摘要：在数据分析工作中，如何快速从复杂数据库中提取信息并生成直观的可视化图表，一直是业务人员的痛点。本文带来一份超详细的5000字教程，教你如何利用Dify工作流结合AI技术，实时查询数据库并自动生成可视化图表。从基础的SQL查询到复杂的多表关联，再到借助知识库实现

在数据分析工作中，如何快速从复杂数据库中提取信息并生成直观的可视化图表，一直是业务人员的痛点。本文带来一份超详细的5000字教程，教你如何利用Dify工作流结合AI技术，实时查询数据库并自动生成可视化图表。从基础的SQL查询到复杂的多表关联，再到借助知识库实现精准查询，最后通过Echarts生成专业图表，全方位提升数据分析效率。

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。

之前我写过一篇教程，用MCP的方式，让Cursor自动查询数据库并完成表结构的修改等操作。

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。

文末附工作流DSL文件获取方式数据准备

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。

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。

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。

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

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

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。

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：

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

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：

最终运行结果（节选示例）：

结果没问题的✅

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。

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

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）

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：

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：

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。

来源：人人都是产品经理