核心功能

• 丰富的电子表格界面：支持对表、列和行进行创建、读取、更新和删除等基本操作；可以对字段进行排序、过滤、分组以及隐藏/显示列等操作；提供网格、图库、表单、看板和日历等多种视图类型；具备协作视图和锁定视图等不同的视图权限类型；可以公开或私密（密码保护）共享数据库或视图；拥有ID、链接、查找、汇总、单行文本、附件、货币、公式、用户等多种单元格类型；支持细粒度的角色访问控制。
• 工作流自动化应用商店：提供聊天、邮件和存储三个主要类别的集成，例如在聊天方面支持Slack、Discord、Mattermost等；邮件方面支持AWS SES、SMTP、MailerSend等；存储方面支持AWS S3、Google Cloud Storage、Minio等。
• 编程式访问：提供REST API和NocoDB SDK两种方式让用户以编程方式调用操作，可使用JWT或社交认证令牌对请求进行签名以实现对NocoDB的授权访问。

安装方式

• Docker with SQLite：通过特定的Docker命令运行NocoDB，并挂载数据卷和指定端口。

docker run -d \
  --name noco \
  -v "$(pwd)"/nocodb:/usr/app/data/ \
  -p 8080:8080 \
  nocodb/nocodb:latest

• Docker with PG：在使用PostgreSQL数据库时，除了挂载数据卷和指定端口，还需要设置数据库连接信息和JWT密钥。

docker run -d \
  --name noco \
  -v "$(pwd)"/nocodb:/usr/app/data/ \
  -p 8080:8080 \
  -e NC_DB="pg://host.docker.internal:5432?u=root&p=password&d=d1" \
  -e NC_AUTH_JWT_SECRET="569a1821-0a93-45e8-87ab-eb857f20a010" \
  nocodb/nocodb:latest

• Auto - upstall：这是一个单命令安装方式，适用于生产环境。它会自动安装Docker、Docker Compose等先决条件，使用Docker Compose安装NocoDB及相关组件（PostgreSQL、Redis、Minio、Traefik网关），还能自动升级NocoDB到最新版本，并自动设置和更新SSL证书。

bash <(curl -sSL http://install.nocodb.com/noco.sh) <(mktemp)

• 其他方式：提供不同操作系统（MacOS、Linux、Windows）和架构（arm64、x64）的二进制文件下载和安装命令，不过这些二进制文件仅适用于本地快速测试。

优势

• 开源免费：采用AGPLv3许可证，用户可以自由使用、修改和分发，避免了商业软件的高昂成本和供应商锁定问题。
• 易于使用：提供类似电子表格的界面，降低了数据库操作的门槛，即使是没有专业数据库知识的用户也能快速上手。
• 功能丰富：具备多种视图类型、字段操作和权限控制，还提供了工作流自动化集成和编程式访问方式，满足不同用户的多样化需求。
• 自动更新和维护：Auto - upstall方式可以自动处理软件的升级和SSL证书的更新，减少了用户的维护成本。

应用场景

• 小型企业和创业公司：可以快速搭建数据库管理系统，满足日常业务数据管理需求，无需投入大量资金和技术资源。
• 数据分析师和业务人员：方便进行数据的整理、分析和共享，通过不同的视图类型直观展示数据。
• 开发者：可以利用REST API和NocoDB SDK进行二次开发，将NocoDB集成到自己的应用程序中。

开箱即用、安全可控！基于大模型和RAG的智能问数系统SQLBot来袭

SQLBot 是一个基于大模型和RAG的智能问数系统。简单讲，它能将用户输入的自然语言问题自动转换为SQL查询语句，帮助非技术用户轻松获取数据库中的数据。适用人群：数据分析师、后端开发者及需要频繁查询数据库但不熟悉SQL的业务人员。

项目地址：https://github.com/dataease/SQLBot

主要语言：Python

stars: 2.15k

项目概述

SQLBot 是一款基于大模型和 RAG（检索增强生成）的智能问数系统，可帮助用户通过自然语言查询数据。

核心功能

• 借助大模型和 RAG 实现高质量的 text2sql 功能，用户能使用自然语言进行数据查询，开启问数之旅。
• 支持快速嵌入到第三方业务系统，也能被 n8n、MaxKB、Dify、Coze 等 AI 应用开发平台集成调用，让各类应用快速拥有智能问数能力。
• 提供基于工作空间的资源隔离机制，可实现细粒度的数据权限控制，保障数据安全。

优势

• 开箱即用：只需配置大模型和数据源即可使用。
• 易于集成：方便与多种系统和平台集成。
• 安全可控：具备完善的数据权限管理。

工作原理

通过大模型和 RAG 的结合处理用户的自然语言查询，将其转化为 SQL 语句进行数据查询，具体原理可参考仓库中的系统架构图。

安装部署

• Docker 安装：准备一台 Linux 服务器，安装好 Docker 后，执行一键安装脚本：

docker run -d \
  --name sqlbot \
  --restart unless-stopped \
  -p 8000:8000 \
  -p 8001:8001 \
  -v ./data/sqlbot/excel:/opt/sqlbot/data/excel \
  -v ./data/sqlbot/images:/opt/sqlbot/images \
  -v ./data/sqlbot/logs:/opt/sqlbot/app/logs \
  -v ./data/postgresql:/var/lib/postgresql/data \
  --privileged=true \
  dataease/sqlbot

• 1Panel 应用商店：可通过 1Panel 应用商店 快速部署。
• 离线安装：内网环境可通过 离线安装包方式 部署。

访问方式

• 在浏览器中打开：http://<你的服务器 IP>:8000/
• 用户名：admin
• 密码：SQLBot@123456

应用场景

• 数据分析：业务人员无需具备专业 SQL 知识，即可通过自然语言查询数据进行分析。
• 企业应用集成：可集成到企业的各类业务系统中，为系统添加智能问数功能。

Google TimesFM 2.5 重磅发布！参数大瘦身，预测能力大升级

timesfm 是一个基于预训练的时间序列预测的模型。简单讲，它是一个由Google开发的“通识”时间序列预测工具，能对各类时间数据（如销量、气温、股价等）进行精准预测。适用人群：数据科学家、AI研究人员、时序分析开发者。

项目地址：https://github.com/google-research/timesfm

主要语言：Python

stars: 5.66k

核心功能

TimesFM是Google Research开发的用于时间序列预测的预训练时间序列基础模型。它可以对时间序列数据进行预测，还支持连续分位数预测。

优势

• 参数优化：最新版本TimesFM 2.5使用200M参数，相较于TimesFM 2.0的500M有所减少，在一定程度上降低了模型的复杂度和计算成本。
• 上下文长度提升：支持的上下文长度从2048提升到了16k，能够处理更长的时间序列数据，从而可能捕捉到更长期的模式和趋势。
• 分位数预测能力：通过可选的30M分位数头，支持长达1k时间范围的连续分位数预测，提供更丰富的预测信息。
• 简化使用：去除了frequency指标，使模型的使用更加简便。
• 新功能：新增了一些预测标志，为用户提供了更多的控制选项。

应用场景

• 金融领域：对股票价格、汇率等金融时间序列数据进行预测，帮助投资者做出决策。
• 气象预测：预测气温、降水等气象数据，为农业、交通等行业提供参考。
• 销售预测：预测商品的销售量，帮助企业进行库存管理和生产计划。

相关资源

• 论文：A decoder-only foundation model for time-series forecasting，该论文发表于ICML 2024。
• 所有检查点：可在TimesFM Hugging Face Collection中获取。
• Google Research博客：A decoder-only foundation model for time-series forecasting，提供了关于该模型的更多信息。
• BigQuery中的TimesFM：TimesFM in BigQuery是Google的官方产品。

安装方法

目前timesfm==2.0.0尚未打包并上传到PyPI。可以通过以下命令进行安装：

git clone https://github.com/google-research/timesfm.git
cd timesfm
pip install -e .

代码示例

import numpy as np
import timesfm
model = timesfm.TimesFM_2p5_200M_torch()
model.load_checkpoint()
model.compile(
    timesfm.ForecastConfig(
        max_context=1024,
        max_horizon=256,
        normalize_inputs=True,
        use_continuous_quantile_head=True,
        force_flip_invariance=True,
        infer_is_positive=True,
        fix_quantile_crossing=True,
    )
)
point_forecast, quantile_forecast = model.forecast(
    horizon=12,
    inputs=[
        np.linspace(0, 1, 100),
        np.sin(np.linspace(0, 20, 67)),
    ],  # Two dummy inputs
)
point_forecast.shape  # (2, 12)
quantile_forecast.shape  # (2, 12, 10): mean, then 10th to 90th quantiles.