Dify实现自然语言生成SQL并执行

已于 2025-04-01 13:24:48 修改
阅读量3.8k 收藏 18
点赞数 29
分类专栏： AI大数据学习积累 文章标签： dify python
于 2025-03-27 20:01:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_52388979/article/details/146569090
版权

目录

一、需求分析

二、解决思路

问题1：文字描述生成SQL语句

问题2：执行生成的SQL语句

完整解决方案

三、最终效果展示

四、具体实现

1.节点一

2.节点二

3.节点三

4.节点四

5.节点五

6.节点六

7.配置展示预览

一、需求分析

  • 文字描述生成SQL语句

  • 执行生成的SQL语句

二、解决思路

问题1：文字描述生成SQL语句

解决: 创建工作流应用，添加知识检索节点，导入知识库，添加LLM进行推导生成SQL

问题2：执行生成的SQL语句

解决：创建工作流应用，添加HTTP请求节点，传入SQL语句执行

完整解决方案

创建工作流应用，添加知识检索节点，导入知识库，添加LLM进行推导生成SQL，添加HTTP请求节点，传入SQL语句执行。

三、最终效果展示

imgimg

四、具体实现

1.节点一

添加输入字段变量

img

2.节点二

添加知识检索节点，添加知识库。

知识库内容为：(导入时采用父子分段以及混合检索)

-- 创建用户表
CREATE TABLE users (
    user_id INT AUTO_INCREMENT PRIMARY KEY,
    username VARCHAR(50) NOT NULL,
    email VARCHAR(100) NOT NULL UNIQUE,
    register_date DATETIME NOT NULL,
    vip_status TINYINT NOT NULL DEFAULT 0 COMMENT '0-非VIP,1-VIP',
    INDEX idx_username (username),
    INDEX idx_email (email),
    INDEX idx_register_date (register_date)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='存储注册的用户信息';

-- 创建商品表
CREATE TABLE products (
    product_id INT AUTO_INCREMENT PRIMARY KEY,
    product_name VARCHAR(100) NOT NULL,
    category ENUM('电子产品','家居用品','服装') NOT NULL,
    price DECIMAL(10,2) NOT NULL COMMENT '商品价格(单位是人民币/元)'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='商品基本信息';

-- 创建订单表
CREATE TABLE `order` (
    order_id INT AUTO_INCREMENT PRIMARY KEY,
    user_id INT NOT NULL,
    product_id INT NOT NULL,
    order_date DATETIME NOT NULL,
    total_amount DECIMAL(12,2) NOT NULL COMMENT '订单金额',
    status VARCHAR(20) NOT NULL COMMENT '0:已签收 1:已退回',
    INDEX idx_user_id (user_id),
    INDEX idx_order_date (order_date),
    INDEX idx_status (status),
    FOREIGN KEY (user_id) REFERENCES users(user_id),
    FOREIGN KEY (product_id) REFERENCES products(product_id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户订单表';

数据库中创建表以及初始化数据

-- 创建用户表
CREATE TABLE users (
    user_id INT AUTO_INCREMENT PRIMARY KEY,
    username VARCHAR(50) NOT NULL,
    email VARCHAR(100) NOT NULL UNIQUE,
    register_date DATETIME NOT NULL,
    vip_status TINYINT NOT NULL DEFAULT 0 COMMENT '0-非VIP,1-VIP',
    INDEX idx_username (username),
    INDEX idx_email (email),
    INDEX idx_register_date (register_date)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='存储注册的用户信息';
​
-- 创建商品表
CREATE TABLE products (
    product_id INT AUTO_INCREMENT PRIMARY KEY,
    product_name VARCHAR(100) NOT NULL,
    category ENUM('电子产品','家居用品','服装') NOT NULL,
    price DECIMAL(10,2) NOT NULL COMMENT '商品价格(单位是人民币/元)'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='商品基本信息';
​
-- 创建订单表
CREATE TABLE `order` (
    order_id INT AUTO_INCREMENT PRIMARY KEY,
    user_id INT NOT NULL,
    product_id INT NOT NULL,
    order_date DATETIME NOT NULL,
    total_amount DECIMAL(12,2) NOT NULL COMMENT '订单金额',
    status VARCHAR(20) NOT NULL COMMENT '0:已签收 1:已退回',
    INDEX idx_user_id (user_id),
    INDEX idx_order_date (order_date),
    INDEX idx_status (status),
    FOREIGN KEY (user_id) REFERENCES users(user_id),
    FOREIGN KEY (product_id) REFERENCES products(product_id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户订单表';
​
-- 插入用户数据
INSERT INTO users (username, email, register_date, vip_status) VALUES
('张三', 'zhangsan@example.com', '2022-01-15 10:30:00', 1),
('李四', 'lisi@example.com', '2022-02-20 14:15:00', 0),
('王五', 'wangwu@example.com', '2022-03-10 09:45:00', 1),
('赵六', 'zhaoliu@example.com', '2022-04-05 16:20:00', 0),
('钱七', 'qianqi@example.com', '2022-05-12 11:10:00', 1);
​
-- 插入商品数据
INSERT INTO products (product_name, category, price) VALUES
('iPhone 14', '电子产品', 6999.00),
('华为MateBook', '电子产品', 5999.00),
('真皮沙发', '家居用品', 4599.00),
('陶瓷餐具套装', '家居用品', 299.00),
('纯棉T恤', '服装', 99.00),
('牛仔裤', '服装', 199.00);
​
-- 插入订单数据
INSERT INTO `order` (user_id, product_id, order_date, total_amount, status) VALUES
(1, 1, '2022-06-01 10:30:00', 6999.00, '0'),
(1, 3, '2022-06-05 14:15:00', 4599.00, '0'),
(2, 2, '2022-06-10 09:45:00', 5999.00, '1'),
(3, 4, '2022-06-15 16:20:00', 299.00, '0'),
(3, 5, '2022-06-20 11:10:00', 99.00, '0'),
(4, 6, '2022-07-01 13:25:00', 199.00, '0'),
(5, 1, '2022-07-05 15:30:00', 6999.00, '0'),
(5, 2, '2022-07-10 10:45:00', 5999.00, '0');

3.节点三

大模型推导生成SQL

img

SYSTEM

你是一个MySQL专家，严格根据提供的 {{#context#}} 表结构和字段信息以及用户输入的 {{#1743389238066.context#}} 查询需求，生成准确、高效、语法兼容的SQL语句。
​
# 硬性要求
1. 仅使用 {{#context#}} 中提供的表名和字段名，禁止添加任何未明确声明的字段或表
2. 确保SQL完全兼容MySQL 5.7及以上版本语法
3. 输出必须是一条可直接执行的完整SQL语句，禁止包含任何注释、解释或中间过程
4. 支持单表查询、多表关联(JOIN/LEFT JOIN/INNER JOIN等)、子查询等复杂查询
5. 正确处理表间关联关系，使用明确的ON条件指定关联字段
6. 包含必要的WHERE条件、GROUP BY、HAVING、ORDER BY和LIMIT子句(当需求需要时)
7. 表名和字段名必须使用原始名称，禁止使用别名替换或翻译
8. 仅输出最终SQL文本，不要包含任何额外字符、提示或格式
​
# 特别注意
- 当涉及多表关联时，必须明确指定关联条件
- 确保SELECT的字段在对应表中存在
- 使用参数化查询风格处理变量值(如WHERE id = ?)
- 保持SQL语句的简洁性和高效性
4.节点四

img

本地启动的python代码：

from flask import Flask, request, jsonify
import mysql.connector
from functools import wraps
​
app = Flask(__name__)
​
# 数据库连接配置
config = {
    'user': 'xxx',
    'password': 'xxx',
    'host': 'xxx',
    'database': 'dify',
    'raise_on_warnings': True
}
​
def handle_errors(f):
    @wraps(f)
    def wrapper(*args, **kwargs):
        try:
            return f(*args, **kwargs)
        except Exception as e:
            return jsonify({"error": str(e)}), 500
    return wrapper
​
@app.route('/execute', methods=['POST'])
@handle_errors
def execute_sql():
    data = request.get_json()
    if not data or 'sql' not in data:
        return jsonify({"error": "SQL statement is required"}), 400
​
    sql = data['sql']
​
    try:
        conn = mysql.connector.connect(**config)
        cursor = conn.cursor(dictionary=True)  # 使用字典游标获取列名
​
        cursor.execute(sql)
​
        if sql.strip().lower().startswith("select"):
            result = cursor.fetchall()
            return jsonify({"data": result})
        else:
            conn.commit()
            return jsonify({"affected_rows": cursor.rowcount})
​
    except mysql.connector.Error as err:
        return jsonify({"error": f"Database error: {err}"}), 500
    finally:
        if 'conn' in locals() and conn.is_connected():
            cursor.close()
            conn.close()
​
if __name__ == '__main__':
    app.run(host='0.0.0.0', port=3000, debug=True)

注意：

如果将代码贴入到本地后一些数据爆红(需要安装所需环境)

参考执行命令：

pip install flask

python -m pip show flask

pip install mysql-connector-python

5.节点五

格式化数据(自定义是否需要)

img

6.节点六

img

7.配置展示预览

至此所有配置结束，发布进行测试即可

Dify实现text2sql工作流[SQL调用篇]，并查询Postgres数据库 or Mysql数据库(docker容器)
丨汀、的博客
10-09 9064
Dify实现text2sql工作流[SQL调用篇]，并查询Postgres数据库 or Mysql数据库(docker容器)
Dify + Agent实现自然语言查询Mysql数据库并分析
wangwei的博客
03-20 1597
Dify + Agent实现自然语言查询Mysql数据库并分析 问题是，我配置完AGENT中的提示词、变量、知识库、工具后，比如我输入“查询用户信息”，按照 【知识库】中的文件信息，生成的sql应该是 “select  *  from  sys_user”等sql,但现在情况是，生成的sql中的表信息，与我配置的知识库中的信息不一致，问题出在哪里，虚心请教，感谢！！！！
DeepSeek+dify 工作流应用,自然语言查询数据库信息并展示
swj868的博客
03-21 961
1.部署千问 ollama run qwen2.5:7b 2.dify流程部署 3.需要用到python及其接口 cd进入模型目录 pip flask和pymssql 运行接口服务文件命令：python 文件名字接口服务文件可以利用deepseek生成：from flask import Flask, request, jsonify import pymssqlapp = Flask(name)DATABASE_CONFIG = {‘host’: ‘192.168.1.67\SQL2019’,
【AI】Dify自然语言生成Sql并查询数据库
最新发布
weixin_45131680的博客
04-28 403
7、第七个节点选择添加节点->LLM（大语言模型），并提供System信息指导，以及User模型指令。3、第三个节点选择添加节点->模板转换，输入的变量就是第二个节点输出的**/Json**2、第二个节点选择添加节点->工具->rookie_text2data，输入的变量就“5、第五个节点选择添加节点->工具->rookie_excute_sql，输入的变量“4、第四个节点选择添加节点->LLM（大语言模型），并提供System信息指导。8、第七个节点选择添加节点->结束，输入的变量“
dify+AI大模型+数据库实现自然语言转sql返回查询结果示例
wangwei的博客
03-21 453
dify+AI大模型+数据库实现自然语言转sql返回查询结果示例
Seq2SQL ：使用强化学习通过自然语言生成SQL
deex13491的博客
09-07 1207
论文：https://einstein.ai/static/images/layouts/research/seq2sql/seq2sql.pdf数据集：https://github.com/salesforce/WikiSQL Seq2SQL属于natural language interface （NLI）的领域，方便普通用户接入并查询数据库中的内容，即用户不需要...
五、【AI】Dify自然语言生成Sql并查询数据库
qq_43127792的博客
03-28 5124
1、把表结构（含表名、字段、主外键关系）导入到知识库，用知识库来检索生成可执行Sql语句，执行Sql语句，生成数据结果。3、第三个节点选择添加节点->模板转换，输入的变量就是第二个节点输出的**/Json**2、第二个节点选择添加节点->工具->rookie_text2data，输入的变量就“5、第五个节点选择添加节点->工具->rookie_excute_sql，输入的变量“4、第四个节点选择添加节点->LLM（大语言模型），并提供System信息指导。8、第七个节点选择添加节点->结束，输入的变量“
dify + agent +知识库构建自然语言转sql查询Postgresql数据库
a123147abc的博客
02-28 3157
dify+agent+知识库构建自然语言转sql查询Postgresql数据库
高阶玩法——Dify生成的数据自动写入mysql数据库
qq_44493378的博客
01-24 4892
采用自定义工具方式，利用 python编写一个服务sql_save_post，将接收到的内容写入指定数据库的表中，并为该服务撰写一个 OpenAPI 的 schema。配置工作流：我们以写入天气预报为例，在生成天气预报内容后，连接自定义工具“sql_save_post”，将所需的字段配置完成后，实现将生成的内容自动写入mysql数据库中。编写OpenAPI的schema：在dify平台的工具栏目，创建自定义工具，输入工具名称“sql_save_post”。工具：sql_save_post；
dify工作流之text-2-e-sql，大模型写sql并执行
彪悍大蓝猫的博客
04-22 445
我使用java连接本地的数据库,并使用Springboot暴露http服务，您可以根据自己的实际需要编写代理服务。市面上有太多的text-to-sql工具，但是我这次突发灵感，为什么不做一个可以执行sql得text2sql呢。4）根据返回的结果集，调用大模型进行清洗，将返回的json数组，转换成markdown格式，便于输出。dify的安装我不再赘述，我采用的是win10本地docker部署的方式。mysql的安装也不再介绍，如有需要还请移步其他博主。1）第一部分为开始，入参部分。5）输出步骤4的结果。
大型语言模型能否作为数据库接口？ 一个用于大规模数据库支持的Text-to-SQL基准测试
03-04
Text-to-SQL解析旨在将自然语言问题转换为可执行的SQL语句，近年来受到了越来越多的关注。特别是GPT-4和Claude-2在这项任务中表现出色。然而，大多数流行的基准测试（如Spider和WikiSQL）专注于具有少量数据库值的数据库模式，这在学术研究与实际应用之间留下了差距。为了缓解这一差距，我们提出了 BIRD , 一个针对大规模数据库支持的文本到SQL任务的大规模基准测试，包含 12,751 个文本到SQL对和 95 个数据库，总大小为 33.4 GB , 涵盖 37 个专业领域。我们强调数据库值的重要性，突出了脏数据和噪声数据、外部知识关联以及SQL效率等新挑战，特别是在处理大规模数据库时。要解决这些问题，文本到SQL模型必须具备数据库值理解能力，而不仅仅是语义解析。实验结果表明，数据库值对于生成准确的文本到SQL至关重要。此外，即使是最有效的文本到SQL模型（如GPT-4），其执行准确率也仅为54.89%，仍远低于人类的92.96%，证明了这些挑战依然存在。我们还提供了一个效率分析，以提供有关生成高效SQL的见解，这对工业界非常有益。我们相信 BIRD 将有
BASE-SQL：一种强大的开源Text-to-SQL基准方法
03-07
将自然语言转换为用于查询数据库的SQL语言（文本转SQL）具有广泛的应用前景，已引起广泛关注。目前主流的文本转SQL方法主要分为基于上下文学习（ICL）的方法和基于监督微调（SFT）的方法。ICL方法由于使用最先进的闭源模型而能够取得相对较好的结果。然而，在实际应用场景中，需要考虑数据隐私、SQL生成效率和成本等因素。SFT方法在这些方面具有一定优势。当前基于开源模型微调的方法缺乏易于实现且有效的（成本效益高的）基准方法。我们提出了一种基于开源模型微调的管道方法，称为BASE-SQL，包括四个组件：模式链接、候选SQL生成、SQL修订和SQL合并修订。实验结果显示，BASE-SQL使用开源模型Qwen2.5-Coder-32B-Instruct，在BIRD开发集上达到了67.47%的准确率，在Spider测试集上达到了88.9%的准确率，显著优于其他使用开源模型的方法，甚至超过了使用GPT-4o闭源模型的几种方法。同时，BASE-SQL易于实现且高效（平均每次生成SQL只需调用大型语言模型五次）。代码将在 https://github.com/CycloneBoy/base_sql 上
Python-SQLNet用于从自然语言生成结构化SQL查询的神经网络
08-11
SQLNet 用于从自然语言生成结构化SQL查询的神经网络
智能体：Dify 实现 text2sql 工作流程
04-18
智能体：Dify 实现 text2sql 工作流程
用dify + agent构建自然语言查询数据库信息并展示
热门推荐
wu_tech的博客
12-11 1万+
用dify + agent构建自然语言查询数据库信息并展示。
使用Chainlit接入通义千问快速实现一个自然语言转sql语言的智能体
洛阳泰山的博客
08-03 456
让我们使用chainlit快速构建一个简单的应用程序，帮助用户使用自然语言创建 SQL 查询。
dify 自然语言解析sql语言
03-18
以下是基于Dify平台实现自然语言生成或解析SQL语句的关键步骤： --- #### 1. **准备数据库文档与知识库** - **存储数据库元数据**：将数据库表结构、字段说明、业务含义等文档存入Dify知识库[^1]。例如： ```...
利用Dataherald API在LangChain中实现自然语言到SQL转换
dfitghjk的博客
12-14 381
本文详细介绍了如何利用Dataherald API在LangChain中实现自然语言到SQL的转换。本教程涉及到的API和工具对于现代化数据查询自动化有着重要意义，值得各位开发者深入学习。Dataherald API参考文档LangChain官方指南。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

伏颜.

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值