🚀 DB-GPT V0.8.3 — 从分析到可信交付:可追溯报告、数据看板与 Agent 可观测性
V0.8.2 完善了多文件输入、知识检索、并行子 Agent 和 人在回路,让复杂数据任务能够端到端执行。V0.8.3 进一步关注执行之后的结果如何核验、沉淀和持续使用:报告中的指标、图表和结论需要能够回到真实的 SQL、Python 与知识来源;一次分析形成的看板需要能够编辑、保存和发布;Agent 的模型调用、工具执行、Token 消耗与延迟也需要清晰可查。
围绕这些目标,本版本推出结构化可追溯分析报告与 Dashboard 工作区,新增 Agent 可观测性、LLM-Wiki、模型提供商配置界面和可配置 Sandbox 运行时,并扩展搜索、模型与向量存储生态,让 AI 数据助理从“完成分析”进一步走向“交付可复核、可维护的数据产品”。
关键特性速览
- 📊 结构化可追溯分析报告 — 将报告内容与真实执行产物关联,支持来源详情、证据图谱、版本保存及 HTML/PDF 导出
- 📈 Dashboard 工作区 — 将自然语言分析转化为可校验、可编辑、可保存、可发布和可分享的数据看板
- 🔭 Agent 可观测性 — 在一个界面中查看 Agent 执行链、模型用量、Token 成本、P95 延迟与错误率
- 📚 LLM-Wiki 与外部知识来源 — 自动构建可持续更新的知识页面和链接图谱,并新增飞书、语雀知识来源
- ⚙️ 可配置 Sandbox 运行时 — 支持 Local、Docker、Podman 和 Nerdctl,明确执行边界,不在容器失败时静默回退到宿主机
- 🧩 模型、搜索与存储生态扩展 — 新增模型提供商配置 UI、Synthorai、Serply、Keenable Search 和 Qdrant 元数据索引
- 🛡️ 安全与稳定性加固 — 收紧文件访问、知识空间和连接器接口边界,修复路径穿越、SQL 注入及多项报告与看板稳定性问题
核心特性
📊 可追溯分析报告:让每个重要结论都有据可查
数据分析报告的交付不能只停留在一段文字或几张图表。业务人员还需要知道:某个指标来自哪次查询,图表使用了哪些字段,计算依赖哪些输入文件,引用的业务口径来自哪篇文档。V0.8.3 新增结构化、可追溯的数据分析报告,将报告内容与任务执行过程中产生的真实结果关联起来。
- 捕获真实执行产物:记录 SQL 查询、Python 分析、知识库检索、文件读取和 Skill 执行产生的结果,而不是只保留模型生成后的文字。
- 绑定报告证据:通过稳定的产物 ID、字段路径和内容选择器,将指标、图表、表格和正文内容关联到对应来源。
- 查看上下游依赖:在来源详情和证据图谱中检查 SQL、代码、结果摘要、知识引用、输入文件及输出文件之间的关系。
- 保存不可变运行快照: 持久化报告、报告版本、执行产物、依赖关系和证据引用,重新打开后仍可复核。
- 改进校验与恢复:通过会话证据目录提供已知指标、字段路径和业务含义;对已保存的命名占位符模板优先进行程序化重渲染,减少不必要的模型修复调用。
- 支持报告交付:完善报告工作区、图表渲染以及 HTML/PDF 导出流程。
证据校验覆盖来源身份、字段路径、数值和图表绑定。对于能够与已捕获结果唯一对应的数据,系统可以程序化建立引用;来源无法确定或数值不一致时,仍会保留校验,避免将不确定内容静默渲染为可信结果。
证据绑定用于说明报告内容的来源,不代表系统已经自动验证全部自然语言结论的正确性。业务口径、分析假设和建议仍需结合实际场景复核。
首页同步新增 Olist 巴西电商经营诊断示例,将数据源、指标治理文档、知识索引和报告生成串成完整流程。内置数据库使用合成演示数据,并非真实 Olist 交易数据;如需基于真实数据分析,可按示例说明单独下载并导入。