DB-GPT V0.6.0 版本实践指南AWEL 2.0 编排、数据应用生命周期管理、GraphRAG 社区摘要与多类型 Agent 记忆【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-GPTDB-GPT 是一个以 AWELAgentic Workflow Expression Language与 Agent 为核心的开源 AI 原生数据应用开发框架。V0.6.0 是其中一个重要版本围绕大模型进一步提供了灵活、可扩展的 AI 原生数据应用管理与开发能力帮助企业基于智能数据分析、洞察与决策快速构建并部署智能化数据应用。读完本文你将了解该版本六大核心特性AWEL 2.0、应用生命周期管理、GraphRAG 社区摘要与混合检索、多类型 Agent 记忆、意图识别与 Prompt 管理、GPT-Vis 可视化升级的设计动机与源码实现位置并掌握从 V0.5.10 升级到 V0.6.0 的数据库变更要点。一、V0.6.0 核心特性总览按照 V0.6.0 发布公告该版本主要新增与增强以下能力AWEL 协议升级 2.0支持更复杂的编排并优化前端可视化与交互能力数据应用的创建与生命周期管理支持多 Agent 自动规划模式、任务流编排模式、单 Agent 模式、原生应用模式等多种应用构建方式GraphRAG 增强支持图社区摘要community summary与混合检索hybrid retrieval发布公告给出的对比结论是在同等问答质量前提下构建知识图谱的 token 开销约为 Microsoft GraphRAG 的 50%且全局搜索性能显著提升多种 Agent 记忆感知记忆、短期记忆、长期记忆、混合记忆等意图识别与 Prompt 管理新增 Text2NLU文本到语义分类与 Text2GQL文本到图查询语言微调支持GPT-Vis 前端可视化升级支持更丰富的可视化图表与智能推荐。下文逐一展开这些特性并结合仓库源码给出可验证的实现位置。二、AWEL 协议升级 2.0面向大模型应用的 Agent 工作流表达AWEL 是专为大模型应用开发设计的基于 Agent 的工作流表达语言。通过 AWEL API开发者可以专注于大模型应用的逻辑开发而不必关注模型、环境等繁琐细节。在 AWEL 2.0 中框架支持了更复杂的编排和可视化。AWEL 采用分层 API 设计分为三层详见 AWEL 手册Operator 层大模型应用开发中最基础的操作原子如 RAG 应用中的检索、向量化、模型交互、Prompt 处理等。基于一组标准 API 可快速实现一套算子AgentFream 层在算子之上进行封装支持基于算子的链式计算并提供 filter、join、map、reduce 等链式操作且该层链式计算支持分布式DSL 层提供标准结构化表示语言用 DSL 语句即可完成 AgentFream 与算子的编排使“围绕数据写大模型应用”成为确定性的应用编程。从源码结构看AWEL 的核心实现位于 packages/dbgpt-core/src/dbgpt/core/awel/按职责划分为dag有向无环图结构、task任务节点、trigger触发器如 HTTP/定时触发、operators算子、runnerDAG 运行器、resource资源封装与flow等子包这一目录划分正对应“Operator → AgentFream → DSL”的分层设计operators承载基本操作原子runnerdag承载链式编排与执行trigger则是面向服务化入口的编排起点。公告中给出的典型编排示例是 RAG 流程以HttpTrigger作为入口依次串接请求解析、Prompt 管理、会话历史、向量化、聊天、模型调用与输出解析等算子用位运算符组织成 DAG。仓库中提供了可直接运行的编排示例例如 examples/awel/simple_nl_schema_sql_chart_example.py自然语言 → Schema → SQL → 图表的完整链路、examples/awel/data_analyst_assistant.py 等可作为 AWEL 2.0 编排写法的参照。AWEL 支持的执行环境包括单机stand-alone与 Ray 分布式环境这也是“链式计算支持分布”的落地方式。三、数据应用的创建与生命周期管理V0.6.0 提供了完整的数据智能应用生命周期管理应用的创建、编辑、发布、删除与使用。应用管理面板中支持四种创建模式原生应用模式Native application mode早期 DB-GPT 提供的六种原生场景——Chat DB、Chat Data、Chat Dashboard、Chat Knowledge Base、Chat Normal、Chat Excel等。选择该模式后进入参数面板配置应用类型、模型、温度、推荐问题等参数其中数据对话类应用必须绑定数据源。基于自有数据库、知识库等参数即可快速构建类似应用单 Agent 模式围绕单个 Agent 配置工具与提示词构建应用任务流编排模式Task flow orchestration mode基于 AWEL 可视化画布编排多节点任务流对应公告截图中的编排界面多 Agent 自动规划模式Multi-agent automatic planning mode由 Agent 团队对任务自动规划plan与执行。关键的运维语义是发布机制应用创建后必须点击“发布应用”Publish发布后才可被其他用户发现与使用发布后通过“开始对话”进入应用会话。完整操作路径见 App Manage 手册。从数据库变更可以印证这套生命周期设计V0.6.0 升级脚本 中gpts_app表新增了published是否已发布、param_need应用支持的参数信息、admins管理员三个字段同时新建了user_recent_apps表记录用户最近使用的应用及最近访问时间与recommend_question表应用级推荐问题支持chat_mode、热度标记is_hot_question等字段。这些表结构与“创建 → 配置 → 发布 → 使用 → 推荐”的应用生命周期一一对应。应用管理的服务端实现位于 packages/dbgpt-serve/src/dbgpt_serve/agent/app/ 与聊天服务 packages/dbgpt-serve/src/dbgpt_serve/agent/chat/。四、GraphRAG图社区摘要与混合检索GraphRAG 是基于知识图谱的增强检索生成系统通过构建与检索知识图谱提升检索准确性与召回稳定性降低大模型幻觉增强领域应用效果。V0.5.6 曾发布集成向量索引、图索引、全文索引的通用 RAG 框架V0.6.0 重点增强了图索引能力。其设计要点来自发布公告社区摘要 相似性召回引入 TuGraph 内置的 Leiden 社区发现算法对图做社区划分结合大模型抽取社区子图摘要再用社区摘要的相似性召回来应对泛化提问场景即 QFSQuery Focused Summarization问题——这是“图社区摘要”与“混合检索”的组合设计知识抽取升级将原来的三元组抽取升级为带点、边信息摘要的图抽取并通过文本块历史text block history优化跨文本块的关联信息抽取进一步提升知识图谱的信息密度成本对比基于 TuGraph 社区提供的开源知识图谱语料集OSGraph与 DB-GPT、TuGraph 产品介绍材料合计约 43k tokens与 Microsoft 的 GraphRAG 系统做对比测试公告结论是 DB-GPT 仅消耗 50% 的 token 开销即可生成同等规模的知识图谱且在问答质量相当的前提下全局搜索性能显著提升。这一数字是发布公告给出的实测对比结论适用前提即上述语料与评测设置可视化对最终生成的知识图谱前端采用 AntV 的 G6 引擎升级渲染逻辑可直观预览图谱数据与社区划分结果见 图谱展示界面。在源码层面图抽取能力位于 packages/dbgpt-core/src/dbgpt/rag/graph_extractor/与通用 RAG 的extractor、retriever子包并列图存储后端支持 TuGraph / Neo4j / Memgraph 等仓库提供了对应的集成测试如 tests/intetration_tests/graph_store/test_tugraph_store.py注意当前仓库目录拼写为intetration_tests与 test_tugraph_store_with_summary.py后者正对应带摘要的图检索链路。检索与图遍历的原理说明见 Graph RAG 手册GraphRetriever支持按关键词、节点 embedding 向量、自然语言转图查询Text2GQL及文档-图关联匹配图节点并沿边展开且每条边记录其来源 chunk保证答案可溯源。五、多类型 Agent 记忆与意图识别、Prompt 管理5.1 多类型 Agent 记忆V0.6.0 支持多种 Agent 记忆形态。从源码结构看记忆体系实现于 packages/dbgpt-core/src/dbgpt/agent/core/memory/目录文件与记忆类型直接对应short_term.py短期记忆long_term.py长期记忆hybrid.py混合记忆agent_memory.py 与gpts/子目录面向 GPTs 应用场景的记忆封装对应公告中的感知记忆/会话级记忆。5.2 意图识别与 Prompt 管理该版本支持意图识别与 Prompt 管理并新增Text2NLU自然语言到语义分类的 NLU 微调与Text2GQL自然语言到图查询语言的微调两类微调能力微调流水线见 文本微调手册。这与前述 GraphRAG 的 Text2GQL 检索方式形成呼应先用微调模型把自然语言稳定翻译为 GQL 图查询再由图检索器执行。Prompt 管理侧升级脚本中prompt_manage表新增了prompt_codePrompt 编码、response_schema响应结构约束、user_code用户编码字段为 Prompt 的版本化管理与结构化响应提供了存储基础。六、GPT-Vis面向 LLM 与数据的交互式可视化GPT-Vis 是 DB-GPT 中面向 LLM 与数据的交互式可视化方案支持丰富图表展示与智能推荐。V0.6.0 对前端可视化做了升级支持更丰富的图表类型。从源码结构看可视化协议实现位于 packages/dbgpt-core/src/dbgpt/vis/前端渲染则位于 Web 端的 web/components/chart/autoChart/ 组件族配合bar-chart、line-chart、pie-chart、table-chart等图表组件完成对话内图表的自动识别与渲染。七、如何升级到 V0.6.0完整升级步骤见 Upgrade To v0.6.0 指南该指南适用于从 v0.5.10 升级到 v0.6.0核心流程备份数据库按你的数据库类型先行备份防止数据丢失停止 DB-GPT 服务按启动方式停服升级数据库若使用 SQLite则无需升级数据库若使用 MySQL需要执行升级 SQL。版本升级所需的资源文件位于仓库 assets/schema/upgrade/v0_6_0/其中 upgrade_to_v0.6.0.sql 即增量脚本。其关键变更包括摘自该脚本USE dbgpt; -- chat_history ALTER TABLE chat_history ADD COLUMN app_code varchar(255) DEFAULT NULL COMMENT App unique code after message_ids; -- gpts_app ALTER TABLE gpts_app ADD COLUMN published varchar(64) DEFAULT false COMMENT Has it been published?; ALTER TABLE gpts_app ADD COLUMN param_need text DEFAULT NULL COMMENT Parameter information supported by the application; ALTER TABLE gpts_app ADD COLUMN admins text DEFAULT NULL COMMENT administrator; -- gpts_messages ALTER TABLE gpts_messages ADD COLUMN is_success int(4) NULL DEFAULT 0 COMMENT agent message is success; ALTER TABLE gpts_messages ADD COLUMN app_code varchar(255) NOT NULL COMMENT Current AI assistant code; ALTER TABLE gpts_messages ADD COLUMN app_name varchar(255) NOT NULL COMMENT Current AI assistant name; ALTER TABLE gpts_messages ADD COLUMN resource_info text DEFAULT NULL COMMENT Current conversation resource info;此外脚本还为connect_config、document_chunk、knowledge_document、prompt_manage、chat_feed_back、dbgpt_serve_flow等表新增字段如document_chunk.questions用于 chunk 关联问题、chat_feed_back的反馈类型与原因分类并新建recommend_question、user_recent_apps、dbgpt_serve_file文件服务含bucket/file_id/storage_type等字段、dbgpt_serve_variables流程变量支持 global/flow/app/agent 等作用域与 fernet/aes 等加密方式、dbgpt_serve_dbgpts_my与dbgpt_serve_dbgpts_hub插件市场等表。完整 DDL 请以仓库内脚本为准。八、参考链接与致谢相关文档均为仓库相对路径V0.6.0 发布公告本文主体App Manage 应用管理手册AWEL 手册Graph RAG 手册Upgrade To v0.6.0 升级指南V0.6.0 升级 SQL致谢本迭代离不开社区开发者与用户的参与并与 TuGraph、AntV 社区进行了深入合作。参与本版本的主要贡献者包括Aries-ckt、Dreammy23、Hec-gitHub、JxQg、KingSkyLi、M1n9X、bigcash、chaplinthink、csunny、dusens、fangyinc、huangjh131、hustcc、lhwan、whyuds 和 yhjun1026。【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 V0.6.0 版本实践指南：AWEL 2.0 编排、数据应用生命周期管理、GraphRAG 社区摘要与多类型 Agent 记忆
DB-GPT V0.6.0 版本实践指南AWEL 2.0 编排、数据应用生命周期管理、GraphRAG 社区摘要与多类型 Agent 记忆【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-GPTDB-GPT 是一个以 AWELAgentic Workflow Expression Language与 Agent 为核心的开源 AI 原生数据应用开发框架。V0.6.0 是其中一个重要版本围绕大模型进一步提供了灵活、可扩展的 AI 原生数据应用管理与开发能力帮助企业基于智能数据分析、洞察与决策快速构建并部署智能化数据应用。读完本文你将了解该版本六大核心特性AWEL 2.0、应用生命周期管理、GraphRAG 社区摘要与混合检索、多类型 Agent 记忆、意图识别与 Prompt 管理、GPT-Vis 可视化升级的设计动机与源码实现位置并掌握从 V0.5.10 升级到 V0.6.0 的数据库变更要点。一、V0.6.0 核心特性总览按照 V0.6.0 发布公告该版本主要新增与增强以下能力AWEL 协议升级 2.0支持更复杂的编排并优化前端可视化与交互能力数据应用的创建与生命周期管理支持多 Agent 自动规划模式、任务流编排模式、单 Agent 模式、原生应用模式等多种应用构建方式GraphRAG 增强支持图社区摘要community summary与混合检索hybrid retrieval发布公告给出的对比结论是在同等问答质量前提下构建知识图谱的 token 开销约为 Microsoft GraphRAG 的 50%且全局搜索性能显著提升多种 Agent 记忆感知记忆、短期记忆、长期记忆、混合记忆等意图识别与 Prompt 管理新增 Text2NLU文本到语义分类与 Text2GQL文本到图查询语言微调支持GPT-Vis 前端可视化升级支持更丰富的可视化图表与智能推荐。下文逐一展开这些特性并结合仓库源码给出可验证的实现位置。二、AWEL 协议升级 2.0面向大模型应用的 Agent 工作流表达AWEL 是专为大模型应用开发设计的基于 Agent 的工作流表达语言。通过 AWEL API开发者可以专注于大模型应用的逻辑开发而不必关注模型、环境等繁琐细节。在 AWEL 2.0 中框架支持了更复杂的编排和可视化。AWEL 采用分层 API 设计分为三层详见 AWEL 手册Operator 层大模型应用开发中最基础的操作原子如 RAG 应用中的检索、向量化、模型交互、Prompt 处理等。基于一组标准 API 可快速实现一套算子AgentFream 层在算子之上进行封装支持基于算子的链式计算并提供 filter、join、map、reduce 等链式操作且该层链式计算支持分布式DSL 层提供标准结构化表示语言用 DSL 语句即可完成 AgentFream 与算子的编排使“围绕数据写大模型应用”成为确定性的应用编程。从源码结构看AWEL 的核心实现位于 packages/dbgpt-core/src/dbgpt/core/awel/按职责划分为dag有向无环图结构、task任务节点、trigger触发器如 HTTP/定时触发、operators算子、runnerDAG 运行器、resource资源封装与flow等子包这一目录划分正对应“Operator → AgentFream → DSL”的分层设计operators承载基本操作原子runnerdag承载链式编排与执行trigger则是面向服务化入口的编排起点。公告中给出的典型编排示例是 RAG 流程以HttpTrigger作为入口依次串接请求解析、Prompt 管理、会话历史、向量化、聊天、模型调用与输出解析等算子用位运算符组织成 DAG。仓库中提供了可直接运行的编排示例例如 examples/awel/simple_nl_schema_sql_chart_example.py自然语言 → Schema → SQL → 图表的完整链路、examples/awel/data_analyst_assistant.py 等可作为 AWEL 2.0 编排写法的参照。AWEL 支持的执行环境包括单机stand-alone与 Ray 分布式环境这也是“链式计算支持分布”的落地方式。三、数据应用的创建与生命周期管理V0.6.0 提供了完整的数据智能应用生命周期管理应用的创建、编辑、发布、删除与使用。应用管理面板中支持四种创建模式原生应用模式Native application mode早期 DB-GPT 提供的六种原生场景——Chat DB、Chat Data、Chat Dashboard、Chat Knowledge Base、Chat Normal、Chat Excel等。选择该模式后进入参数面板配置应用类型、模型、温度、推荐问题等参数其中数据对话类应用必须绑定数据源。基于自有数据库、知识库等参数即可快速构建类似应用单 Agent 模式围绕单个 Agent 配置工具与提示词构建应用任务流编排模式Task flow orchestration mode基于 AWEL 可视化画布编排多节点任务流对应公告截图中的编排界面多 Agent 自动规划模式Multi-agent automatic planning mode由 Agent 团队对任务自动规划plan与执行。关键的运维语义是发布机制应用创建后必须点击“发布应用”Publish发布后才可被其他用户发现与使用发布后通过“开始对话”进入应用会话。完整操作路径见 App Manage 手册。从数据库变更可以印证这套生命周期设计V0.6.0 升级脚本 中gpts_app表新增了published是否已发布、param_need应用支持的参数信息、admins管理员三个字段同时新建了user_recent_apps表记录用户最近使用的应用及最近访问时间与recommend_question表应用级推荐问题支持chat_mode、热度标记is_hot_question等字段。这些表结构与“创建 → 配置 → 发布 → 使用 → 推荐”的应用生命周期一一对应。应用管理的服务端实现位于 packages/dbgpt-serve/src/dbgpt_serve/agent/app/ 与聊天服务 packages/dbgpt-serve/src/dbgpt_serve/agent/chat/。四、GraphRAG图社区摘要与混合检索GraphRAG 是基于知识图谱的增强检索生成系统通过构建与检索知识图谱提升检索准确性与召回稳定性降低大模型幻觉增强领域应用效果。V0.5.6 曾发布集成向量索引、图索引、全文索引的通用 RAG 框架V0.6.0 重点增强了图索引能力。其设计要点来自发布公告社区摘要 相似性召回引入 TuGraph 内置的 Leiden 社区发现算法对图做社区划分结合大模型抽取社区子图摘要再用社区摘要的相似性召回来应对泛化提问场景即 QFSQuery Focused Summarization问题——这是“图社区摘要”与“混合检索”的组合设计知识抽取升级将原来的三元组抽取升级为带点、边信息摘要的图抽取并通过文本块历史text block history优化跨文本块的关联信息抽取进一步提升知识图谱的信息密度成本对比基于 TuGraph 社区提供的开源知识图谱语料集OSGraph与 DB-GPT、TuGraph 产品介绍材料合计约 43k tokens与 Microsoft 的 GraphRAG 系统做对比测试公告结论是 DB-GPT 仅消耗 50% 的 token 开销即可生成同等规模的知识图谱且在问答质量相当的前提下全局搜索性能显著提升。这一数字是发布公告给出的实测对比结论适用前提即上述语料与评测设置可视化对最终生成的知识图谱前端采用 AntV 的 G6 引擎升级渲染逻辑可直观预览图谱数据与社区划分结果见 图谱展示界面。在源码层面图抽取能力位于 packages/dbgpt-core/src/dbgpt/rag/graph_extractor/与通用 RAG 的extractor、retriever子包并列图存储后端支持 TuGraph / Neo4j / Memgraph 等仓库提供了对应的集成测试如 tests/intetration_tests/graph_store/test_tugraph_store.py注意当前仓库目录拼写为intetration_tests与 test_tugraph_store_with_summary.py后者正对应带摘要的图检索链路。检索与图遍历的原理说明见 Graph RAG 手册GraphRetriever支持按关键词、节点 embedding 向量、自然语言转图查询Text2GQL及文档-图关联匹配图节点并沿边展开且每条边记录其来源 chunk保证答案可溯源。五、多类型 Agent 记忆与意图识别、Prompt 管理5.1 多类型 Agent 记忆V0.6.0 支持多种 Agent 记忆形态。从源码结构看记忆体系实现于 packages/dbgpt-core/src/dbgpt/agent/core/memory/目录文件与记忆类型直接对应short_term.py短期记忆long_term.py长期记忆hybrid.py混合记忆agent_memory.py 与gpts/子目录面向 GPTs 应用场景的记忆封装对应公告中的感知记忆/会话级记忆。5.2 意图识别与 Prompt 管理该版本支持意图识别与 Prompt 管理并新增Text2NLU自然语言到语义分类的 NLU 微调与Text2GQL自然语言到图查询语言的微调两类微调能力微调流水线见 文本微调手册。这与前述 GraphRAG 的 Text2GQL 检索方式形成呼应先用微调模型把自然语言稳定翻译为 GQL 图查询再由图检索器执行。Prompt 管理侧升级脚本中prompt_manage表新增了prompt_codePrompt 编码、response_schema响应结构约束、user_code用户编码字段为 Prompt 的版本化管理与结构化响应提供了存储基础。六、GPT-Vis面向 LLM 与数据的交互式可视化GPT-Vis 是 DB-GPT 中面向 LLM 与数据的交互式可视化方案支持丰富图表展示与智能推荐。V0.6.0 对前端可视化做了升级支持更丰富的图表类型。从源码结构看可视化协议实现位于 packages/dbgpt-core/src/dbgpt/vis/前端渲染则位于 Web 端的 web/components/chart/autoChart/ 组件族配合bar-chart、line-chart、pie-chart、table-chart等图表组件完成对话内图表的自动识别与渲染。七、如何升级到 V0.6.0完整升级步骤见 Upgrade To v0.6.0 指南该指南适用于从 v0.5.10 升级到 v0.6.0核心流程备份数据库按你的数据库类型先行备份防止数据丢失停止 DB-GPT 服务按启动方式停服升级数据库若使用 SQLite则无需升级数据库若使用 MySQL需要执行升级 SQL。版本升级所需的资源文件位于仓库 assets/schema/upgrade/v0_6_0/其中 upgrade_to_v0.6.0.sql 即增量脚本。其关键变更包括摘自该脚本USE dbgpt; -- chat_history ALTER TABLE chat_history ADD COLUMN app_code varchar(255) DEFAULT NULL COMMENT App unique code after message_ids; -- gpts_app ALTER TABLE gpts_app ADD COLUMN published varchar(64) DEFAULT false COMMENT Has it been published?; ALTER TABLE gpts_app ADD COLUMN param_need text DEFAULT NULL COMMENT Parameter information supported by the application; ALTER TABLE gpts_app ADD COLUMN admins text DEFAULT NULL COMMENT administrator; -- gpts_messages ALTER TABLE gpts_messages ADD COLUMN is_success int(4) NULL DEFAULT 0 COMMENT agent message is success; ALTER TABLE gpts_messages ADD COLUMN app_code varchar(255) NOT NULL COMMENT Current AI assistant code; ALTER TABLE gpts_messages ADD COLUMN app_name varchar(255) NOT NULL COMMENT Current AI assistant name; ALTER TABLE gpts_messages ADD COLUMN resource_info text DEFAULT NULL COMMENT Current conversation resource info;此外脚本还为connect_config、document_chunk、knowledge_document、prompt_manage、chat_feed_back、dbgpt_serve_flow等表新增字段如document_chunk.questions用于 chunk 关联问题、chat_feed_back的反馈类型与原因分类并新建recommend_question、user_recent_apps、dbgpt_serve_file文件服务含bucket/file_id/storage_type等字段、dbgpt_serve_variables流程变量支持 global/flow/app/agent 等作用域与 fernet/aes 等加密方式、dbgpt_serve_dbgpts_my与dbgpt_serve_dbgpts_hub插件市场等表。完整 DDL 请以仓库内脚本为准。八、参考链接与致谢相关文档均为仓库相对路径V0.6.0 发布公告本文主体App Manage 应用管理手册AWEL 手册Graph RAG 手册Upgrade To v0.6.0 升级指南V0.6.0 升级 SQL致谢本迭代离不开社区开发者与用户的参与并与 TuGraph、AntV 社区进行了深入合作。参与本版本的主要贡献者包括Aries-ckt、Dreammy23、Hec-gitHub、JxQg、KingSkyLi、M1n9X、bigcash、chaplinthink、csunny、dusens、fangyinc、huangjh131、hustcc、lhwan、whyuds 和 yhjun1026。【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