5000字教程：用AI实时查询数据库，自动生成可视化图表 | Dify工作流

但说实话，MCP的方式目前还是很不稳定的，不适合用在实际工作中。

更不用说把Excel直接扔给AI做分析的方式：1. 数据安全问题；2. 出来的结果准确率很低。

怎么办？

最好的方式就是在本地部署工作流，直接对接数据库**，通过给SQL代码然后执行的方式来查询，准确率最高。**

但数据库如果量比较大，又怎么才能让AI知道我表结构，并给出准确代码呢？答案是搭建数据库表结构的知识库。

以下就是具体怎么做的教程目录：

效果及逻辑如下：

给定一个查询需求后，AI会到知识库查询表结构，并据此生成SQL语句，执行后，调用Echarts图表的能力，以及数据科学家的Agent，最终生成一个图文并茂的可视化查询结果。

数据准备

我准备了一个数据库，里面包含了销售表、产品表、地区表，可以实现复杂的多表查询，也是在实际业务中很常见的需求场景。

新增节点

在Dify里做SQL查询，逻辑是：

1. 先用AI生成SQL代码
2. 执行SQL代码

这里可以直接搜索database工具，里面就包含了这两个功能：Text to SQL 和 SQL Execute

点去授权，按以下形式输入你的数据库地址和账号密码，以mysql为例：

mysql+pymysql://root:8455be@152.12.12.12:3306/bgggtest

OK，接下来我们就来具体实现SQL查询。

模块一：SQL查询

为了让大家能理解我搭建这个工作流的逻辑，我逐步演示给大家看。同时，这也是从0开始搭建一个AI工作流的方式：小步快跑、不断测试。

坐稳扶好，马上出发！！！

假设SQL查询有分级。。。

第1级 青铜：指定表格、字段名称查询

这也是最简单的，如图，直接告诉AI我要查哪个表的什么字段的内容

就能得到如下结果，这步是为了来验证AI的运行是否有问题。

## 得到的查询语句
{
"text": "SELECT * FROM 销售表 LIMIT 5",
"files": [],
"json": []
}
## 查询结果
{
"text": "",
"files": [],
"json": [
    {
      "result": [
        {
          "id": "1028",
          "sku": "1012551685",
          "spu": "101255",
          "区域 Id": "中南-0091",
          "商品件数": "4",
          "客户 Id": "10150",
          "订单 Id": "CN-2020-3064620",
          "订单日期": "2020-05-24",
          "订单金额": "213"
        },
        {
          "id": "1322",
          "sku": "1005590887",
          "spu": "100559",
          "区域 Id": "华东-0013",
          "商品件数": "3",
          "客户 Id": "10150",
          "订单 Id": "CN-2021-1086295",
          "订单日期": "2021-01-09",
          "订单金额": "1748.01"
        }
      ]
    }
  ]
}

第2级 白银：在提示词里给表结构

我们不可能说每个查询语句都自己写清楚表格和字段（如果是这样的话我自己都写完SQL了 还要AI干嘛）

所以这里，我们再加一步，把数据库的表结构全部导出来给到AI

那问题来了，怎么拿到数据库表结构呢？

我的方案是用Navicat，链接数据库后，如图，右键转储SQL文件-仅结构

就能得到以下的建表语句：

接下来要做的就很简单了：把提示词放到生成SQL语句的提示词里即可。这里就不重复演示了。

做了一下测试，继续验证数据的正确性统计每天销售额

{
  "text": "SELECT `订单日期`, SUM(`订单金额`) AS '每日销售金额' FROM `销售表` GROUP BY `订单日期` LIMIT 5",
"files": [],
"json": []
}

{
"text": "",
"files": [],
"json": [
    {
      "result": [
        {
          "每日销售金额": 19747.02,
          "订单日期": "2020-05-24"
        },
        {
          "每日销售金额": 3707.9900000000002,
          "订单日期": "2021-01-09"
        },
        {
          "每日销售金额": 11604.099999999999,
          "订单日期": "2021-02-11"
        },
        {
          "每日销售金额": 20188.98,
          "订单日期": "2021-06-11"
        },
        {
          "每日销售金额": 47586.95000000001,
          "订单日期": "2021-05-06"
        }
      ]
    }
  ]
}

数据没问题，继续升级。

至此，我们已经能满足很多场景的SQL查询了，但可能还无法应对实际业务中的需求，因为实际业务中的数据表会很多很多、表结构也复杂，不太可能把整个数据库表结构都直接放到提示词里，否则会导致上下文过长。

怎么办呢？

第3级 黄金：把表结构放到知识库里，调用RAG查询

如果可以让AI在查询的时候，顺手去查表结构，就好了！！！这就是解决方案。

新建数据库表结构知识库

首先，在Dify创建知识库，如下图：

还记得之前我们导出来的数据库结构的文件吗，把它们放到txt文件里，然后上传。

知识库设置关键点：

1. 如下图，正常来说按默认配置就好了，预览块看右边的分块结果，要确保一个Chunk一个表

2. 索引方式要选 高质量 的，否则永远查不出来结果

例如下面左边就是经济（无法击中）、右边是高质量（能准确查到）

3. 检索设置中的 Top K 可以根据数据复杂程度选高一点，正常来说一次查询最多就3-5个表做连接。如果再多的话，或许就不太适合用AI 了。

新建知识检索节点

回到我们的工作流，在开始的之后，新建一个知识检索，也就是说，在用户对话的时候，就根据用户的需求，提前先到知识库里找好需要用到的表结构，喂给AI。

此时，因为我们需要用到知识检索的结果，就要用用LLM大模型节点来生成，只需要设置好提示词，以及把检索到 的表结构通过上下文的形式放进去即可：

完整提示词：

【角色设定】
您是一位资深数据库专家，擅长根据业务需求将自然语言精准转换为符合规范的SQL语句。您具有以下核心能力：
1. 精通关系型数据库设计，尤其熟悉MySQL语法
2. 深入理解当前业务系统的表结构
[上下文]
3. 能准确识别业务需求中的隐藏条件
4. 熟悉SQL性能优化和事务控制

【输入处理流程】
1. 结构确认：先验证涉及的表是否存在，检查字段名是否准确
2. 关联分析：确认多表关联时的连接条件是否正确
3. 条件推导：将模糊的业务描述转化为精确的WHERE条件
4. 异常处理：识别可能存在的逻辑矛盾或性能陷阱

【输出要求】
输出sql中不要添加任何注释信息
采用如下格式返回结果：
[符合ANSI标准的SQL语句]

【示例】
用户问题："查询北京用户最近一个月购买过智能手机的订单"
输出：
SELECT o.order_no, u.username, oi.total_price, o.order_time 
FROM orders o
JOIN users u ON o.user_id = u.id
JOIN order_items oi ON o.id = oi.order_id
JOIN products p ON oi.product_id = p.id
WHERE u.address LIKE'北京市%'
AND p.product_name ='智能手机'
AND o.order_time >=CURRENT_DATE-INTERVAL'1 month'
AND o.status NOTIN ('已取消') 
ORDERBY o.order_time DESC;

新增一个数据处理节点

但注意，大模型跑出来的SQL语句里面有很多换位符等需要清洗，这里我们简单加个Python代码执行

import re
def main(arg: str) -> dict:
    result = re.sub(r'```sql\n|```', '', arg)
    return {
        "result": result
    }

测试运行结果

目前的工作流和对话效果如图所示，也就完成了我们第一个模块：text2SQL

升级测试需求，做多表查询：查询各地区销售数据

得到的SQL代码：

SELECT t2.`地区`, SUM(CAST(t1.`订单金额` AS DECIMAL(18, 2))) AS `销售合计` 
  FROM `销售表` AS t1
  INNER JOIN `地区表` AS t2 ON t1.`区域 Id` = t2.`区域 Id`
  GROUP BY t2.`地区`;

最终运行结果（节选示例）：

{
  "text":"",
"files":[],
"json":[
    {
      "result":[
        {
          "地区":"华东",
          "销售合计":"2574033.54"
        },
        {
          "地区":"西南",
          "销售合计":"598791.29"
        },
        {
          "地区":"东北",
          "销售合计":"1420192.51"
        }
      ]
    }
]
}

结果没问题的✅

番外：调用Agent能力

本来，我想测试Dify用Agent的查SQL的能力。

逻辑是：让Agent自行去决定调用什么工具，也就是说前面我们的工作流，把生成代码、执行代码的部分删掉，改为Agent的工具，来执行。

结果不知道是bug还是什么问题，一直跑不出来。

虽然工作流看上去比较简单了，但实际上工作量也没少多少，还依赖大模型的工具调用能力，不确定性比较高，不适合在实际业务中使用。大家可以自己试一下。

模块二：可视化图表

接下来完成可视化图表的部分。

1.0 青铜

首先，新增插件Echarts图表生成

但这个工具目前只有三种图可以用：线性图（折线图）、柱状图、饼图。正常来说也是最常用的。

继续来看我怎么从0开始创建这个工作流的。

刚开始，我肯定不知道这个组件怎么用，所以要先看看这个图表的逻辑是什么样的，如下图，随便填数据

得到的图表是这样的，我们就明白了组件里的参数怎么填：

• 标题：很好理解
• 数据：就是y轴上的数据
• X轴：就是x轴上的标签或者数据显示

柱状图和饼图都是一样的数据结构：

OK，测试后，我们就明白了：现在的问题就变成了怎么把sql查询出来的结果，转成Echarts需要的数据结构？

有两种方法可以解决

方法一：用Dify内置工具****参数提取器

适用场景：这个方法本质还是用AI去提取数据，所以适合数据量比较小的时候，上下文不大，才不容易出错。

参考提示词：

## 任务
从JSON数据中提取出不同的数据参数，用于生成echarts图表

## 要求
1. 根据数据，起一个标题，并赋值给title
2.  根据数据，判断要只做的echarts图表类型，提取y轴的数据赋值给ydata，每个文本用单引号引起之间用 "," 分隔
3. 把x轴的数据赋值给xdate，每个文本用单引号引起之间用 ";" 分隔

## 示例
给定的JSON数据：
​```
{
"text": "销售日期      |日销售总额   \n----------|--------\n2021-05-01|18819.99\n2021-05-02|3292.00 \n2021-05-04|37564.94\n2021-05-05|3607.01",
"files": [],
"json": []
}
​```

抽取的结果：
​```
title: 2021年5月1每日销售
ydata: 18819.99;3292;37564.939999999995;3607.01
xdata:  2021-05-01;2021-05-02;2021-05-04;2021-05-05
​```

需要处理的数据：

然后再把提取器的数据给到图表中引用即可，如图：

方法二：AI编程，写一个脚本从JSON中提取出数据。

适用场景：查询出来的数据量比较大的时候，用代码处理不容易出错。

首先要调整一个地方，就是SQL Execute****这个节点是可以定义输出格式的，原先我们一直用的是Markdown，好处是在最后的对话中能直接呈现表格，但不利于我们解析数据。要改成JSON

现在看下这个节点输出的SQL结果长什么样：

计算2021年5月的每日销售

就得到以下的JSON数据格式（节选示意）

{
  "text":"",
"files":[],
"json":[
    {
      "result":[
        {
          "每日销售额":18819.99,
          "订单日期":"2021-05-01"
        },
        {
          "每日销售额":3292,
          "订单日期":"2021-05-02"
        },
        {
          "每日销售额":37564.939999999995,
          "订单日期":"2021-05-04"
        },
        {
          "每日销售额":3607.01,
          "订单日期":"2021-05-05"
        }
      ]
    }
]
}

根据这个输入，就可以让Deepseek V3帮我们写一个Python语句了

大家也可以直接用我的：

import json
defmain(arg: str) -> dict:

    data = arg

    # 获取result列表
    result_list = data[0]['result']

    result = str(result_list)

    ydata = ";".join([str(list(item.values())[0]) for item in result_list])
    xdata = ";".join([list(item.values())[1] for item in result_list])

    return {
        "ydata": ydata,
        "xdata": xdata
    }

这里的一个麻烦的地方就在于SQL运行后的名字的不确定，所以就不能直接用名字去获取，例如item[‘日期’]

而是改用数字的形式 例如 list(item.values())[0] 这样

同时，用代码的方式，标题就要再用一个AI节点来生成了，相对来说比较麻烦。

除非是流程非常确定的情况下，否则不推荐使用这种方式。

这样我们就初步完成了可视化图表的模块。

为了让结果更丰富，我们可以新增一个数据科学家的AI节点，让AI做一段定性的文字分析，参考提示词：

# 角色 
 数据科学家 
 ## 注意 
 1. 激励模型深入思考角色配置细节，确保任务完成。 
 2. 专家设计应考虑使用者的需求和关注点。 
 3. 使用情感提示的方法来强调角色的意义和情感层面。 
 ## 性格类型指标 
 INTJ（内向直觉思维判断型） 
 ## 背景 
 作为数据科学家，这个角色旨在为用户提供数据分析、模型构建和预测的专业知识。专家通过分析大量数据，帮助用户发现数据背后的模式和趋势，从而为决策提供支持。 
 ## 约束条件 
 - 必须遵循数据隐私和安全原则 
 - 需要保持客观和中立，避免个人偏见影响分析结果 
 ## 定义 
 数据科学：数据科学是一门跨学科领域，涉及使用统计学、机器学习、数据挖掘和可视化技术来分析和解释数据，以发现模式和做出预测。 
 ## 目标 
 1. 提供准确的数据分析和洞察 
 2. 构建有效的预测模型 
 3. 帮助用户做出基于数据的决策 
 ## Skills 
 1. 统计学和机器学习知识 
 2. 数据处理和分析能力 
 3. 编程和算法实现能力 
 4. 数据可视化技能 
 ## 音调 
 专业、客观、细致、耐心 
 ## 价值观 
 - 追求数据的真实性和准确性 
 - 以数据驱动的决策为依据 
 - 尊重数据的隐私和安全 
 # Initialization 
 您好，作为数据科学家，我将严格遵循工作流程，为您提供深入的数据分析和专业的建议。让我们开始吧，共同探索数据背后的奥秘。

这样就像模像样了。

接下来解决另一个问题：

前面我们做的案例是线性图表的，难道接下来要对柱状图、饼图都做一样的流程吗？如果后面有了更多图表，岂不是很麻烦？

2.0 白银

所以，我们就需要在前面新增一个判断用哪种图片的节点，然后让AI自动选择好后，呈现出合适的可视化类型。

怎么做呢？

还记得我们的参数提取器吗，它本身就是一个AI的运行逻辑，所以我们可以在里面新增一个ChartType的参数，同时在指令里也给出对应的要求和示例，如下图：

然后在参数提取器的后面新增条件分支，如下图，一个类型对应一个图表，而每个图表都是引用一样的参数即可。

最后，为了让AI回复部分用同样的参数，我们需要新增一个会话变量chart_var

然后在每个图表后面都新增一个变量赋值的节点，把对应的图表结果都赋值给它，这样直接回复的部分直接引用这个chart_var就好了。

最终效果还是不错的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】