41-dify案例分享-基于database插件实现Text2sql的数据库查询图表工作流

最新推荐文章于 2026-07-23 16:21:08 发布

原创

最新推荐文章于 2026-07-23 16:21:08 发布 · 1w 阅读

1 前言

Text2SQL（或称NL2SQL）是一种自然语言处理技术，旨在将自然语言（Natural Language）问题转化为关系型数据库中可执行的结构化查询语言（Structured Query Language，SQL），从而实现对数据库的查询和交互。这项技术的核心目标是通过自然语言描述，无需用户具备SQL语法知识，即可完成复杂的数据库查询任务

具体来说，Text2SQL的任务包括以下步骤：

输入分析：用户以自然语言形式输入问题，例如“查找平均工资高于整体平均工资的部门名称”。
语义解析：系统将输入的自然语言问题解析为数据库中的结构化查询语句。
SQL生成：根据解析结果生成对应的SQL语句，如“SELECT department_name FROM departments WHERE average_salary > (SELECT AVG(salary) FROM employees)”。
执行与反馈：系统执行SQL查询并返回结果，同时可能对结果进行进一步的解释或分析。

Text2SQL的应用领域广泛，包括智能客服、数据分析、金融、医疗、教育等，能够显著提高用户与数据库交互的效率和便利性。此外，随着大型语言模型（LLMs）的发展，Text2SQL技术在处理复杂查询和多轮对话方面也取得了显著进展。

前期也给大家介绍过关于dify整合数据库实现图表生成的案例，dify 1.0 之后插件市场上出现类多类似数据库工具插件，今天就带大家实现基于Text2SQL dify工作流。话不多说我们看一下生产的效果：

工作流也给大家截图看一下

2.工作流的制作

本次工作流涉及到的流程节点比较多。这里每个节点我就一一介绍了。之前也给大家介绍过很多工作流的制作，本次重点是介绍一下工作流中的重点工具的使用以及实现思路。

本次工作流是基于dify1.0+版本制作，有基于0.15 版本的小伙伴建议大家升级，不然不能使用。先检查一下自己dify的版本

本次工作流用到了几个工具。时间工具、ECharts图表生成、database

关于上述3个组件安装，这里就不做详细展开。有小伙伴需要纯内网使用的安装不了上述组件可以参考我之前的文章Dify 实战：纯内网1.0+版本，攻克模型工具插件离线安装难题

开始

考虑到多轮对话我们这里使用chatflow 工作流。点击预览按钮，右下角功能开启中我们增加对话开场白

为了方便用户的使用我们做了2个引导对话的开场白，这里我们配置三个问题。

这样我们打开预览页面就会出现3个开场白对话，用户就不需要输入点击开场白就直接对话了。

获取当前系统时间

这个地方主要是方便后面查询使用。

这里我们设置一下时区我们选择中国上海。

LLM

这个地方我们定义了一个LLM大语言，模型这里我们选择了火山引擎deepseek V3模型

系统提示词

### 角色
你是一个专业的SQL生成工具，需要根据用户生成标准的mysql库的SQL。    
### 任务
请根据以下问题生成 JSON 格式的 SQL 查询数组：
表名：student_scores（学生成绩信息表）
字段说明：
- id: 主键
- student_id: 学号
- student_name: 学生姓名 
- class_name: 班级
- subject: 科目
- score: 分数
- exam_date: 考试日期
- semester: 学期
- grade: 年级
- created_at: 记录创建时间
- updated_at: 记录更新时间
### 系统参数
当前时间：{
  
  {#1742350083195.text#}}

### 要求：
1. 根据用户提出的问题，生成 JSON 格式的 SQL 查询数组。
2. 每条 SQL 查询必须与问题直接相关，并从不同维度分析数据。
3. 生成的SQL最多10个。
4. 将所有生成的 SQL 查询封装到一个 JSON 数组中。
5. 确保 SQL 查询语法正确，并考虑性能优化。
6. 输出必须以 ```json 开始。
7. 如果问题涉及多个统计维度，请分别生成对应的子查询。
8. 涉及全量的应查询SQL以学期聚合。

用户提示词（主要给一下大模型一个用户提示词样例）

查询全校各科目平均分情况

assistant 提示词我们定义了一个上面开场白对应的SQL 语句

```json
           [
    {
        "title": "统计全校各科目平均分",
        "sql": "SELECT subject, ROUND(AVG(score), 2) AS avg_score FROM student_scores GROUP BY subject ORDER BY avg_score DESC;"
    },
    {
        "title": "统计各科目及格率",
        "sql": "SELECT subject, ROUND(COUNT(CASE WHEN score >= 60 THEN 1 END) * 100.0 / COUNT(*), 2) as pass_rate FROM student_scores GROUP BY subject ORDER BY pass_rate DESC;"
    },
    {
        "title": "统计各科目成绩分布",
        "sql": "SELECT subject, COUNT(CASE WHEN score >= 90 THEN 1 END) as excellent, COUNT(CASE WHEN score >= 75 AND score < 90 THEN 1 END) as good, COUNT(CASE WHEN score >= 60 AND score < 75 THEN 1 END) as pass, COUNT(CASE WHEN score < 60 THEN 1 END) as fail FROM student_scores GROUP BY subject;"
    }
]
```

整个llm配置截图如下

有的小伙伴可能会问，这个SQL 我不会，怎么办。可以把创建SQL 语句发给trae,让它帮我生成。

关于SQL 语句的创建后面也会给大家用trae 来创建和生成。

SQL Execute

因为考虑到用实现text2SQL 所以我们免不了使用到这个SQL Execute 工具。

我们可以在https://marketplace.dify.ai/plugins/hjlarry/database?language=zh-Hans 市场上找到这个项目

目前这个项目支持的数据库有mysql, postgresql, sqlite, sqlserver, oracle

mysql+pymysql://root:123456@localhost:3306/test
postgresql+psycopg2://postgres:123456@localhost:5432/test
sqlite:///test.db
mssql+pymssql://<username>:<password>@<freetds_name>/?charset=utf8
oracle+oracledb://user:pass@hostname:port[/dbname][?service_name=<service>[&key=value&key=value...]]

我们在插件市场把它安装好后，就需要对它配置。

我们用的是mysql参考上述链接字符串

mysql+pymysql://root:123456@localhost:3306/test

这里还有一个小技巧，就是如果数据库密码是带有@符号的，我们需要转义一下。否自会出现错误。

上述因为密码也带有特殊符号“@” 和后面的数据链接符号@产生了歧义这样程序连接就会报错

如何解决

若要借助转义的方式来处理包含特殊字符 @ 的连接字符串，在标准的数据库连接字符串里，一般没有通用转义符号能直接用在字符串里。不过可以对特殊字符 @ 进行 URL 编码，@ 对应的 URL 编码是 %40。

最后的变成

mysql+pymysql://root:zzz%40123@192.168.11.84:19030/test_db

这样修改后在连接就OK 了

看到已授权完成配置。

回到工作流我们设置一下需要查询的SQL 语句（前面步骤我们简化）

LLM汇总返回

这个地方也用到了LLM大语言模型，我们这里同样使用火山引擎提供的deepseek V3模型。

上下文中我们填写代码处理返回结果

系统提示词

### 角色
你是一个数据分析师，需要根据上个模型生成的 SQL 及其查询结果，优先回答用户问题，回答内容不要发散，并且将关联问题的结果进行分析并以 JSON 格式返回给用户。

### 参数
- **SQL 模型生成**：{
  
  {#1742362677100.text#}}
- **SQL 查询结果**：{
  
  {#context#}}

### 图片使用场景
- 线性图 ：适用于展示趋势变化的数据，例如时间序列数据（如每月、每年的变化）。
- 柱状图 ：适用于比较不同类别之间的数量或占比，例如各市的占比情况。
- 饼状图 ：适用于展示整体的组成部分及其比例，通常用于单维度的比例分布。

### 要求：
1. 优先回答用户问题，回答内容不要发散。
2. 根据用户问题正确使用线性图/柱状图/饼状图。
3. 将返回内容放入到 JSON 中，格式如下：
```json
{
  "results": "用md格式先回复用户问题，其它维度数据简单概括，但是数据一定要展示出来",
  "ECHarts": "1",  // 如果需要生成图表，则为 "1"；否则为 "0"
  "chartType": "线性图/柱状图/饼状图",  // 图表类型（仅当 ECHarts 为 true 时提供）
  "chartTitle": "图表标题",            // 图表标题（仅当 ECHarts 为 true 时提供）
  "chartData": "图表的数据，多个用;隔开", // 图表数据（仅当 ECHarts 为 true 时提供）
  "chartXAxis": "图表的X轴，多个用;隔开"   // 图表的X轴数据（仅当 ECHarts 为 true 时提供）
}
```

#### 注意事项：
- 如果查询结果适合生成图表，则 ECHarts 设置为 "1"，并补充 chartType、chartTitle、chartData 和 chartXAxis 字段。
- 如果查询结果不适合生成图表，则 ECHarts 设置为 "0"，并省略 chartType、chartTitle、chartData 和 chartXAxis 字段。
- 咨询占比必须使用饼状图进行展示，饼状图chartData中应返回百分比。

这个步骤主要是对查询结果进行汇总分析，另外把查询的结果ECHarts 图表组装需要的需要的JSON格式数据。

代码执行生成echart

上面llm大语言模型处理的结果我们这里用代码执行生成echart,代码如下

import re
import json

def main(arg1: str) -> dict:
    # 默认返回值
    default_output =

标签

#人工智能 #dify #数据库 #text2sql #echarts

最低0.47元/天解锁文章