V0.8.1 把 AI数据助理 的能力进一步沉淀为可调度、可连接、可观察、可运维的生产化工作流，回答几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？
围绕这些问题，本版本引入了定时任务、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。
V0.8.1 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”。
⏰定时任务 — 将一次成功的数据分析保存为周期任务，自动按计划产出结果。
🔌MCP 连接器 — 通过 MCP 将 AI数据助理 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 — 通过上下文管理与任务计划追踪，支撑多步分析稳定推进，让执行过程透明可见 🚀 数据源连接器缓存 — 优化连接器构建、Schema 索引与向量检索链路，提升大 Schema 场景下的速度与可靠性 🧱生态扩展 — 新增 LiteLLM、Qdrant、Valkey、DeepSeek V4 Pro 和 MiniMax-M3模型等能力支持
✨ 核心特性
⏰ 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。
将对话保存为周期性任务一键保存已完成对话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。
🔌 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 MCP 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。
🧠 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、生成中间产物的长任务。V0.8.1 为 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。
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。随着用量越过警告与错误阈值，压缩力度逐级增强：从截断早期 Observation，到丢弃早期轮次，再到由LLM 生成结构化摘要；若模型仍报 context_too_long，还有应急兜底层。
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。
上下文窗口使用情况。
🧱 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。
[[models.llms]]name = "anthropic/claude-3-5-sonnet-20241022"provider = "proxy/litellm"
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。
StarRocks VARBINARY 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。
🛡️ 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/本地 Profile 配置文件权限优化。
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。
🐞 问题修复
修复 Web UI 创建 DuckDB 数据源的问题（#3009） 支持 DeepSeek V4 Pro（#3079） Markdown 知识库默认使用 size chunking（修复 #3030）（#3033） 限制个人 Skill 脚本执行（#3071） 校验示例文件名（#3066） 校验 Skill 上传文件名（#3065） 约束 Python 上传文件名（#3064） 处理知识空间 ID 响应（#3070） 兼容多步 ReAct 输出（#3074） 告知 LLM 当前表列表是 TOP-K 子集，而非全库表列表（#3045） 扩展 gpts_messages.content字段以容纳更长的 Agent 消息（#3055）兼容 Milvus 2.5+（#3042） 增加按 Chunk 粒度容错和按数据库粒度索引锁（#3040） 为 MSSQL get_fields()实现 SQL Server 兼容的INFORMATION_SCHEMA查询（#3039）为知识库模块接口补充认证依赖（#3038） 修复 BranchOperator 错误跳过共享下游节点的问题（修复 #2935）（#3035） 遵循已配置的通义 Embedding 模型名称（修复 #3029）（#3032） 写入 Code Interpreter 临时脚本时显式使用 UTF-8 编码（#3023）
# LiteLLM 代理 Provideruv 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"
