企业官网建设流程全解析

DB-GPT 源码部署全指南：从 git clone 到本地 Agent 数据助手上线

【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI + Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT

导读

本文基于 DB-GPT 官方源码部署文档整理并深化，完整覆盖从环境评估、源码拉取、依赖安装到 Webserver 启动、数据库选型与示例数据加载的整套流程，并针对 OpenAI 代理、DeepSeek 代理、GLM4 本地模型三种典型部署场景给出可直接复制的配置与命令。通过本文，你将掌握使用uv管理依赖、解读dbgpt-proxy-*.toml/dbgpt-local-*.toml配置、切换 SQLite/MySQL 应用数据库、以及分离启动 Web 前端的完整实战能力。

环境要求

部署 DB-GPT 前，首先根据运行模式评估硬件资源。官方给出的最低要求如下：

其中"代理模型"指通过 API 调用云端大模型（如 OpenAI、DeepSeek），推理发生在服务商侧，因此本机无需 GPU；"本地模型"指使用 Hugging Face Hub 拉取的模型权重在本机完成推理，LLM 与 Embedding 模型都会占用显存，建议 24G 以上。需要说明的是，代理模式虽然不依赖 GPU，但 RAG 场景下的 Embedding 模型若使用provider = "hf"（本地推理）仍会消耗一定 CPU 与内存资源。

环境准备

下载源码

使用git clone拉取当前仓库源码：

git clone https://github.com/eosphoros-ai/DB-GPT.git cd DB-GPT

DB-GPT 采用 uv workspace 管理多包仓库，仓库根目录的 pyproject.toml 声明了dbgpt-app、dbgpt-client、dbgpt-core、dbgpt-ext、dbgpt-serve、dbgpt-sandbox以及dbgpt-accelerator/dbgpt-acc*等 workspace 成员，Python 版本要求>= 3.10。

安装 uv

uv 是本项目官方推荐的依赖与虚拟环境管理器，安装方式有以下几种：

• 命令行安装（macOS / Linux）

curl -LsSf https://astral.sh/uv/install.sh | sh

• 通过 PyPI / pipx 安装

python -m pip install --upgrade pip python -m pip install --upgrade pipx python -m pipx ensurepath pipx install uv --global

安装完成后，运行uv --version验证是否成功：

uv --version

更多安装方式可参考 uv 官方安装文档，也可以选择适合你平台的二进制包。

部署 DB-GPT

DB-GPT 的依赖通过uv sync按需组合安装。根据所选模型场景，在仓库根目录执行对应的依赖安装命令后，再启动 Webserver。

场景一：OpenAI 代理模型

安装依赖：代理模型只需基础组件 + OpenAI 兼容客户端 + RAG 与向量存储：

# Use uv to install dependencies needed for OpenAI proxy uv sync --all-packages \ --extra "base" \ --extra "proxy_openai" \ --extra "rag" \ --extra "storage_chromadb" \ --extra "dbgpts"

其中proxy_openai位于 packages/dbgpt-core/pyproject.toml，实际依赖openai>=1.59.6、tiktoken>=0.8.0与httpx[socks]；storage_chromadb位于 packages/dbgpt-ext/pyproject.toml，依赖chromadb>=0.4.22与onnxruntime。

配置 API Key：启动前必须在 configs/dbgpt-proxy-openai.toml 中提供 OpenAI API Key，或通过环境变量OPENAI_API_KEY注入：

# Model Configurations [models] [[models.llms]] ... api_key = "your-openai-api-key" [[models.embeddings]] ... api_key = "your-openai-api-key"

实际配置文件中[[models.llms]]与[[models.embeddings]]均支持环境变量占位，例如 LLM 默认为gpt-4o（${env:LLM_MODEL_NAME:-gpt-4o}），Provider 为proxy/openai，API 地址默认https://api.openai.com/v1，Embedding 默认为text-embedding-3-small，均可通过环境变量覆盖。

启动 Webserver：

uv run dbgpt start webserver --config configs/dbgpt-proxy-openai.toml

--config指定配置文件，configs/dbgpt-proxy-openai.toml是 OpenAI 代理模型配置，你也可以按需使用其他配置文件或自行创建。

可选启动方式：直接执行 Python 入口脚本：

uv run python packages/dbgpt-app/src/dbgpt_app/dbgpt_server.py --config configs/dbgpt-proxy-openai.toml

场景二：DeepSeek 代理模型

安装依赖：DeepSeek 通过 OpenAI 兼容接口调用，依赖与 OpenAI 代理场景一致：

uv sync --all-packages \ --extra "base" \ --extra "proxy_openai" \ --extra "rag" \ --extra "storage_chromadb" \ --extra "dbgpts"

配置 API Key 与 Embedding 模型：将 DeepSeek API Key 填入 configs/dbgpt-proxy-deepseek.toml。该文件默认 Embedding 模型为BAAI/bge-large-zh-v1.5，如需更换，可在[[models.embeddings]]段指定name与provider（Provider 可为hf，即从 Hugging Face 拉取模型在本机推理）：

# Model Configurations [models] [[models.llms]] # name = "deepseek-chat" name = "deepseek-reasoner" provider = "proxy/deepseek" api_key = "your-deepseek-api-key" [[models.embeddings]] name = "BAAI/bge-large-zh-v1.5" provider = "hf" # 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 # path = "the-model-path-in-the-local-file-system" path = "/data/models/bge-large-zh-v1.5"

[[models.llms]]中可切换deepseek-chat与deepseek-reasoner等模型；若本地已缓存模型权重，通过path指向本地路径可避免重复下载。

启动 Webserver：

uv run dbgpt start webserver --config configs/dbgpt-proxy-deepseek.toml

同样支持 Python 入口方式：

uv run python packages/dbgpt-app/src/dbgpt_app/dbgpt_server.py --config configs/dbgpt-proxy-deepseek.toml

场景三：GLM4 本地模型

安装依赖：本地模型需要 CUDA 运行时、Hugging Face Transformers、量化与 RAG 组件：

# Use uv to install dependencies needed for GLM4 # Install core dependencies and select desired extensions uv sync --all-packages \ --extra "base" \ --extra "cuda121" \ --extra "hf" \ --extra "rag" \ --extra "storage_chromadb" \ --extra "quant_bnb" \ --extra "dbgpts"

其中cuda121、quant_bnb定义于 packages/dbgpt-accelerator/dbgpt-acc-auto/pyproject.toml，分别用于安装 CUDA 12.1 版 PyTorch 与 bitsandbytes 量化支持；hf定义于 packages/dbgpt-core/pyproject.toml，包含transformers>=4.46.0、sentencepiece、sentence-transformers。

配置模型路径：修改 configs/dbgpt-local-glm.toml 指定模型名称与路径：

# Model Configurations [models] [[models.llms]] name = "THUDM/glm-4-9b-chat-hf" provider = "hf" # 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 # path = "the-model-path-in-the-local-file-system" [[models.embeddings]] name = "BAAI/bge-large-zh-v1.5" provider = "hf" # 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 # path = "the-model-path-in-the-local-file-system"

配置中[[models.llms]]指定 LLM 模型，[[models.embeddings]]指定 Embedding 模型。若未提供path参数，模型将按name从 Hugging Face Model Hub 自动下载；仓库默认配置（configs/dbgpt-local-glm.toml）中则指向本地models/THUDM/glm-4-9b-chat-hf与models/BAAI/bge-large-zh-v1.5路径，按需调整。

启动 Webserver：

uv run dbgpt start webserver --config configs/dbgpt-local-glm.toml

启动流程的源码原理

无论使用哪种启动方式，最终都会进入 Webserver 入口 packages/dbgpt-app/src/dbgpt_app/dbgpt_server.py。理解其内部流程有助于排查部署问题：

1. 配置加载：run_webserver(config_file)调用load_config(config_file)（dbgpt_server.py）。若未传--config，默认回退到configs/dbgpt-proxy-siliconflow.toml；相对路径会拼接仓库根目录。配置通过ConfigurationManager.from_file解析为SystemParameters与ApplicationConfig，并支持${env:...}环境变量占位。
2. 组件初始化：initialize_app完成日志初始化、server_init、路由挂载（/api下的 Chat、GptsApp、Knowledge 等）、模型 Worker 管理、数据库迁移（_migration_db_storage）以及默认数据源注册——若检测到Walmart_Sales示例数据库文件（位于 pilot/examples/Walmart_Sales.db 或 docker/examples/dashboard/Walmart_Sales.db），会自动将其注册为默认数据源。
3. Web 服务：run_uvicorn使用 Uvicorn 启动 HTTP 服务，绑定service.web段配置的host（默认0.0.0.0）与port（默认5670），并加载静态前端资源。

访问网站

Webserver 启动成功后，打开浏览器访问http://localhost:5670即可进入 DB-GPT Web 界面。

（可选）独立运行 Web 前端

DB-GPT 的 Web 前端源码位于 web 目录（Next.js 项目）。如需前后端分离开发调试，可单独启动前端：

cd web && npm install cp .env.template .env # Set API_BASE_URL to your DB-GPT server address, usually http://localhost:5670 npm run dev

随后浏览器访问http://localhost:3000。前端通过API_BASE_URL指向 DB-GPT Webserver 地址（通常为http://localhost:5670）完成 API 代理转发。若仅在开发调试场景使用分离部署，日常使用推荐直接访问5670端口的整合模式。

安装 DB-GPT 应用数据库

DB-GPT 应用自身的元数据（用户、会话、应用、插件等）存储于[service.web.database]配置段指定的数据库，支持 SQLite 与 MySQL 两种选择。

使用 SQLite（默认）

SQLite 为默认配置，无需手动建表，相关数据表会在首次启动时自动创建。在 toml 配置文件中确认：

[service.web.database] type = "sqlite" path = "pilot/meta_data/dbgpt.db"

仓库中三个示例配置文件均默认采用此配置，数据库文件生成于 pilot/meta_data/dbgpt.db。

使用 MySQL

⚠️ 注意：自 v0.4.7 起，出于安全考虑，DB-GPT 不再自动生成 MySQL 数据库 Schema，需要手动执行建库建表脚本。

第一步：执行 MySQL 脚本创建数据库与表（脚本位于 assets/schema/dbgpt.sql）：

mysql -h127.0.0.1 -uroot -p{your_password} < ./assets/schema/dbgpt.sql

第二步：修改 toml 配置文件，将数据库切换为 MySQL：

[service.web.database] type = "mysql" host = "127.0.0.1" port = 3306 user = "root" database = "dbgpt" password = "aa123456"

请将host、port、user、database、password替换为你自己的 MySQL 配置。此外，assets/schema/upgrade 目录下按版本存放了增量升级 SQL（如v0_8_0、v0_8_1、v0_8_2等），升级旧版本部署时可按需执行对应版本脚本。

加载内置测试数据（可选）

DB-GPT 内置了一批测试数据与示例 SQL，可加载到本地数据库用于快速体验与验证。

• Linux / macOS

bash ./scripts/examples/load_examples.sh

• Windows

.\scripts\examples\load_examples.bat

从脚本实现（load_examples.sh 与 load_examples.bat）可以看出其行为：依赖系统sqlite3命令，默认将 docker/examples/sqls 下所有*_sqlite.sql导入pilot/data/default_sqlite.db、所有*_sqlite_wide.sql导入pilot/data/wide_sqlite.db（SQLite 宽表场景示例，如订单宽表）。脚本也支持自定义参数：

./scripts/examples/load_examples.sh --db-file <sqlite_db_path> --sql-file <sql_file_to_run>

• -d / --db-file：指定目标 SQLite 数据库文件路径
• -f / --sql-file：指定要执行的单个 SQL 文件

加载完成后重新打开浏览器访问http://localhost:5670，即可在对话中体验示例数据库的分析能力。

常见问题与排障建议

• uv sync报错或依赖冲突：确认已位于仓库根目录（存在 pyproject.toml），并保持 uv 为最新版本；本地模型场景务必确认已安装匹配的 CUDA 驱动（cuda121extra 面向 CUDA 12.1）。
• 启动报Configuration file not found：--config相对路径基于仓库根目录解析（见 dbgpt_server.py），请检查路径拼写或改用绝对路径。
• 代理模型 401/超时：检查api_key是否正确配置，以及api_base是否指向可访问的接口地址（支持api_base/api_url自定义）。
• 本地模型显存不足：请确认 GPU 满足 24G 及以上要求，或考虑降低量化精度（quant_bnbextra 提供 bitsandbytes 量化支持）。
• MySQL 启动异常：确认已先执行 assets/schema/dbgpt.sql 完成建表，且账号具备相应权限。

至此，你已经完成了 DB-GPT 从源码到可运行实例的完整部署。无论是通过云端 API 的代理模式快速体验，还是基于本地模型的数据私密化部署，都可以按本文三种场景的组合灵活落地。

【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI + Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT