Agent 框架
DB-GPT 提供了一个数据驱动的多智能体框架，用于构建能够协作、调用工具、访问数据库，并在多轮会话中保持记忆的自治 AI agent。
Agent 架构
DB-GPT 中的每个 agent 都围绕五个核心模块构建：
| 模块 | 作用 |
|---|---|
| Profile | 定义 agent 的角色、名称、目标和约束 |
| Memory | 存储会话历史与已学习信息 |
| Planning | 将复杂任务拆分为可执行步骤 |
| Action | 执行工具调用、查询和其他动作 |
| Resource | 提供对工具、数据库、知识库的访问 |
关键概念
ConversableAgent
所有 agent 的基础类。它实现了完整的会话循环：接收消息、思考（规划）、执行动作、返回响应。
多智能体协作
多个 agent 可以共同完成复杂任务：
- Sequential —— 多个 agent 按顺序传递结果
- Parallel —— 多个 agent 同时处理子任务
- Manager-Worker —— 由规划型 agent 把任务分发给专业 agent
记忆类型
| 记忆类型 | 范围 | 持久化 |
|---|---|---|
| Sensory | 当前消息 | 无 |
| Short-term | 当前会话 | Session |
| Long-term | 跨会话 | Database |
| Hybrid | 组合以上三种 | 混合 |
内置 agent 类型
DB-GPT 内置了多种预定义 agent：
- Data Analysis Agent —— 数据分析、SQL 生成、图表创建
- Summary Agent —— 长文档与会话摘要
- Code Agent —— 代码生成与执行
- Chat Agent —— 通用对话型 agent
快速示例
from dbgpt.agent import ConversableAgent, AgentContext
# 定义一个简单的自定义 agent
agent = ConversableAgent(
name="DataAnalyst",
role="You are a data analysis expert",
goal="Help users analyze data and generate insights",
llm_config={"model": "chatgpt_proxyllm"},
)
# 发起一次对话
result = await agent.a_send("Analyze the sales trends for Q4 2024")
下一步
- Agent Introduction —— 更完整的 agent 框架说明
- Custom Agents —— 自定义 agent 开发
- Agent Tools —— 将 agent 连接到工具
- Agent Planning —— 任务分解与规划策略