尧图网页设计 
DB-GPT 使用 llama.cpp Server 提供商进行本地 LLM 推理的完整配置与源码解析【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-GPTDB-GPT 通过llama.cpp.serverprovider 原生支持 llama.cpp 的 server 端从而在本地以 GPU/CPU 混合推理 F16 与量化GGUF模型并获得并发请求与连续批处理continuous batching能力。本文覆盖从安装依赖、下载模型到修改 TOML 配置的完整操作流程并深入 DB-GPT 源码中的适配器与推理函数实现帮助读者理解provider llama.cpp.server背后的加载链路、参数含义与推理细节。llama.cpp Server 提供商的定位与能力DB-GPT 内置了多种本地模型部署方式如huggingface、llama.cpp嵌入式加载、vllm、proxy/*等其中llama.cpp.server对应 llama.cpp 官方 examples/server 提供的纯 C 推理服务器。由于该服务器本身是独立进程DB-GPT 通过 Python 绑定包llama-cpp-server-py与其交互。从源码结构看该提供商的核心能力在 llama_cpp_server.py 模块头部注释中明确列出在 GPU 和 CPU 上对 F16 及量化模型进行 LLM 推理多用户并行的并行解码连续批处理continuous batching。在 base.py 中ModelType.LLAMA_CPP_SERVER llama.cpp.server定义了该 provider 的正式名称这也是后文配置文件中provider字段必须填写的字符串。安装依赖DB-GPT 使用uv管理依赖llama.cpp server 支持被定义为可选依赖组。查看 packages/dbgpt-core/pyproject.toml 可以看到llama_cpp_serverextra 的实际内容llama_cpp_server [ llama-cpp-server-py-core0.1.4, llama-cpp-server-py0.1.4, ]即安装该 extra 后会拉取llama-cpp-server-py-core与llama-cpp-server-py两个包前者提供LlamaCppServer、ServerConfig、ServerProcess等核心类后者携带实际的 server 二进制运行环境。NVIDIA GPU 用户可以在安装前设置环境变量CMAKE_ARGS-DGGML_CUDAON以启用 CUDA 支持编译时开启 ggml 的 CUDA 后端# Use uv to install dependencies needed for llama-cpp # Install core dependencies and select desired extensions CMAKE_ARGS-DGGML_CUDAON uv sync --all-packages \ --extra base \ --extra hf \ --extra cuda121 \ --extra llama_cpp_server \ --extra rag \ --extra storage_chromadb \ --extra quant_bnb \ --extra dbgpts纯 CPU 环境省略 CUDA 相关环境变量与 extra直接执行# Use uv to install dependencies needed for llama-cpp # Install core dependencies and select desired extensions uv sync --all-packages \ --extra base \ --extra hf \ --extra llama_cpp_server \ --extra rag \ --extra storage_chromadb \ --extra quant_bnb \ --extra dbgpts各 extra 的含义base为核心依赖hf提供 Hugging Face 模型下载与 transformers 能力cuda121为 CUDA 12.1 相关依赖仅 GPU 场景需要llama_cpp_server即本文主角rag、storage_chromadb与quant_bnb分别用于 RAG 检索、Chroma 向量存储与 bitsandbytes 量化dbgpts为调试工具集。下载模型官方示例以qwen2.5-0.5b-instruct的 GGUF 量化版为例Q4_K_M量化模型来自 Hugging Face 上的Qwen/Qwen2.5-0.5B-Instruct-GGUF仓库可用如下命令下载到本地wget https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct-GGUF/resolve/main/qwen2.5-0.5b-instruct-q4_k_m.gguf?downloadtrue -O /tmp/qwen2.5-0.5b-instruct-q4_k_m.gguf修改配置文件启用 llama.cpp.server在 DB-GPT 的 TOML 配置文件中将 LLM 的provider设置为llama.cpp.server并通过name与path指明模型# Model Configurations [models] [[models.llms]] name qwen2.5-0.5b-instruct-q4_k_m.gguf 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 /tmp/qwen2.5-0.5b-instruct-q4_k_m.gguf关键语义name是 DB-GPT 内部对模型的别名会被作为 server 端model_alias暴露path指向本地 GGUF 文件。若不配置path模型将尝试从 Hugging Face 模型中心下载默认回退仓库为ggml-org/models下的tinyllamas/stories260K.gguf见下文源码分析除name/provider/path外该 provider 还支持大量细粒度参数全部通过LlamaServerParameters数据类暴露详见下一节。仓库中也提供了一个可直接参考的完整示例配置 configs/dbgpt-local-llama-cpp-server.toml其中同时配置了 Web 服务端口、SQLite 数据库路径、Chroma 向量存储以及一个 LLMDeepSeek-R1-Distill-Qwen-1.5Bprovider 为llama.cpp.server和一个 HF 嵌入模型BAAI/bge-large-zh-v1.5provider 为hf[system] 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 [rag.storage] [rag.storage.vector] type chroma persist_path pilot/data # Model Configurations [models] [[models.llms]] name DeepSeek-R1-Distill-Qwen-1.5B provider llama.cpp.server path models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf [[models.embeddings]] name BAAI/bge-large-zh-v1.5 provider hf path models/BAAI/bge-large-zh-v1.5源码解析适配器与参数体系LlamaServerParameters全部可调参数所有llama.cpp.server专属参数定义在 llama_cpp_adapter.py 的LlamaServerParameters数据类中继承自LLMDeployModelParameters。按功能分组如下模型来源与位置参数默认值说明pathNone本地 GGUF 模型文件路径model_hf_repo/model_hf_fileNone从 Hugging Face 仓库下载模型时的仓库名与文件名model_urlNone模型下载 URL环境变量LLAMA_ARG_MODEL_URLdeviceNone运行设备None 时自动判定Server 进程配置参数默认值说明server_bin_pathNoneserver 可执行二进制路径server_host127.0.0.1server 绑定的主机地址server_port0server 绑定端口0表示随机可用端口startup_timeoutNoneserver 启动超时秒数加载逻辑中缺省为 300 秒性能与上下文参数默认值说明threadsNone生成线程数llama.cpp 默认 -1环境变量LLAMA_ARG_THREADSn_gpu_layersNone载入显存的层数设为极大值表示全部层LLAMA_ARG_N_GPU_LAYERSbatch_sizeNone逻辑最大 batchllama.cpp 默认 2048ubatch_sizeNone物理最大 batchllama.cpp 默认 512ctx_sizeNone提示上下文长度llama.cpp 默认 40960 表示从模型加载LLAMA_ARG_CTX_SIZEgrp_attn_n/grp_attn_wNoneGroup-attention 因子/宽度默认 1 / 512n_predictNone预测 token 数默认 -1 表示无限-2 表示直到上下文填满cont_batchingFalse启用连续批处理a.k.a. dynamic batchingconcurrency20模型并发上限功能开关与扩展参数默认值说明embeddingFalse仅以嵌入模型方式使用rerankingFalse启用 server 端 reranking 端点metricsFalse启用 Prometheus 兼容的 metrics 端点slotsFalse启用 slots 监控端点slot_save_path/n_slotsNoneKV cache 保存路径与 KV cache slot 数api_keyNoneserver 认证 API keyLLAMA_API_KEYlora_files[]LoRA 适配器路径列表可传多个draft/draft_max/draft_min/model_draftNone投机解码speculative decoding相关草稿 token 数默认 16/16/5与草稿模型路径no_context_shiftFalse禁用无限生成时的上下文移位no_webuiNone禁用 server 自带 Web UItemperature/seed0.8/42采样温度与随机种子ServerConfig 生成与 CUDA 自动优化generate_server_config()llama_cpp_adapter.py#L294-L320负责把上表参数映射到llama_cpp_server_py_core.ServerConfig并内置了两个关键行为CUDA 全层上卡优化当device为cuda且未显式指定n_gpu_layers时自动将n_gpu_layers设为1000000000一个极大值表示把所有层放入显存默认模型回退若path、model_url、model_hf_repo均未提供则回退到 Hugging Face 仓库ggml-org/models中的tinyllamas/stories260K.gguf演示模型并设置model_alias为配置的name。这意味着文档中未提供 path 时模型将从 Hugging Face 下载的行为正是由这段默认回退逻辑实现的。加载链路DB-GPT 如何拉起 server 进程LLamaServerModelAdapter.load_from_params()llama_cpp_adapter.py#L343-L358展示了模型加载的完整链路server_config params.generate_server_config() server ServerProcess(server_config) server.start(params.startup_timeout or 300) model_server LlamaCppServer(server, server_config) return model_server, model_server即生成 ServerConfig → 创建ServerProcess并启动默认等待 300 秒→ 用LlamaCppServer封装为推理客户端。适配器随后通过register_model_adapter(LLamaServerModelAdapter, supported_modelsCOMMON_LLAMA_CPP_MODELS)注册到 DB-GPT 模型适配器体系并声明provider llama.cpp.server时由本适配器接管match()方法。这也解释了为何配置中provider必须精确写作llama.cpp.server而不能简写为llama_cpp_server——后者只是 pyproject 中 extra 的命名不是 provider 标识provider的合法取值在 parameter.py 的valid_values中列出其中包含llama_cpp_server这一参数化别名。推理函数chat / completion 双模式与推理模型支持实际推理逻辑位于 llama_cpp_server.pygenerate/generate_stream根据参数chat_model默认True决定走 chat completion 还是裸 completion 路径非 chat 路径会构造CompletionRequestn_predict对应max_new_tokens并在流式响应中累计tokens_predicted/tokens_evaluated组装 usage 统计chat_generate_stream构造ChatCompletionRequest透传temperature、top_p、top_k、max_new_tokens、stop、presence_penalty、frequency_penalty等逐块解析delta.content并通过parse_chat_message支持思考型reasoning模型的think_start_token/think_end_token切分将思考内容与最终答案分离——这使 DB-GPT 可以正确处理 DeepSeek-R1 这类带思维链的模型输出_parse_finish_reason把 llama.cpp server 的结束原因limit映射为 OpenAI 风格的length其余非空值统一映射为stop。值得注意的健壮性处理流式循环中会跳过choices为空、delta为 None 或content为 None 的响应块源码注释说明这是为了兼容 Azure GPT-4o 等可能返回空 choices 的情形。使用建议与限制说明并发能力依赖连续批处理cont_batching默认为False。若期望利用文档中强调的并发请求与连续批处理需要在[[models.llms]]中显式配置cont_batching true端口管理server_port默认0随机可用端口由 DB-GPT 进程自管理生命周期一般无需手动指定如需与外部工具对接 server 端口可显式设置server_host/server_portCUDA 是编译期选项CMAKE_ARGS-DGGML_CUDAON影响的是安装时 ggml 的编译若首次以纯 CPU 方式安装过依赖启用 CUDA 后需要重新执行带该环境变量的安装命令适用前提本流程面向从源码使用uv安装 DB-GPT 的场景依赖版本以 packages/dbgpt-core/pyproject.toml 中llama_cpp_serverextra 声明的0.1.4为准若使用 Docker 镜像部署应参照仓库 docker 目录下的部署文档另行确认镜像是否内置该能力。参考文件官方中文文档docs/i18n/zh-CN/docusaurus-plugin-content-docs/current/installation/advanced_usage/Llamacpp_server.md示例配置configs/dbgpt-local-llama-cpp-server.tomlProvider 类型定义packages/dbgpt-core/src/dbgpt/model/base.py适配器与参数packages/dbgpt-core/src/dbgpt/model/adapter/llama_cpp_adapter.py推理函数实现packages/dbgpt-core/src/dbgpt/model/llm/llama_cpp/llama_cpp_server.py【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 DB-GPT 使用 llama.cpp Server 提供商进行本地 LLM 推理的完整配置与源码解析
DB-GPT 使用 llama.cpp Server 提供商进行本地 LLM 推理的完整配置与源码解析【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-GPTDB-GPT 通过llama.cpp.serverprovider 原生支持 llama.cpp 的 server 端从而在本地以 GPU/CPU 混合推理 F16 与量化GGUF模型并获得并发请求与连续批处理continuous batching能力。本文覆盖从安装依赖、下载模型到修改 TOML 配置的完整操作流程并深入 DB-GPT 源码中的适配器与推理函数实现帮助读者理解provider llama.cpp.server背后的加载链路、参数含义与推理细节。llama.cpp Server 提供商的定位与能力DB-GPT 内置了多种本地模型部署方式如huggingface、llama.cpp嵌入式加载、vllm、proxy/*等其中llama.cpp.server对应 llama.cpp 官方 examples/server 提供的纯 C 推理服务器。由于该服务器本身是独立进程DB-GPT 通过 Python 绑定包llama-cpp-server-py与其交互。从源码结构看该提供商的核心能力在 llama_cpp_server.py 模块头部注释中明确列出在 GPU 和 CPU 上对 F16 及量化模型进行 LLM 推理多用户并行的并行解码连续批处理continuous batching。在 base.py 中ModelType.LLAMA_CPP_SERVER llama.cpp.server定义了该 provider 的正式名称这也是后文配置文件中provider字段必须填写的字符串。安装依赖DB-GPT 使用uv管理依赖llama.cpp server 支持被定义为可选依赖组。查看 packages/dbgpt-core/pyproject.toml 可以看到llama_cpp_serverextra 的实际内容llama_cpp_server [ llama-cpp-server-py-core0.1.4, llama-cpp-server-py0.1.4, ]即安装该 extra 后会拉取llama-cpp-server-py-core与llama-cpp-server-py两个包前者提供LlamaCppServer、ServerConfig、ServerProcess等核心类后者携带实际的 server 二进制运行环境。NVIDIA GPU 用户可以在安装前设置环境变量CMAKE_ARGS-DGGML_CUDAON以启用 CUDA 支持编译时开启 ggml 的 CUDA 后端# Use uv to install dependencies needed for llama-cpp # Install core dependencies and select desired extensions CMAKE_ARGS-DGGML_CUDAON uv sync --all-packages \ --extra base \ --extra hf \ --extra cuda121 \ --extra llama_cpp_server \ --extra rag \ --extra storage_chromadb \ --extra quant_bnb \ --extra dbgpts纯 CPU 环境省略 CUDA 相关环境变量与 extra直接执行# Use uv to install dependencies needed for llama-cpp # Install core dependencies and select desired extensions uv sync --all-packages \ --extra base \ --extra hf \ --extra llama_cpp_server \ --extra rag \ --extra storage_chromadb \ --extra quant_bnb \ --extra dbgpts各 extra 的含义base为核心依赖hf提供 Hugging Face 模型下载与 transformers 能力cuda121为 CUDA 12.1 相关依赖仅 GPU 场景需要llama_cpp_server即本文主角rag、storage_chromadb与quant_bnb分别用于 RAG 检索、Chroma 向量存储与 bitsandbytes 量化dbgpts为调试工具集。下载模型官方示例以qwen2.5-0.5b-instruct的 GGUF 量化版为例Q4_K_M量化模型来自 Hugging Face 上的Qwen/Qwen2.5-0.5B-Instruct-GGUF仓库可用如下命令下载到本地wget https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct-GGUF/resolve/main/qwen2.5-0.5b-instruct-q4_k_m.gguf?downloadtrue -O /tmp/qwen2.5-0.5b-instruct-q4_k_m.gguf修改配置文件启用 llama.cpp.server在 DB-GPT 的 TOML 配置文件中将 LLM 的provider设置为llama.cpp.server并通过name与path指明模型# Model Configurations [models] [[models.llms]] name qwen2.5-0.5b-instruct-q4_k_m.gguf 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 /tmp/qwen2.5-0.5b-instruct-q4_k_m.gguf关键语义name是 DB-GPT 内部对模型的别名会被作为 server 端model_alias暴露path指向本地 GGUF 文件。若不配置path模型将尝试从 Hugging Face 模型中心下载默认回退仓库为ggml-org/models下的tinyllamas/stories260K.gguf见下文源码分析除name/provider/path外该 provider 还支持大量细粒度参数全部通过LlamaServerParameters数据类暴露详见下一节。仓库中也提供了一个可直接参考的完整示例配置 configs/dbgpt-local-llama-cpp-server.toml其中同时配置了 Web 服务端口、SQLite 数据库路径、Chroma 向量存储以及一个 LLMDeepSeek-R1-Distill-Qwen-1.5Bprovider 为llama.cpp.server和一个 HF 嵌入模型BAAI/bge-large-zh-v1.5provider 为hf[system] 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 [rag.storage] [rag.storage.vector] type chroma persist_path pilot/data # Model Configurations [models] [[models.llms]] name DeepSeek-R1-Distill-Qwen-1.5B provider llama.cpp.server path models/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf [[models.embeddings]] name BAAI/bge-large-zh-v1.5 provider hf path models/BAAI/bge-large-zh-v1.5源码解析适配器与参数体系LlamaServerParameters全部可调参数所有llama.cpp.server专属参数定义在 llama_cpp_adapter.py 的LlamaServerParameters数据类中继承自LLMDeployModelParameters。按功能分组如下模型来源与位置参数默认值说明pathNone本地 GGUF 模型文件路径model_hf_repo/model_hf_fileNone从 Hugging Face 仓库下载模型时的仓库名与文件名model_urlNone模型下载 URL环境变量LLAMA_ARG_MODEL_URLdeviceNone运行设备None 时自动判定Server 进程配置参数默认值说明server_bin_pathNoneserver 可执行二进制路径server_host127.0.0.1server 绑定的主机地址server_port0server 绑定端口0表示随机可用端口startup_timeoutNoneserver 启动超时秒数加载逻辑中缺省为 300 秒性能与上下文参数默认值说明threadsNone生成线程数llama.cpp 默认 -1环境变量LLAMA_ARG_THREADSn_gpu_layersNone载入显存的层数设为极大值表示全部层LLAMA_ARG_N_GPU_LAYERSbatch_sizeNone逻辑最大 batchllama.cpp 默认 2048ubatch_sizeNone物理最大 batchllama.cpp 默认 512ctx_sizeNone提示上下文长度llama.cpp 默认 40960 表示从模型加载LLAMA_ARG_CTX_SIZEgrp_attn_n/grp_attn_wNoneGroup-attention 因子/宽度默认 1 / 512n_predictNone预测 token 数默认 -1 表示无限-2 表示直到上下文填满cont_batchingFalse启用连续批处理a.k.a. dynamic batchingconcurrency20模型并发上限功能开关与扩展参数默认值说明embeddingFalse仅以嵌入模型方式使用rerankingFalse启用 server 端 reranking 端点metricsFalse启用 Prometheus 兼容的 metrics 端点slotsFalse启用 slots 监控端点slot_save_path/n_slotsNoneKV cache 保存路径与 KV cache slot 数api_keyNoneserver 认证 API keyLLAMA_API_KEYlora_files[]LoRA 适配器路径列表可传多个draft/draft_max/draft_min/model_draftNone投机解码speculative decoding相关草稿 token 数默认 16/16/5与草稿模型路径no_context_shiftFalse禁用无限生成时的上下文移位no_webuiNone禁用 server 自带 Web UItemperature/seed0.8/42采样温度与随机种子ServerConfig 生成与 CUDA 自动优化generate_server_config()llama_cpp_adapter.py#L294-L320负责把上表参数映射到llama_cpp_server_py_core.ServerConfig并内置了两个关键行为CUDA 全层上卡优化当device为cuda且未显式指定n_gpu_layers时自动将n_gpu_layers设为1000000000一个极大值表示把所有层放入显存默认模型回退若path、model_url、model_hf_repo均未提供则回退到 Hugging Face 仓库ggml-org/models中的tinyllamas/stories260K.gguf演示模型并设置model_alias为配置的name。这意味着文档中未提供 path 时模型将从 Hugging Face 下载的行为正是由这段默认回退逻辑实现的。加载链路DB-GPT 如何拉起 server 进程LLamaServerModelAdapter.load_from_params()llama_cpp_adapter.py#L343-L358展示了模型加载的完整链路server_config params.generate_server_config() server ServerProcess(server_config) server.start(params.startup_timeout or 300) model_server LlamaCppServer(server, server_config) return model_server, model_server即生成 ServerConfig → 创建ServerProcess并启动默认等待 300 秒→ 用LlamaCppServer封装为推理客户端。适配器随后通过register_model_adapter(LLamaServerModelAdapter, supported_modelsCOMMON_LLAMA_CPP_MODELS)注册到 DB-GPT 模型适配器体系并声明provider llama.cpp.server时由本适配器接管match()方法。这也解释了为何配置中provider必须精确写作llama.cpp.server而不能简写为llama_cpp_server——后者只是 pyproject 中 extra 的命名不是 provider 标识provider的合法取值在 parameter.py 的valid_values中列出其中包含llama_cpp_server这一参数化别名。推理函数chat / completion 双模式与推理模型支持实际推理逻辑位于 llama_cpp_server.pygenerate/generate_stream根据参数chat_model默认True决定走 chat completion 还是裸 completion 路径非 chat 路径会构造CompletionRequestn_predict对应max_new_tokens并在流式响应中累计tokens_predicted/tokens_evaluated组装 usage 统计chat_generate_stream构造ChatCompletionRequest透传temperature、top_p、top_k、max_new_tokens、stop、presence_penalty、frequency_penalty等逐块解析delta.content并通过parse_chat_message支持思考型reasoning模型的think_start_token/think_end_token切分将思考内容与最终答案分离——这使 DB-GPT 可以正确处理 DeepSeek-R1 这类带思维链的模型输出_parse_finish_reason把 llama.cpp server 的结束原因limit映射为 OpenAI 风格的length其余非空值统一映射为stop。值得注意的健壮性处理流式循环中会跳过choices为空、delta为 None 或content为 None 的响应块源码注释说明这是为了兼容 Azure GPT-4o 等可能返回空 choices 的情形。使用建议与限制说明并发能力依赖连续批处理cont_batching默认为False。若期望利用文档中强调的并发请求与连续批处理需要在[[models.llms]]中显式配置cont_batching true端口管理server_port默认0随机可用端口由 DB-GPT 进程自管理生命周期一般无需手动指定如需与外部工具对接 server 端口可显式设置server_host/server_portCUDA 是编译期选项CMAKE_ARGS-DGGML_CUDAON影响的是安装时 ggml 的编译若首次以纯 CPU 方式安装过依赖启用 CUDA 后需要重新执行带该环境变量的安装命令适用前提本流程面向从源码使用uv安装 DB-GPT 的场景依赖版本以 packages/dbgpt-core/pyproject.toml 中llama_cpp_serverextra 声明的0.1.4为准若使用 Docker 镜像部署应参照仓库 docker 目录下的部署文档另行确认镜像是否内置该能力。参考文件官方中文文档docs/i18n/zh-CN/docusaurus-plugin-content-docs/current/installation/advanced_usage/Llamacpp_server.md示例配置configs/dbgpt-local-llama-cpp-server.tomlProvider 类型定义packages/dbgpt-core/src/dbgpt/model/base.py适配器与参数packages/dbgpt-core/src/dbgpt/model/adapter/llama_cpp_adapter.py推理函数实现packages/dbgpt-core/src/dbgpt/model/llm/llama_cpp/llama_cpp_server.py【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考