用AI实时查询数据库，自动生成可视化图表 | Dify工作流

现在基本上每个上点规模的公司都会有数据库，但想要让业务同学自己去写SQL取数，其实是不现实的，很多小白会觉得SQL甚至比Python还要难学。

现在，不怕了，我们可以用AI来帮我们完成数据库的查询，甚至生成文字洞察和可视化图表。

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. \1. 先用AI生成SQL代码
2. \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. \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

1. \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）

1. \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。

如何学习大模型技术，享受AI红利？

面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，详尽的全套学习资料，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

无论是初学者，还是希望在某一细分领域深入发展的资深开发者，这样的学习路线图都能够起到事半功倍的效果。它不仅能够节省大量时间，避免无效学习，更能帮助开发者建立系统的知识体系，为职业生涯的长远发展奠定坚实的基础。

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】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

结语

大模型作为新时代的风口，确实为那些希望转行或寻求职业突破的人提供了广阔的舞台。然而，是否选择进入这一领域还需综合考虑自身的兴趣、特长以及长远规划。通过构建基础知识体系、参与实际项目、拓展软技能、关注跨学科融合以及建立广泛的社交网络，你可以在这个充满机遇的新领域中迅速站稳脚跟。

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】