尧图网页设计 
DB-GPT V0.8.1 深度解读定时任务、MCP 连接器与长程 Agent 上下文管理构建生产化 AI 数据助理【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本文基于 DB-GPT 仓库中的 V0.8.1 发版说明Released_V0.8.1.md系统梳理该版本让 AI 数据助理走向生产的三大核心能力定时任务Scheduled Tasks、MCP 连接器MCP Connectors、上下文管理与任务计划追踪并结合仓库源码验证元数据库变更、调度器生命周期与分层上下文压缩的实现细节。读完本文你可以独立完成从 v0.8.0 到 v0.8.1 的升级理解新版元数据表结构并掌握 LiteLLM 代理、Qdrant/Valkey 存储等生态扩展的配置方式。从“任务交付”到“生产化工作流”DB-GPT V0.8.0 完成了从“对话问答”到“任务交付”的范式跃迁。V0.8.1 则面向真实团队的持续使用场景回答四个更偏生产化的问题一次成功的数据分析很有价值如何按周期重复执行而不必每次重新对话只连接数据库的 Agent 能力有限如何让它安全接入外部系统与业务工具复杂分析往往会运行很多步如何让它稳定控制上下文窗口并让用户看清楚它在做什么生产数据库 Schema 庞大如何让连接器构建、Schema 索引和向量检索更快、更可靠围绕这些问题V0.8.1 引入了定时任务、MCP 连接器、上下文管理与任务计划追踪同时扩展模型、数据源、向量存储和缓存生态并补充一批面向生产环境的性能、安全与兼容性修复。本版本的核心价值可以概括为让 AI 数据助理从“能完成一次复杂分析”进一步走向“能被团队反复使用、持续运行和稳定运维”。关键特性速览特性说明⏰ 定时任务将已完成的对话保存为周期性任务按 Cron 计划重放 Agent 流程 MCP 连接器通过 Model Context Protocol 将 Agent 接入外部工具支持内置模板与自定义 MCP Server 上下文管理与任务计划追踪帮助长程 ReAct/Data Agent 任务控制上下文窗口并在前端展示执行进度 数据源连接器缓存对昂贵的连接器构建过程增加 TTL 缓存大 Schema 场景下热缓存查询从约 63s 降至 10ms 以内 生态扩展新增 LiteLLM、Qdrant、Valkey缓存 向量、openGauss、StarRocks 二进制类型、DeepSeek V4 Pro 和 MiniMax-M3️ 安全与稳定性加固收紧配置文件权限、校验上传文件名、限制个人 Skill 执行并提升索引容错能力定时任务把一次成功分析变成持续产出很多数据分析工作天然是周期性的每日经营日报、每周风险检查、月度财务摘要或基于最新数据库快照反复执行的诊断分析。V0.8.1 引入的**定时任务Scheduled Tasks**让一次成功的分析对话可以沉淀为可重复执行的任务。你只需先完成一次数据分析再将该对话保存为任务DB-GPT 会按 Cron 计划重放完整的 ReAct Agent 流程每次运行都会生成新的对话与报告并保留完整执行历史方便审计、复盘和团队共享。将对话保存为周期性任务一键保存已完成对话将任意完成的分析对话转化为定时任务。灵活设置调度周期支持每小时、每天、每周、每月或自定义 Cron 表达式。冻结执行上下文原始问题、模型、已选 Skill 和连接器环境会写入任务快照使每次重放都在相同条件下运行。启停任务可在定时任务页面直接暂停或重新启用任务。运行历史与只读回放每一次定时运行都会记录状态、耗时、结果摘要以及它生成的对话 ID。你可以打开任意一次历史运行直接从历史记录中回放该次对话回放不会再次触发 LLM 调用让复盘既低成本又可复现。源码视角调度器的生命周期与任务快照定时任务的服务端实现位于 scheduled_task 模块包含 API、DAO、服务层和对话重放执行器chat_replay_runner.py。从 serve.py 的源码结构看有几个值得注意的设计REST API 前缀为/api/v2/serve/scheduled-tasks服务组件名为dbgpt_serve_scheduled_task与元数据表名保持一致见 config.py。业务表是唯一事实来源调度状态仅存内存。ScheduledTaskServe使用TaskScheduler(jobstore_urlsqlite:///:memory:)创建调度器APScheduler 的 MemoryJobStore避免在生产库中额外产生scheduler.db或apscheduler_jobs表服务启动时通过_recover_jobs_from_db()从dbgpt_serve_scheduled_task表恢复所有启用中的任务并清理调度器中已不存在的孤儿 job。执行开关可通过环境变量控制。DBGPT_CHAT_TASK_SCHEDULER_ENABLED控制本进程是否真正执行定时任务接受1/true/yes/on未设置时默认启用关闭后 REST API 仍然可用任务增删改查不受影响——这为多实例部署时“只让一个节点执行调度”提供了手段。重放执行器是模块级函数run_scheduled_task而非绑定方法以便 APScheduler 在需要时可以 pickle job 状态。与文档中“冻结执行上下文”对应的数据模型可以在 upgrade_to_v0.8.1.sql 中直接看到。dbgpt_serve_scheduled_task表以payload_json字段存储冻结的对话快照以cron_expression存储调度计划以enabled字段支持启停dbgpt_serve_scheduled_run表则记录每次运行的statusrunning / success / failed / timeout、result_summary、error_message和输出对话 IDoutput_conv_uid这正是前端“运行历史与只读回放”的数据来源。注该图用于后文上下文管理小节此处为原发版说明的配图顺序保留。MCP 连接器让 Agent 安全接入外部工具V0.8.1 通过MCP 连接器MCP Connectors将 DB-GPT Agent 的能力从数据库和本地 Skill 扩展到外部服务。Agent 现在可以通过 Model Context Protocol 接入外部工具同时由用户掌控每次会话到底挂载哪些连接器。当前内置连接器模板包括飞书、钉钉、语雀、GitHub、Notion、Linear、Tavily 和 DeepWiki你也可以接入任意支持 SSE 或 Streamable HTTP 的自定义 MCP Server。面向 Agentic 工作流的外部工具接入能力说明内置模板覆盖沟通协作、文档、项目管理、搜索和开发者工具等场景自定义 MCP Server可配置服务端点、传输协议和认证方式按会话选择连接器Agent 只会获得当前任务相关的工具减少干扰与 Token 消耗工具透明可见可查看每个连接器暴露的工具名称、描述和输入参数人工确认机制内置连接器中的写操作会先弹出确认再真正执行凭据加密存储连接器凭据加密保存在 DB-GPT 元数据库中并在服务重启后自动恢复源码视角凭据加密与连接器生命周期连接器实例的持久化模型定义在 connector/models/models.py 的ConnectorInstanceEntity中与升级脚本中的connector_instance表一一对应。从字段设计看发版说明中“凭据加密存储”与“服务重启后自动恢复”两项能力是有明确数据支撑的encrypted_credentialsText存储加密后的凭据 JSONencryption_salt存储每个实例的加密盐说明凭据不是明文入库而是按实例加盐加密config_json承载扩展配置如server_uri、transport、auth_type、header_name等对应“自定义 MCP Server 可配置服务端点、传输协议和认证方式”status字段的生命周期状态为active / error / disconnected / needs_reactivation即前端展示的连接器激活/失效状态在元数据库中直接可查user_name与sys_code均建了索引说明连接器按用户与系统租户维度隔离。上下文管理与任务计划追踪让长程任务更稳定、更透明Agentic 数据分析往往不是一个短对话而是需要多步探索、反复尝试、生成中间产物的长程任务。V0.8.1 为 ReAct/Data Agent 流程新增上下文管理与任务计划追踪让长任务更稳定执行过程也更易理解多层上下文压缩帮助长任务避免超过模型上下文窗口。实时上下文使用事件将上下文窗口使用情况实时推送到前端。任务计划追踪Agent 维护结构化 Todo 列表并在步骤推进时推送计划更新。更清晰的动作解释每一步动作都会展示它在做什么以及为什么需要执行。前端任务计划卡片与上下文使用指示器让整个执行过程透明可见。源码视角Token 预算驱动的四层渐进式压缩在底层ContextManager 编排一套由 Token 预算状态驱动的渐进式多层压缩机制。源码中各压缩层与触发条件的对应关系如下层触发状态压缩器行为Layer 1WARNINGObservationMicroCompact截断早期 ObservationLayer 2WARNINGSessionMemoryCompact丢弃早期轮次Layer 3ERRORFullContextCompression由 LLM 生成结构化摘要Layer 4应急reactiveReactiveCompact模型报context_too_long时的最后兜底修剪随着用量越过警告与错误阈值压缩力度逐级增强manage_context()在每轮调用时先由ContextBudgetTracker统计 token 用量并判定TokenState再按状态选择压缩层。同时_emit_status()会通过回调向外部推送context.status事件负载包含used、budget、ratio、state和compact_layer字段——这就是前端“上下文窗口使用指示器”的数据来源实现了发版说明中“实时上下文使用事件”的端到端链路。这些改进让 DB-GPT 更适合承接需要多步推理、反复尝试和中间产物管理的复杂数据分析工作流。模型、数据源与存储生态扩展V0.8.1 进一步扩展了 DB-GPT 周边生态让团队可以更方便地复用已有模型、数据库、向量存储和缓存基础设施。LiteLLM 嵌入式 AI GatewayDB-GPT 新增LiteLLM作为嵌入式代理 Provider注册名为proxy/litellm。它不是一个额外的代理服务而是 DB-GPT 进程内直接调用 LiteLLM让你通过统一入口访问 OpenAI、Anthropic、Vertex AI、Bedrock、Azure、Cohere、Mistral、Groq、Ollama 等 LiteLLM 支持的众多后端。该 Provider 的实现位于 model/proxy/llms/litellm.py并配有独立测试 test_litellm.py。配置示例来自发版说明[[models.llms]] name anthropic/claude-3-5-sonnet-20241022 provider proxy/litellm如需启用该 Provider请安装对应的可选依赖见后文升级指南中的proxy_litellmExtra。新增向量检索与缓存后端Qdrant 向量检索支持高性能向量搜索场景。Valkey 向量存储支持使用 Valkey 和valkey-search构建向量检索链路。Valkey 缓存存储支持 LLM 响应缓存和 Embedding 缓存场景。可配置距离度量向量检索的距离度量可按需配置。Valkey 向量客户端CLIENT SETNAME使 DB-GPT 的连接在 Valkey 监控工具中可被清晰识别。新增数据源与模型支持openGauss 数据源补充连接、展示和使用文档支持。StarRocksVARBINARY与BINARY类型完善 StarRocks 类型兼容。MiniMax-M3升级为 MiniMax Provider 默认模型同时保留 MiniMax-M2.7 可选。DeepSeek V4 Pro新增模型支持。性能优化面向大 Schema 和生产库的关键改进V0.8.1 针对大 Schema、生产级数据库和索引链路做了重要性能优化数据源连接器缓存ConnectorManager.get_connector(db_name)现在对构建好的连接器增加 TTL 缓存。在近 900 张表的生产 SQL Server 场景中热缓存连接器查询从约63 秒降至 10ms 以内。按数据库粒度的索引锁避免 Schema 索引与刷新操作并发竞争降低产生空索引的风险。按 Chunk 粒度容错单个异常 Embedding Chunk 不再导致整个索引任务失败。MSSQL 元数据兼容针对 SQL Server 使用正确的INFORMATION_SCHEMA与扩展属性查询字段元数据。Milvus 2.5 兼容提升 Milvus 向量存储在新版本下的兼容性。连接器缓存是数据源密集场景例如 Chat DB 每次问答前都要构建连接器读取元数据的关键路径优化连接器构建涉及驱动初始化、连接池创建与元数据探测成本远高于一次普通的 SQL 查询因此对其加 TTL 缓存后热路径从“分钟级”降到“毫秒级”。安全与稳定性加固本版本还包含多项面向生产环境的安全与稳定性增强~/.dbgpt/configs/profile.toml本地 Profile 配置文件写入权限收紧为0o600配置文件可能包含模型 API Key 等敏感凭据。知识库模块接口补充认证依赖。更严格校验 Skill 上传文件名、示例文件名和 Python 上传文件名。限制个人 Skill 脚本执行降低未受控执行风险。Code Interpreter 临时脚本写入时显式使用 UTF-8 编码。Markdown 知识库默认使用 size chunking索引过程更可预测。ReAct 解析器更好地兼容多步输出。Chat DB 提示词明确说明当前检索到的表结构是 TOP-K 子集提升全库元问题的回答准确性。功能增强与问题修复清单功能增强支持定时任务与 MCP 连接器PR #3095新增上下文管理、任务计划追踪及对应前端 UIPR #3053新增 LiteLLM 嵌入式 AI Gateway ProviderPR #3043新增 Qdrant 向量检索支持PR #3034新增 Valkey 向量存储集成PR #3051新增 Valkey 缓存存储集成PR #3057为 Valkey 向量客户端增加CLIENT SETNAMEPR #3090支持配置向量检索距离度量PR #3044为ConnectorManager.get_connector增加 TTL 缓存热缓存约 63s → 10ms 以内PR #3046新增 openGauss 数据源支持PR #3007为 StarRocks 实现VARBINARY和BINARY类型PR #3062MiniMax 默认模型升级到 M3PR #3093加强~/.dbgpt/configs/profile.toml文件权限为0o600PR #3077问题修复修复 Web UI 创建 DuckDB 数据源的问题PR #3009支持 DeepSeek V4 ProPR #3079Markdown 知识库默认使用 size chunking修复 issue #3030PR #3033限制个人 Skill 脚本执行PR #3071校验示例文件名PR #3066校验 Skill 上传文件名PR #3065约束 Python 上传文件名PR #3064处理知识空间 ID 响应PR #3070兼容多步 ReAct 输出PR #3074告知 LLM 当前表列表是 TOP-K 子集而非全库表列表PR #3045扩展gpts_messages.content字段以容纳更长的 Agent 消息PR #3055兼容 Milvus 2.5PR #3042增加按 Chunk 粒度容错和按数据库粒度索引锁PR #3040为 MSSQLget_fields()实现 SQL Server 兼容的INFORMATION_SCHEMA查询PR #3039为知识库模块接口补充认证依赖PR #3038修复 BranchOperator 错误跳过共享下游节点的问题修复 issue #2935PR #3035遵循已配置的通义 Embedding 模型名称修复 issue #3029PR #3032写入 Code Interpreter 临时脚本时显式使用 UTF-8 编码PR #3023升级指南v0.8.0 → v0.8.1V0.8.1 的元数据变更为1 个字段变更 3 张新增表。升级脚本已提供在 assets/schema/upgrade/v0_8_1/ 目录下upgrade_to_v0.8.1.sql在 v0.8.0 数据库基础上执行的增量脚本。v0.8.1.sql用于全新安装的完整 v0.8.1 Schema。与历史版本一致增量脚本面向 MySQL。SQLite 用户请按惯例在升级前备份元数据库新增表会在服务启动时自动创建。准备工作备份数据库为避免数据丢失升级前请务必备份元数据库。请根据数据库类型选择合适的备份方式例如 MySQL 使用mysqldumpSQLite 直接复制数据库文件。升级数据库变更说明gpts_messages.content→longtext支持更长的 Agent 消息和执行轨迹。connector_instance存储 MCP 连接器实例、加密凭据、传输/扩展配置和生命周期状态。dbgpt_serve_scheduled_task存储定时任务定义、Cron 表达式和冻结的对话快照。dbgpt_serve_scheduled_run存储定时任务运行历史状态、摘要、错误信息和输出对话 ID。对 MySQL 元数据库执行增量脚本mysql -u user -p dbgpt assets/schema/upgrade/v0_8_1/upgrade_to_v0.8.1.sql增量脚本的核心内容即上述变更ALTER TABLE gpts_messages MODIFY COLUMN content longtext以及三张新表的CREATE TABLE IF NOT EXISTS字段结构可直接阅读 upgrade_to_v0.8.1.sql 核对与 models.py 及 scheduled_task/models/ 下的 SQLAlchemy 实体保持一致。安装依赖请根据你的部署方式安装或更新依赖。如果使用源码方式和默认配置安装uv sync --all-packages如需使用可选集成请按需安装对应 Extra# LiteLLM 代理 Provider uv sync --all-packages --extra proxy_litellm # Qdrant 向量存储 uv sync --all-packages --extra storage_qdrant # Valkey 缓存 / 向量存储 uv sync --all-packages --extra storage_valkey重启 DB-GPT 并验证使用你原来的启动方式重启 DB-GPT 服务。启动后建议验证历史对话可以正常加载验证gpts_messages.content字段扩展无兼容问题。MCP 连接器页面可以正常展示、激活和测试连接器验证connector_instance表及加密凭据恢复。定时任务可以从已完成对话保存并能展示运行历史验证两张dbgpt_serve_scheduled_*表多节点部署时可结合环境变量DBGPT_CHAT_TASK_SCHEDULER_ENABLED控制执行节点。长程 ReAct/Data Agent 对话可以正常展示任务计划和上下文使用状态。相关文档DB-GPT V0.8.0 发版说明快速开始安装指南定时任务MCP 连接器【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 V0.8.1 深度解读：定时任务、MCP 连接器与长程 Agent 上下文管理构建生产化 AI 数据助理
DB-GPT V0.8.1 深度解读定时任务、MCP 连接器与长程 Agent 上下文管理构建生产化 AI 数据助理【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本文基于 DB-GPT 仓库中的 V0.8.1 发版说明Released_V0.8.1.md系统梳理该版本让 AI 数据助理走向生产的三大核心能力定时任务Scheduled Tasks、MCP 连接器MCP Connectors、上下文管理与任务计划追踪并结合仓库源码验证元数据库变更、调度器生命周期与分层上下文压缩的实现细节。读完本文你可以独立完成从 v0.8.0 到 v0.8.1 的升级理解新版元数据表结构并掌握 LiteLLM 代理、Qdrant/Valkey 存储等生态扩展的配置方式。从“任务交付”到“生产化工作流”DB-GPT V0.8.0 完成了从“对话问答”到“任务交付”的范式跃迁。V0.8.1 则面向真实团队的持续使用场景回答四个更偏生产化的问题一次成功的数据分析很有价值如何按周期重复执行而不必每次重新对话只连接数据库的 Agent 能力有限如何让它安全接入外部系统与业务工具复杂分析往往会运行很多步如何让它稳定控制上下文窗口并让用户看清楚它在做什么生产数据库 Schema 庞大如何让连接器构建、Schema 索引和向量检索更快、更可靠围绕这些问题V0.8.1 引入了定时任务、MCP 连接器、上下文管理与任务计划追踪同时扩展模型、数据源、向量存储和缓存生态并补充一批面向生产环境的性能、安全与兼容性修复。本版本的核心价值可以概括为让 AI 数据助理从“能完成一次复杂分析”进一步走向“能被团队反复使用、持续运行和稳定运维”。关键特性速览特性说明⏰ 定时任务将已完成的对话保存为周期性任务按 Cron 计划重放 Agent 流程 MCP 连接器通过 Model Context Protocol 将 Agent 接入外部工具支持内置模板与自定义 MCP Server 上下文管理与任务计划追踪帮助长程 ReAct/Data Agent 任务控制上下文窗口并在前端展示执行进度 数据源连接器缓存对昂贵的连接器构建过程增加 TTL 缓存大 Schema 场景下热缓存查询从约 63s 降至 10ms 以内 生态扩展新增 LiteLLM、Qdrant、Valkey缓存 向量、openGauss、StarRocks 二进制类型、DeepSeek V4 Pro 和 MiniMax-M3️ 安全与稳定性加固收紧配置文件权限、校验上传文件名、限制个人 Skill 执行并提升索引容错能力定时任务把一次成功分析变成持续产出很多数据分析工作天然是周期性的每日经营日报、每周风险检查、月度财务摘要或基于最新数据库快照反复执行的诊断分析。V0.8.1 引入的**定时任务Scheduled Tasks**让一次成功的分析对话可以沉淀为可重复执行的任务。你只需先完成一次数据分析再将该对话保存为任务DB-GPT 会按 Cron 计划重放完整的 ReAct Agent 流程每次运行都会生成新的对话与报告并保留完整执行历史方便审计、复盘和团队共享。将对话保存为周期性任务一键保存已完成对话将任意完成的分析对话转化为定时任务。灵活设置调度周期支持每小时、每天、每周、每月或自定义 Cron 表达式。冻结执行上下文原始问题、模型、已选 Skill 和连接器环境会写入任务快照使每次重放都在相同条件下运行。启停任务可在定时任务页面直接暂停或重新启用任务。运行历史与只读回放每一次定时运行都会记录状态、耗时、结果摘要以及它生成的对话 ID。你可以打开任意一次历史运行直接从历史记录中回放该次对话回放不会再次触发 LLM 调用让复盘既低成本又可复现。源码视角调度器的生命周期与任务快照定时任务的服务端实现位于 scheduled_task 模块包含 API、DAO、服务层和对话重放执行器chat_replay_runner.py。从 serve.py 的源码结构看有几个值得注意的设计REST API 前缀为/api/v2/serve/scheduled-tasks服务组件名为dbgpt_serve_scheduled_task与元数据表名保持一致见 config.py。业务表是唯一事实来源调度状态仅存内存。ScheduledTaskServe使用TaskScheduler(jobstore_urlsqlite:///:memory:)创建调度器APScheduler 的 MemoryJobStore避免在生产库中额外产生scheduler.db或apscheduler_jobs表服务启动时通过_recover_jobs_from_db()从dbgpt_serve_scheduled_task表恢复所有启用中的任务并清理调度器中已不存在的孤儿 job。执行开关可通过环境变量控制。DBGPT_CHAT_TASK_SCHEDULER_ENABLED控制本进程是否真正执行定时任务接受1/true/yes/on未设置时默认启用关闭后 REST API 仍然可用任务增删改查不受影响——这为多实例部署时“只让一个节点执行调度”提供了手段。重放执行器是模块级函数run_scheduled_task而非绑定方法以便 APScheduler 在需要时可以 pickle job 状态。与文档中“冻结执行上下文”对应的数据模型可以在 upgrade_to_v0.8.1.sql 中直接看到。dbgpt_serve_scheduled_task表以payload_json字段存储冻结的对话快照以cron_expression存储调度计划以enabled字段支持启停dbgpt_serve_scheduled_run表则记录每次运行的statusrunning / success / failed / timeout、result_summary、error_message和输出对话 IDoutput_conv_uid这正是前端“运行历史与只读回放”的数据来源。注该图用于后文上下文管理小节此处为原发版说明的配图顺序保留。MCP 连接器让 Agent 安全接入外部工具V0.8.1 通过MCP 连接器MCP Connectors将 DB-GPT Agent 的能力从数据库和本地 Skill 扩展到外部服务。Agent 现在可以通过 Model Context Protocol 接入外部工具同时由用户掌控每次会话到底挂载哪些连接器。当前内置连接器模板包括飞书、钉钉、语雀、GitHub、Notion、Linear、Tavily 和 DeepWiki你也可以接入任意支持 SSE 或 Streamable HTTP 的自定义 MCP Server。面向 Agentic 工作流的外部工具接入能力说明内置模板覆盖沟通协作、文档、项目管理、搜索和开发者工具等场景自定义 MCP Server可配置服务端点、传输协议和认证方式按会话选择连接器Agent 只会获得当前任务相关的工具减少干扰与 Token 消耗工具透明可见可查看每个连接器暴露的工具名称、描述和输入参数人工确认机制内置连接器中的写操作会先弹出确认再真正执行凭据加密存储连接器凭据加密保存在 DB-GPT 元数据库中并在服务重启后自动恢复源码视角凭据加密与连接器生命周期连接器实例的持久化模型定义在 connector/models/models.py 的ConnectorInstanceEntity中与升级脚本中的connector_instance表一一对应。从字段设计看发版说明中“凭据加密存储”与“服务重启后自动恢复”两项能力是有明确数据支撑的encrypted_credentialsText存储加密后的凭据 JSONencryption_salt存储每个实例的加密盐说明凭据不是明文入库而是按实例加盐加密config_json承载扩展配置如server_uri、transport、auth_type、header_name等对应“自定义 MCP Server 可配置服务端点、传输协议和认证方式”status字段的生命周期状态为active / error / disconnected / needs_reactivation即前端展示的连接器激活/失效状态在元数据库中直接可查user_name与sys_code均建了索引说明连接器按用户与系统租户维度隔离。上下文管理与任务计划追踪让长程任务更稳定、更透明Agentic 数据分析往往不是一个短对话而是需要多步探索、反复尝试、生成中间产物的长程任务。V0.8.1 为 ReAct/Data Agent 流程新增上下文管理与任务计划追踪让长任务更稳定执行过程也更易理解多层上下文压缩帮助长任务避免超过模型上下文窗口。实时上下文使用事件将上下文窗口使用情况实时推送到前端。任务计划追踪Agent 维护结构化 Todo 列表并在步骤推进时推送计划更新。更清晰的动作解释每一步动作都会展示它在做什么以及为什么需要执行。前端任务计划卡片与上下文使用指示器让整个执行过程透明可见。源码视角Token 预算驱动的四层渐进式压缩在底层ContextManager 编排一套由 Token 预算状态驱动的渐进式多层压缩机制。源码中各压缩层与触发条件的对应关系如下层触发状态压缩器行为Layer 1WARNINGObservationMicroCompact截断早期 ObservationLayer 2WARNINGSessionMemoryCompact丢弃早期轮次Layer 3ERRORFullContextCompression由 LLM 生成结构化摘要Layer 4应急reactiveReactiveCompact模型报context_too_long时的最后兜底修剪随着用量越过警告与错误阈值压缩力度逐级增强manage_context()在每轮调用时先由ContextBudgetTracker统计 token 用量并判定TokenState再按状态选择压缩层。同时_emit_status()会通过回调向外部推送context.status事件负载包含used、budget、ratio、state和compact_layer字段——这就是前端“上下文窗口使用指示器”的数据来源实现了发版说明中“实时上下文使用事件”的端到端链路。这些改进让 DB-GPT 更适合承接需要多步推理、反复尝试和中间产物管理的复杂数据分析工作流。模型、数据源与存储生态扩展V0.8.1 进一步扩展了 DB-GPT 周边生态让团队可以更方便地复用已有模型、数据库、向量存储和缓存基础设施。LiteLLM 嵌入式 AI GatewayDB-GPT 新增LiteLLM作为嵌入式代理 Provider注册名为proxy/litellm。它不是一个额外的代理服务而是 DB-GPT 进程内直接调用 LiteLLM让你通过统一入口访问 OpenAI、Anthropic、Vertex AI、Bedrock、Azure、Cohere、Mistral、Groq、Ollama 等 LiteLLM 支持的众多后端。该 Provider 的实现位于 model/proxy/llms/litellm.py并配有独立测试 test_litellm.py。配置示例来自发版说明[[models.llms]] name anthropic/claude-3-5-sonnet-20241022 provider proxy/litellm如需启用该 Provider请安装对应的可选依赖见后文升级指南中的proxy_litellmExtra。新增向量检索与缓存后端Qdrant 向量检索支持高性能向量搜索场景。Valkey 向量存储支持使用 Valkey 和valkey-search构建向量检索链路。Valkey 缓存存储支持 LLM 响应缓存和 Embedding 缓存场景。可配置距离度量向量检索的距离度量可按需配置。Valkey 向量客户端CLIENT SETNAME使 DB-GPT 的连接在 Valkey 监控工具中可被清晰识别。新增数据源与模型支持openGauss 数据源补充连接、展示和使用文档支持。StarRocksVARBINARY与BINARY类型完善 StarRocks 类型兼容。MiniMax-M3升级为 MiniMax Provider 默认模型同时保留 MiniMax-M2.7 可选。DeepSeek V4 Pro新增模型支持。性能优化面向大 Schema 和生产库的关键改进V0.8.1 针对大 Schema、生产级数据库和索引链路做了重要性能优化数据源连接器缓存ConnectorManager.get_connector(db_name)现在对构建好的连接器增加 TTL 缓存。在近 900 张表的生产 SQL Server 场景中热缓存连接器查询从约63 秒降至 10ms 以内。按数据库粒度的索引锁避免 Schema 索引与刷新操作并发竞争降低产生空索引的风险。按 Chunk 粒度容错单个异常 Embedding Chunk 不再导致整个索引任务失败。MSSQL 元数据兼容针对 SQL Server 使用正确的INFORMATION_SCHEMA与扩展属性查询字段元数据。Milvus 2.5 兼容提升 Milvus 向量存储在新版本下的兼容性。连接器缓存是数据源密集场景例如 Chat DB 每次问答前都要构建连接器读取元数据的关键路径优化连接器构建涉及驱动初始化、连接池创建与元数据探测成本远高于一次普通的 SQL 查询因此对其加 TTL 缓存后热路径从“分钟级”降到“毫秒级”。安全与稳定性加固本版本还包含多项面向生产环境的安全与稳定性增强~/.dbgpt/configs/profile.toml本地 Profile 配置文件写入权限收紧为0o600配置文件可能包含模型 API Key 等敏感凭据。知识库模块接口补充认证依赖。更严格校验 Skill 上传文件名、示例文件名和 Python 上传文件名。限制个人 Skill 脚本执行降低未受控执行风险。Code Interpreter 临时脚本写入时显式使用 UTF-8 编码。Markdown 知识库默认使用 size chunking索引过程更可预测。ReAct 解析器更好地兼容多步输出。Chat DB 提示词明确说明当前检索到的表结构是 TOP-K 子集提升全库元问题的回答准确性。功能增强与问题修复清单功能增强支持定时任务与 MCP 连接器PR #3095新增上下文管理、任务计划追踪及对应前端 UIPR #3053新增 LiteLLM 嵌入式 AI Gateway ProviderPR #3043新增 Qdrant 向量检索支持PR #3034新增 Valkey 向量存储集成PR #3051新增 Valkey 缓存存储集成PR #3057为 Valkey 向量客户端增加CLIENT SETNAMEPR #3090支持配置向量检索距离度量PR #3044为ConnectorManager.get_connector增加 TTL 缓存热缓存约 63s → 10ms 以内PR #3046新增 openGauss 数据源支持PR #3007为 StarRocks 实现VARBINARY和BINARY类型PR #3062MiniMax 默认模型升级到 M3PR #3093加强~/.dbgpt/configs/profile.toml文件权限为0o600PR #3077问题修复修复 Web UI 创建 DuckDB 数据源的问题PR #3009支持 DeepSeek V4 ProPR #3079Markdown 知识库默认使用 size chunking修复 issue #3030PR #3033限制个人 Skill 脚本执行PR #3071校验示例文件名PR #3066校验 Skill 上传文件名PR #3065约束 Python 上传文件名PR #3064处理知识空间 ID 响应PR #3070兼容多步 ReAct 输出PR #3074告知 LLM 当前表列表是 TOP-K 子集而非全库表列表PR #3045扩展gpts_messages.content字段以容纳更长的 Agent 消息PR #3055兼容 Milvus 2.5PR #3042增加按 Chunk 粒度容错和按数据库粒度索引锁PR #3040为 MSSQLget_fields()实现 SQL Server 兼容的INFORMATION_SCHEMA查询PR #3039为知识库模块接口补充认证依赖PR #3038修复 BranchOperator 错误跳过共享下游节点的问题修复 issue #2935PR #3035遵循已配置的通义 Embedding 模型名称修复 issue #3029PR #3032写入 Code Interpreter 临时脚本时显式使用 UTF-8 编码PR #3023升级指南v0.8.0 → v0.8.1V0.8.1 的元数据变更为1 个字段变更 3 张新增表。升级脚本已提供在 assets/schema/upgrade/v0_8_1/ 目录下upgrade_to_v0.8.1.sql在 v0.8.0 数据库基础上执行的增量脚本。v0.8.1.sql用于全新安装的完整 v0.8.1 Schema。与历史版本一致增量脚本面向 MySQL。SQLite 用户请按惯例在升级前备份元数据库新增表会在服务启动时自动创建。准备工作备份数据库为避免数据丢失升级前请务必备份元数据库。请根据数据库类型选择合适的备份方式例如 MySQL 使用mysqldumpSQLite 直接复制数据库文件。升级数据库变更说明gpts_messages.content→longtext支持更长的 Agent 消息和执行轨迹。connector_instance存储 MCP 连接器实例、加密凭据、传输/扩展配置和生命周期状态。dbgpt_serve_scheduled_task存储定时任务定义、Cron 表达式和冻结的对话快照。dbgpt_serve_scheduled_run存储定时任务运行历史状态、摘要、错误信息和输出对话 ID。对 MySQL 元数据库执行增量脚本mysql -u user -p dbgpt assets/schema/upgrade/v0_8_1/upgrade_to_v0.8.1.sql增量脚本的核心内容即上述变更ALTER TABLE gpts_messages MODIFY COLUMN content longtext以及三张新表的CREATE TABLE IF NOT EXISTS字段结构可直接阅读 upgrade_to_v0.8.1.sql 核对与 models.py 及 scheduled_task/models/ 下的 SQLAlchemy 实体保持一致。安装依赖请根据你的部署方式安装或更新依赖。如果使用源码方式和默认配置安装uv sync --all-packages如需使用可选集成请按需安装对应 Extra# LiteLLM 代理 Provider uv sync --all-packages --extra proxy_litellm # Qdrant 向量存储 uv sync --all-packages --extra storage_qdrant # Valkey 缓存 / 向量存储 uv sync --all-packages --extra storage_valkey重启 DB-GPT 并验证使用你原来的启动方式重启 DB-GPT 服务。启动后建议验证历史对话可以正常加载验证gpts_messages.content字段扩展无兼容问题。MCP 连接器页面可以正常展示、激活和测试连接器验证connector_instance表及加密凭据恢复。定时任务可以从已完成对话保存并能展示运行历史验证两张dbgpt_serve_scheduled_*表多节点部署时可结合环境变量DBGPT_CHAT_TASK_SCHEDULER_ENABLED控制执行节点。长程 ReAct/Data Agent 对话可以正常展示任务计划和上下文使用状态。相关文档DB-GPT V0.8.0 发版说明快速开始安装指南定时任务MCP 连接器【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