dify案例分享-基于database插件实现Text2sql的数据库查询图表工作流本文介绍基于 Text2SQL 的

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

1

### 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）

<span data-line-num="1">查询全校各科目平均分情况</span>

assistant 提示词我们定义了一个上面开场白对应的SQL 语句

1

```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marketplace.dify.ai/plugins/hjl… 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

1

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

1

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

1

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

1

### 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

1

import re import json def main(arg1: str) -> dict: # 默认返回值 default_output = { "results": "", "ECHarts": "0", "chartType": "", "chartTitle": "", "chartData": "", "chartXAxis": "" } try: # 使用正则表达式提取被 ```json 和 ``` 包裹的内容 match = re.search(r'```json\s*([\s\S]*?)\s*```', arg1) if not match: raise ValueError("输入字符串中未找到有效的 JSON 数据") # 提取 JSON 字符串 json_str = match.group(1).strip() # 将 JSON 字符串解析为 Python 字典 result_dict = json.loads(json_str) except Exception as e: # 如果解析失败，打印错误信息并返回默认输出 print(f"解析失败: {e}") return default_output # 检查是否包含 ECHarts 字段 if "ECHarts" not in result_dict: result_dict["ECHarts"] = "0" # 默认设置为 "0" # 根据 ECHarts 的值动态检查图表相关字段 if result_dict["ECHarts"] == "1": required_chart_fields = ["chartType", "chartTitle", "chartData", "chartXAxis"] for field in required_chart_fields: if field not in result_dict: result_dict[field] = "" # 自动补全缺失字段为空字符串 # 构造返回值 return { "results": str(result_dict.get("results", "")), "ECHarts": str(result_dict.get("ECHarts", "0")), "chartType": str(result_dict.get("chartType", "")), "chartTitle": str(result_dict.get("chartTitle", "")), "chartData": str(result_dict.get("chartData", "")), "chartXAxis": str(result_dict.get("chartXAxis", "")) }

条件分支

这个条件分支是考虑用户输入的信息返回结果有线性图表、柱状图、饼图的输出，所以我们需要通过这个条件分支进行判断

ECharts图表

这个地方就是主要是使用ECharts图表对线性图表、柱状图、饼图的输出，这里输入的参数有3个分别是：

1.标题

2.数据

3.x 轴

其中线性图表、柱状图一样的，饼图有点区别它不是x 轴而是换成分类，数据格式都是一样的。

直接输出

这个就是把结果返回。分别对应线性图表、柱状图、饼图。

以上步骤我们就完成了工作流的制作。

3.验证及测试

我们点开工作流的预览按钮，点击系统给出的3个开场白。

2250409工作流

体验地址difyhs.duckcloud.fun/chat/ukN4Xh… 备用地址（http://14.103.204.132/chat/ukN4XhnVKLFN2wqw）

相关资料和文档可以看我开源的项目 github.com/wwwzhouhui/…

4.其它类资料

前面给大家介绍了工作流制作，其实这个工作流还是需要依赖数据库，所以我们需要把数据库和创建表创建完成才能使用。

有的小伙伴可能问，这个SQL 语句建表语句和初始化数据我不会怎么办？没关系我也不会，我们发给trae帮我们搞定

建表语句生成

需求：

我们的问题

1

请根据内容创建一个MYSQL student_scores 建表SQL 语句

呵呵它帮我把数据表建好了。建好后，我们发现我还要造一下数据，接下来我在让它帮我把初始化数据SQL 也搞定

初始化数据

我的问题

1

请这个表造100条数据，生成测试数据SQL 脚本，方便后面我们工作流图标展示使用

这2个语句是分开的，我想让它一次搞定。我接下来又提出问题。

我的问题

1

上面的SQL 语句和之前的 创建表的语句合并到一个SQL 语句并输出

生成好的SQL 语句如下

student_scores.sql （这个数据库脚本支持MYSQL8+版本，这个要注意哦）

1

-- 创建学生成绩表 CREATE TABLE `student_scores` ( `id` bigint NOT NULL AUTO_INCREMENT COMMENT '主键ID', `student_id` varchar(20) NOT NULL COMMENT '学号', `student_name` varchar(50) NOT NULL COMMENT '学生姓名', `class_name` varchar(50) NOT NULL COMMENT '班级名称', `subject` varchar(50) NOT NULL COMMENT '科目名称', `score` decimal(5,2) NOT NULL COMMENT '分数', `exam_date` date NOT NULL COMMENT '考试日期', `semester` varchar(20) NOT NULL COMMENT '学期', `grade` varchar(20) NOT NULL COMMENT '年级', `created_at` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间', `updated_at` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间', PRIMARY KEY (`id`), KEY `idx_student_id` (`student_id`), KEY `idx_exam_date` (`exam_date`), KEY `idx_subject` (`subject`), KEY `idx_class` (`class_name`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='学生成绩信息表'; -- 清空并重置表 TRUNCATE TABLE student_scores; -- 插入基础测试数据 INSERT INTO student_scores (student_id, student_name, class_name, subject, score, exam_date, semester, grade) WITH RECURSIVE numbers AS ( SELECT 1 AS n UNION ALL SELECT n + 1 FROM numbers WHERE n < 100 ), random_data AS ( SELECT n, CONCAT('2023', LPAD(FLOOR(RAND() * 100), 3, '0')) as student_id, ELT(FLOOR(RAND() * 10) + 1, '张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十', '郑十一', '王十二') as student_name, ELT(FLOOR(RAND() * 4) + 1, '高一(1)班', '高一(2)班', '高一(3)班', '高一(4)班') as class_name, ELT(FLOOR(RAND() * 5) + 1, '语文', '数学', '英语', '物理', '化学') as subject, ROUND(60 + RAND() * 40, 2) as score, DATE_ADD('2023-12-01', INTERVAL FLOOR(RAND() * 30) DAY) as exam_date, '2023-2024学年第一学期' as semester, '高一' as grade FROM numbers ) SELECT student_id, student_name, class_name, subject, score, exam_date, semester, grade FROM random_data; -- 插入不及格成绩数据 INSERT INTO student_scores (student_id, student_name, class_name, subject, score, exam_date, semester, grade) SELECT CONCAT('2023', LPAD(FLOOR(RAND() * 100), 3, '0')), ELT(FLOOR(RAND() * 10) + 1, '张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十', '郑十一', '王十二'), ELT(FLOOR(RAND() * 4) + 1, '高一(1)班', '高一(2)班', '高一(3)班', '高一(4)班'), ELT(FLOOR(RAND() * 5) + 1, '语文', '数学', '英语', '物理', '化学'), ROUND(40 + RAND() * 19, 2), DATE_ADD('2023-12-01', INTERVAL FLOOR(RAND() * 30) DAY), '2023-2024学年第一学期', '高一' FROM (SELECT 1 UNION ALL SELECT 2 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5) n; -- 插入优秀成绩数据 INSERT INTO student_scores (student_id, student_name, class_name, subject, score, exam_date, semester, grade) SELECT CONCAT('2023', LPAD(FLOOR(RAND() * 100), 3, '0')), ELT(FLOOR(RAND() * 10) + 1, '张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十', '郑十一', '王十二'), ELT(FLOOR(RAND() * 4) + 1, '高一(1)班', '高一(2)班', '高一(3)班', '高一(4)班'), ELT(FLOOR(RAND() * 5) + 1, '语文', '数学', '英语', '物理', '化学'), ROUND(90 + RAND() * 10, 2), DATE_ADD('2023-12-01', INTERVAL FLOOR(RAND() * 30) DAY), '2023-2024学年第一学期', '高一' FROM (SELECT 1 UNION ALL SELECT 2 UNION ALL SELECT 3 UNION ALL SELECT 4 UNION ALL SELECT 5) n;

创建数据库导入SQL脚本

这个地方我们需要增加创建数据库，把SQl语句导入。

我们使用数据库工具 dbeaver.exe

创建一个test数据库

创建好后，如下

然后导入我们student_scores.sql 脚本。当然你也可以使用Navicat Premium Lite 这种数据库导入脚本。

导入完成后我们看到创建好的表和SQL

以上数据都是AI帮我们生成的，看起来还挺真实的，省了我不少时间造数据。

5.总结

今天主要带大家实现了基于 Text2SQL 的 Dify 工作流，借助 Dify 平台实现自然语言到 SQL 查询的转换，并进行数据库查询与图表生成。详细介绍了整个工作流的实现步骤，包括工作流的制作，如添加对话开场白、获取当前系统时间、配置 LLM 大语言模型以及使用 SQL Execute 工具执行 SQL 查询等。本次工作流涉及到 Dify 1.0+ 版本的使用、相关工具（时间工具、ECharts 图表生成、database）的安装与配置，以及 SQL 语句的生成与执行等知识。虽然步骤较多，但只要按照文章的指引逐步操作，相信大家都能够掌握。感兴趣的小伙伴可以关注支持，今天的分享就到这里结束了，我们下个文章见。

文章目录