ChangeLog - v0.5.2 %26 v0.5.3 版本更新 - 《DB-GPT 使用文档 - 帮助手册 - 教程》

✨新特性
🐞 Bug 修复
🛠️其他更新说明
✨官方文档地址
✨致谢
✨附录

✨新特性

1. DB-GPT 支持 RAG AWEL SDK：

- **Assembler 知识构建**
- **Retriever 知识检索**

示例：https://docs.dbgpt.site/docs/latest/awel/cookbook/first_rag_with_awel

并新增两个 dbgpts：rag-save-url-to-vstore 和 rag-url-knowledge-example

使用 dbgpt app install rag-save-url-to-vstore``dbgpt app install rag-url-knowledge-example 即可安装体验。

v0.5.2 %26 v0.5.3 版本更新 - 图1

v0.5.2 %26 v0.5.3 版本更新 - 图2

具体使用说明见：

https://github.com/eosphoros-ai/dbgpts/blob/main/workflow/rag-save-url-to-vstore/README.md

https://github.com/eosphoros-ai/dbgpts/blob/main/workflow/rag-url-knowledge-example/README.md

DB-GPT 发布 v2 版本 RESTful API 和 Python Client SDK

API文档：https://docs.dbgpt.site/docs/latest/api/introduction

注意：所有的 API key 需要包含在HTTP header里

curl "http://localhost:5000/api/v2/chat/completions" \
-H "Authorization: Bearer $DBGPT_API_KEY" \

安装Client Python SDK

pip install "dbgpt[client]>=0.5.2"

2.1 Chat

发布新版/chat/completions接口，并兼容OpenAI报文格式。

Curl

POST /api/v2/chat/completions

Python

from dbgpt.client import Client
DBGPT_API_KEY = "dbgpt"
client = Client(api_key=DBGPT_API_KEY)
async for data in client.chat_stream(
    model="chatgpt_proxyllm",
    messages="hello",
):
    print(data)

2.2 App

使用RESTful API对App, Flow, Knowledge, Datasource进行管理

POST /api/v2/serve/apps
PUT /api/v2/serve/apps
DELETE /api/v2/serve/apps
GET /api/v2/serve/apps
GET /api/v2/serve/apps/{app_id}

使用Client Python API 对App, Flow, Knowledge, Datasource进行管理

await create_app(client=client, app_model=app_model)
await update_app(client=client, app_model=app_model)
await delete_app(client=client, app_id=app_id)
await get_app(client=client, app_id=app_id)
await list_app(client=client)

3.新增 RAG 检索评估模块

 dataset = [
        {
            "query": "what is awel talk about",
            "contexts": [
                "Through the AWEL API, you can focus on the development"
                " of business logic for LLMs applications without paying "
                "attention to cumbersome model and environment details."
            ],
        },
    ]
evaluator = RetrieverEvaluator(
        operator_cls=EmbeddingRetrieverOperator,
        embeddings=embeddings,
        operator_kwargs={
            "top_k": 5,
            "vector_store_connector": vector_connector,
        },
    )
results = await evaluator.evaluate(dataset)