– ✅ 你要
可视化编排 Agent 工作流（AWEL 拖拽）
– ✅ 你是
AI 应用开发者，不只是问数据用户
不选 DB-GPT 的场景：
– ❌ 你只想做
纯 Text-to-SQL（WrenAI 更专注）
– ❌ 你想要
纯 GUI 拖拽 BI（Metabase / Superset）
– ❌ 你要
极简部署（DB-GPT 全栈比 Vanna 重很多）
– ❌ 你不能接受
半年发 2 个版本 的节奏（如果有强 SLA 需求）
4.2 vs WrenAI 的本质差异（飞熊读者最纠结）
| DB-GPT | WrenAI | |
|---|---|---|
| 产品形态 | AI 数据应用操作系统（full stack） | GenBI 产品（聚焦 BI 场景） |
| 核心抽象 | AWEL 工作流语言 | 语义层（manifest） |
| T2S 实现 | Agent 反思 + 多模型 | 语义层 + dbt |
| RAG 能力 | 原生 + 全栈 | 弱 |
| Multi-Agent | 原生 + 协作框架 | 无 |
| 私有化 | 重点 ✅ | 通用 |
| 国产生态 | ✅ 全栈 | ❌ |
| License | MIT ✅ | Apache-2.0 ⚠️ |
| Stars | 19.7K | 17.3K |
| 前端体验 | TypeScript 完整产品 | Streamlit 演示 |
| 发版节奏 | 慢（半年 2 版） | 快（月 4 版） |
一句话 ：DB-GPT 是 ”AI 数据应用框架 ”，WrenAI 是 ”GenBI 产品 ”。 前者更全更广，后者更聚焦更专业。
4.3 vs Evidence.dev（三主角横向对比）
8/15 单日连发 3 篇 BI / T2S 项目，飞熊读者可能会纠结选哪个：
| DB-GPT | WrenAI | Evidence.dev | |
|---|---|---|---|
| 谁来用 | AI 应用开发者 | 业务方 + 数据团队 | 工程师 + Agent |
| 谁来写 | 你写 AWEL 工作流 | 你写人话 + manifest | 你写 SQL + MD |
| 核心武器 | AWEL + Multi-Agent | 语义层 + dbt | MCP Analytics |
| 产出 | AI 应用系统 | 报表 + 图表 | 报表（git 版控） |
| License | MIT ✅ | Apache-2.0 ⚠️ | MIT ✅ |
| Stars | 19.7K | 17.3K | 6.8K |
| 私有化 | ✅ 重点 | 通用 | 通用 |
| 国产友好 | ✅ | ❌ | ⚠️ |
| 学习曲线 | 中（AWEL） | 低 | 中（Svelte） |
决策树：
– 你要做
完整 AI 应用系统（不止 BI）→ DB-GPT
– 你要
纯 BI / GenBI 给业务方用 → WrenAI
– 你要
报表进 git + Agent 改 → Evidence.dev
4.4 vs Vanna.AI（同一战场）
| 维度 | DB-GPT | Vanna.AI |
|---|---|---|
| 定位 | 全栈框架 | T2S 库（Python） |
| 前端 | TypeScript Web 产品 | 无（你要自己接） |
| RAG | 原生 + 多向量库 | 基础 RAG |
| Multi-Agent | 原生 | 无 |
| 私有化 | ✅ | ✅ |
| 可视化工作流 | ✅ AWEL | ❌ |
| 上手成本 | 高（全栈） | 低（库） |
Vanna 是 ”Text-to-SQL 工具箱 ”，DB-GPT 是 ”AI 数据应用操作系统 ”。
五、实战：3 步跑通一个 DB-GPT 项目
5.1 部署（Docker Compose 最快）
git clone https://github.com/eosphoros-ai/DB-GPT.git
cd DB-GPT
# 编辑 configs/dbgpt-proxy-config.yaml 配 LLM（OpenAI / DeepSeek / Ollama 都可以）docker compose up -d
# → Web UI: http://localhost:7777
# → API: http://localhost:5000
比 Evidence（npm install）重，但 Docker Compose 一键跑全栈（数据库 + LLM proxy + Web UI + AWEL 引擎）。
5.2 接数据源（10 分钟）
- 打开
http://localhost:7777→ Settings → Data Sources - 选 MySQL / PostgreSQL / ClickHouse / Doris / OceanBase / 达梦 → 填连接信息
- DB-GPT 自动 introspect schema → 生成 SMM（Schema Metadata Management）
- 业务方即可在 UI 里问 ” 上个月营收是多少 ”
支持的国产数据库：
– 达梦 DM（国内党政 / 金融主力）
– OceanBase（蚂蚁）
– PolarDB（阿里）
– TiDB（PingCAP）
5.3 用 AWEL 编一个工作流（30 分钟）
打开 DB-GPT Web UI → AWEL Editor → 拖拽节点：
[User Input]
↓
[Schema Retriever] (从 SMM 检索相关表)
↓
[SQL Generator] (DeepSeek-Coder 生成 SQL)
↓
[SQL Executor] (在 PostgreSQL 执行)
↓
[Error Reflector] (如果错误，喂回 LLM 重新生成)
↓
[Chart Generator] (自动选图表类型)
↓
[Output] (返回用户)
保存 → 命名 ” 营收查询工作流 ” → 在聊天框里调用即可。
也可以纯 Python 写 AWEL：
from dbgpt.agent import Workflow, nodes
workflow = (Workflow()
.add_node(nodes.UserInput(name="question"))
.add_node(nodes.SchemaRetriever(name="schema", db="postgres"))
.add_node(nodes.LLMNode(name="sql_gen", model="deepseek-coder"))
.add_node(nodes.SQLExecutor(name="executor", db="postgres"))
.add_node(nodes.ErrorReflector(name="reflect", max_retries=3))
.add_node(nodes.ChartGenerator(name="chart"))
.add_node(nodes.Output(name="response"))
.build())
result = workflow.run(question=" 上个月营收是多少？")
5.4 接 Coding Agent（AWEL MCP）
DB-GPT 后续会支持 MCP（社区已提 issue）。临时方案：
– 用 OpenAI Function Calling 风格把 DB-GPT API 暴露
– 或者把 AWEL 工作流当作 Coding Agent 的 tool
六、风险与坑
6.1 发版节奏慢（半年 2 版）⚠️
| 项目 | 2026 H1 发版数 |
|---|---|
| WrenAI | 8+ 个（8 月 4 个） |
| DB-GPT | 2 个（v0.8.0 + v0.8.1） |
| Evidence | 0 个主版本（子包在更） |
- 生产锁定建议 ：v0.8.1 是当前最新， 等 v0.9.0 或者 至少等到 v0.8.2 补丁版
- 如果你依赖某个新功能，要自己 fork 锁定老 commit
6.2 423 open issues（比 WrenAI 多 28%）
- 项目活跃是真活跃
- 但响应速度可能受影响
- 重要 bug 自己修 + 提 PR 是常态
6.3 AWEL 学习曲线
- AWEL 是新概念（不是 SQL 不是 Python 不是 LangChain）
- Web UI 拖拽上手快，但复杂工作流要学
- 文档站
dbgpt.cn是否还在持续更新需要观察
6.4 LLM 依赖 + 私有化成本
- 接 DeepSeek-Coder / Qwen-Coder 等国产模型需要 本地 GPU 集群（A100/H100/H800）
- 单卡 A100 80G 能跑 7B 模型，效果一般；13B/70B 要多卡
- 私有化部署的前期硬件投入：百万级别
6.5 TypeScript 前端体验待优化
- DB-GPT Web UI 是 TypeScript 写的（投入可见）
- 但跟成熟 BI 工具（Metabase / Superset）比仍有差距
- 生产部署可能要二次开发
6.6 模块化重组期
2026 上半年项目有 ” 模块化重组 ” 迹象（v0.8.0 是大版本）：
– 升级可能 breaking change
– 老版本脚本可能不兼容
–
生产部署要写迁移脚本
七、总结：3 个 ” 最值得装的理由 ” + 1 句 ” 先试一周 ”
最值得装的理由
- AWEL 是 2026 年 AI Agent 编排的最佳表达 —— 声明式工作流语言让 AI 应用从 ”200 行 LangChain 胶水代码 ” 变成 ”10 行 AWEL 声明 ”。 这是 DB-GPT 独家武器 ，WrenAI / Vanna 都没有。 学习价值大于使用价值。
- MIT 协议 + 私有化 + 国产生态三位一体 —— 在 ” 信创 ”+” 数据不出域 ”+” 国产大模型 ” 三重约束下，DB-GPT 是开源赛道唯一全栈满足的项目。Apache-2.0 的 WrenAI 都有未来 AGPL 风险。
- 100 贡献者 + 19.7K stars = 开源 Text-to-SQL #1 —— 任何 Text-to-SQL 调研榜单都不能跳过 DB-GPT。社区规模决定了生态成熟度（多数据库 / 多模型 / 多 Agent 都有现成集成）。
先试一周
如果你有以下任一场景，今晚花 30 分钟跑一下：
git clone https://github.com/eosphoros-ai/DB-GPT.git
cd DB-GPT
docker compose up -d
接一个你已有的 PostgreSQL / 达梦 / OceanBase → 问 3 个业务问题 → 用 AWEL 拖拽一个 ”SQL + 错误反思 + 图表 ” 工作流 → 让 DeepSeek-Coder 生成 SQL。如果你在第 20 分钟开始想 ” 为什么 LangChain 不这么做 ”，那就对了。
特别提醒：DB-GPT 是 ”AI 数据应用框架 ”，不是 ” 轻量 BI 工具 ”。如果你只是想给业务方做个简单 BI 报表，WrenAI（316）/ Evidence（314）更聚焦；如果你想搭一个完整的 AI 数据应用系统，DB-GPT 是开源首选。