2312.17449.md

背景

• 背景
  文章介绍了大型语言模型（LLMs）的进步，特别是在数据库技术领域中与它们的结合，以实现更高效直观的数据库交互。尽管目前采用LLMs进行数据库操作的方法已经有了一些成果，但在隐私保护和安全方面仍存在欠缺，以及针对特定任务的代理限制了它们的广泛应用。

• 已有的工作 目前大多数工作是直接提供常见的LLMs（如GPT-4）并通过极少示例提示或上下文学习进行交互，但这种方法的性能可能不如针对特定数据进行微调的LLMs。同时，虽然一些工作结合了智能代理帮助数据库应用做出决策，但这些代理通常是特定任务的而非任务不可知的，这限制了它们在大规模应用中的使用。对于LLM驱于数据库交互的隐私敏感设置研究相对较少，现有工作大多是通用的，不是专门为数据库操作设计的。

核心贡献

• 提出了一个名为DB-GPT的创新项目

  • 挑战1：在数据库中使用LLM进行难以直观操作与隐私保护的问题。 通过私有LLM技术改进DB-GPT，该技术在特定领域的语料库上进行微调，以保持用户隐私和确保数据安全的同时，提供先进的LLM的优势。使用多源知识库和自适应学习机制来不断提升性能，并使用服务导向的多模型框架（SMMF）与强大的数据驱动代理。

  • 挑战2：提高LLMs在上下文信息处理、推理和从感知能力中的表现。 开发了包含知识构造、知识检索和自适应上下文学习（ICL）策略的多源RAG框架。DB-GPT系统在响应生成中使用ICL，提高语言模型的上下文理解、推理和问题解决能力，并应用隐私保护措施以掩盖个人信息。

实现与部署

DB-GPT的综合性能和效率已通过诸如Text-to-SQL和KBQA的各种基准测试以及案例研究和用户调查得到了评估，证明其在多个维度上优于竞争对手。系统设计包含了利用RAG框架提供的多源知识库问答、部署和推理的服务导向多模型框架（SMMF）、多种代理策略和DB插件，涉及知识嵌入、检索优化、代理间的合作协调以及与数据库交互模式紧密集成的插件设计。

总结

本文提出了名为DB-GPT的创新项目，该项目集成了LLMs及数据库系统，以提升用户体验和无障碍性。DB-GPT展现了层次化设计，有效处理了隐私和安全保护等问题，同时通过多源RAG和自适应ICL提升了系统的整体性能和效率。