你是否曾幻想过，
面对复杂的数据，
不再需要手动编写繁琐的SQL，
不再需要费力选择图表类型，
只需像和助手对话一样，
轻松说出你的数据分析需求，
精美的图表便能自动呈现在眼前？
使用效果如下：
我将手把手带你利用dify的工作流编排能力和大型语言模型（LLM），搭建一个能“听懂”我们自然语言指令，自动查询数据库、判断图表类型，并最终生成酷炫Echarts图表的数据可视化助手！
忘记那些写死的SQL和固定的图表吧，是时候让数据分析变得如此智能和随心所欲了！
核心思路很简单： 用户用大白话提问 -> 工作流智能判断是否需要图表及图表类型 -> 将用户问题转化为SQL语句 -> 执行SQL查询数据库 -> 将查询结果处理成图表所需格式 -> 调用相应的Echarts图表插件生成图表 -> （如果不需要图表）LLM总结数据并回复。
听起来很酷？让我们一步步拆解这个工作流是如何搭建的。
1 数据准备
还是用中国历史票房红榜的数据了，使用Mysql数据库。
你可以根据自己的实际业务数据进行替换。
我们选取其中的年份、电影名称、评分、导演、票房来新建数据表。
新建数据库test。
新建数据库表boxoffice结构如下：
-- ------------------------------ Table structure for boxoffice-- ----------------------------DROPTABLE IF EXISTS `boxoffice`;CREATETABLE `boxoffice` ( `years` varchar(64) CHARACTERSET utf8 COLLATE utf8_unicode_ci NULLDEFAULTNULL, `movie_name` varchar(255) CHARACTERSET utf8 COLLATE utf8_unicode_ci NULLDEFAULTNULL, `score` floatNULLDEFAULTNULL, `director` varchar(64) CHARACTERSET utf8 COLLATE utf8_unicode_ci NULLDEFAULTNULL, `box_office` floatNULLDEFAULTNULL) ENGINE = MyISAM CHARACTERSET= utf8 COLLATE= utf8_unicode_ci ROW_FORMAT =Dynamic;
数据如下：
2 搭建对话流
这次用到了两个插件，需要提前安装一下。
1、插件市场搜索“db”，找到【rookie_text2data】插件进行安装。
2、插件市场搜索“Echarts”，找到【ECharts图表生成】插件进行安装。
新建一个对话流，这次稍微复杂一点点，整体流程如下：
2.1 开始节点
这里无需特殊配置，它将作为接收用户自然语言提问的入口。
2.2 判断用户问题 (LLM节点)
这是我们工作流的第一个“智能大脑”。
它负责分析用户的原始问题，判断是否需要图表，并初步确定合适的图表类型（柱状图、折线图、饼图，或不需要图表）。
模型选择: deepseek-ai/DeepSeek-V3
完整提示词如下：
你是一个智能助手，需要根据用户的问题判断是否需要用图表展示数据，并判断适合的图表类型。
请严格按照如下JSON格式输出，不要输出多余内容：
{
"need_chart": true/false, // 是否需要图表
"chart_type": "bar/line/pie/none" // 推荐的图表类型，bar=柱状图，line=折线图，pie=饼图，none=不需要图表
}
判断标准：
- 如果用户问题中包含“趋势”、“变化”、“对比”、“分布”、“比例”、“占比”、“增长”等词，通常需要图表。
- 如果用户问题中有“每年”、“历年”、“随时间”、“随年份”等，推荐折线图（line）。
- 如果用户问题中有“对比”、“排行”、“最多”、“最少”等，推荐柱状图（bar）。
- 如果用户问题中有“占比”、“比例”、“分布”等，推荐饼图（pie）。
- 如果用户只是问具体数值、详情、描述，不需要图表，chart_type 填 none。
示例：
用户问题：“请用图表展示历年票房变化”
输出：{"need_chart": true, "chart_type": "line"}
用户问题：“各导演的票房占比是多少？”
输出：{"need_chart": true, "chart_type": "pie"}
用户问题：“哪吒之魔童降世的票房是多少？”
输出：{"need_chart": false, "chart_type": "none"}
现在请判断下面这个问题：
{{#sys.query#}}
2.3 自然语言转SQL（ROOKIE_TEXT2DATA）
这个节点是实现“自然语言对话数据库”的核心。它会将用户的原始问题（sys.query）和我们预设的数据库表结构信息结合，智能地生成可执行的SQL语句。
输入变量:
- 数据表名称: boxoffice
- 查询语句: {{sys.query}} (引用开始节点的用户输入)
数据库配置: 正确填写数据库类型、IP、端口、库名、用户名、密码。
大模型：我这里就用DeepSeek V3了。
返回数据格式为TEXT，就是自然语言转成的SQL语句。
自定义提示词：
表名：boxoffice
字段说明：
- years：年份，int
- movie_name：电影名，string
- score：评分，float
- director：导演，string
- box_office：票房，int
注意事项：
- 如有分组统计，请使用SUM、AVG等聚合函数，不要直接用原始字段。
- 所有非聚合字段必须出现在GROUP BY中。
- 只输出SQL语句，不要解释。
示例查询：
1. 查询每个导演的总票房：SELECT director, SUM(box_office) FROM boxoffice GROUP BY director;
2. 查询每年票房最高的电影：SELECT years, movie_name, MAX(box_office) FROM boxoffice GROUP BY years;
之所以选择这个插件，因为支持自定义提示词，这样就可以把表结构及注意事项都写在提示词中。
2.4 执行SQL（ROOKIE_EXCUTE_SQL）
此节点负责连接数据库，并执行上一步生成的SQL语句。
-
输入变量:
-
- 待执行的SQL语句: {{rookie_text2data.text}} (引用上一个节点的输出，即生成的SQL语句)
-
数据库配置: 正确填写数据库类型、IP、端口、库名、用户名、密码。
-
返回数据格式: TEXT。
2.5 条件分支-判断是否需要图表
这是一个逻辑判断节点，它会根据第一个LLM节点【判断用户问题】的输出，决定工作流是走向“生成图表”的分支，还是走向“无需图表，直接文字回答”的分支。
2.6 处理图表数据
上一个条件分支走到需要图表，工作流会进入这个LLM节点。
它的核心任务是将SQL查询结果（目前是TEXT格式）和第一个LLM判断出的图表类型（target_chart_type），转换为后续代码节点或图表插件所需的格式化数据。
完整提示词如下：
SYSTEM
你是一个数据格式化专家。你的核心任务是根据已执行的SQL查询结果和用户指定的图表类型，将数据转换为特定图表工具所需的输入格式。
## 上下文变量说明:
*`target_chart_type`: (String) 用户期望生成的图表类型，值为 "bar"、"pie" 或 "line"。此信息来源{{#1746780564950.text#}}。
*`sql_execution_result`: (JSON Array) SQL查询的执行结果，来源于{{#context#}}例如 `[{"category": "A", "value": 10}, {"category": "B", "value": 20}]`。
*`user_original_query`: (String) 用户最原始的自然语言查询，可用于辅助生成图表标题,，来源于{{#sys.query#}}。
## 图表工具输入规范：
1.**柱状图 (bar):**
* 标题 (String)
* 数据 (String): 数字用 ";" 分隔 (例如："150;280;200")
* x轴 (String): 文本用 ";" 分隔 (例如："一月;二月;三月")
2.**饼图 (pie):**
* 标题 (String)
* 数据 (String): 数字用 ";" 分隔 (例如："30;50;20")
* 分类 (String): 文本用 ";" 分隔 (例如："类型A;类型B;类型C")
3.**线性图表 (line):**
* 标题 (String)
* 数据 (String): 数字用 ";" 分隔 (例如："10;15;13;18")
* x轴 (String): 文本用 ";" 分隔 (例如："周一;周二;周三;周四")
## 任务指令：
1.**解析核心数据**:
* 将输入的 `sql_json_string_result` (它是一个字符串) **作为 JSON 进行解析**。解析后的结果可能是单个 JSON 对象（如果SQL只返回一行）或一个 JSON 对象数组（如果SQL返回多行）。我们将其称为 `core_sql_data`。
* 例如，如果 `sql_json_string_result` 是字符串 `"[{\"colA\": \"val1\", \"colB\": 10}]"`，那么 `core_sql_data` 就是实际的数组 `[{"colA": "val1", "colB": 10}]`。
* 如果 `sql_json_string_result` 是字符串 `"{\"colA\": \"val1\", \"colB\": 10}"`，那么 `core_sql_data` 就是实际的对象 `{"colA": "val1", "colB": 10}`。为了统一处理，如果它是单个对象，请将其视为只包含一个元素的数组。
2.**生成图表标题**: 参考 `user_original_query`，生成一个简洁明了的 `chart_tool_title`。
3.**数据提取与格式化 (基于 `core_sql_data`)**:
* 分析 `core_sql_data`。数组中的每个对象代表一个数据点。你需要从中识别出用作标签/类别/x轴的字段（通常是文本或日期类型）和用作数值/数据的字段（通常是数字类型）。
***根据 `target_chart_type` 指示的类型进行处理：**
***若为 "bar"**:
* 从 `core_sql_data` 中提取所有对象的数值字段值，用 ";" 连接成 `chart_tool_data_string`。
* 提取所有对象的标签字段值，用 ";" 连接成 `chart_tool_label_string` (对应x轴)。
***若为 "pie"**:
* 从 `core_sql_data` 中提取所有对象的数值字段值，用 ";" 连接成 `chart_tool_data_string`。
* 提取所有对象的标签字段值，用 ";" 连接成 `chart_tool_label_string` (对应分类)。
***若为 "line"**:
* 从 `core_sql_data` 中提取所有对象的数值字段值，用 ";" 连接成 `chart_tool_data_string`。
* 提取所有对象的标签字段值，用 ";" 连接成 `chart_tool_label_string` (对应x轴).
* 确保 `core_sql_data` 中至少有一个标签/类别字段和一个数值字段可供提取。如果字段不明确（例如，多个数字列），优先选择第一个文本/日期字段作为标签，第一个数字字段作为数据，或根据 `user_original_query` 中的暗示选择。
4.**构建输出**:
* 以严格的JSON对象格式输出以下字段：
*`chart_tool_title` (String)
*`chart_tool_data_string` (String)
*`chart_tool_label_string` (String)
*`chart_type_final` (String, 其值应等于输入的 `target_chart_type`)
## 示例（假设变量已按上述说明传入）：
* 若 `target_chart_type` = "bar"
* 若 `sql_json_string_result` (字符串) = `"[{\"product_name\": \"产品A\", \"total_sales\": 5500}, {\"product_name\": \"产品B\", \"total_sales\": 7200}]"`
* 若 `user_original_query` = "查询产品销售额柱状图"
期望的输出JSON:
```json
{
"chart_tool_title": "产品销售额柱状图",
"chart_tool_data_string": "5500;7200",
"chart_tool_label_string": "产品A;产品B",
"chart_type_final": "bar"
}
2.7 代码节点转换数据
功能就是提取LLM的数据，作为图表节点的输入。
完整代码如下：
import json
import re # 导入正则表达式模块
defmain(llm_data_input):
llm_data_str = llm_data_input
# 1. 清理 Markdown 代码块标记 (保持你现有的健壮清理逻辑)
llm_data_str = llm_data_str.strip()
if llm_data_str.startswith("```json"):
llm_data_str = llm_data_str[len("```json"):]
elif llm_data_str.startswith("```"):
llm_data_str = llm_data_str[len("```"):]
if llm_data_str.endswith("```"):
llm_data_str = llm_data_str[:-len("```")]
llm_data_str = llm_data_str.strip()
data = {}
try:
data = json.loads(llm_data_str)
except json.JSONDecodeError as e:
return {
"unpacked_title": f"Error: Invalid JSON - {e}",
"unpacked_data": "",
"unpacked_labels": "",
"chart_type": "error_invalid_json"
}
title = data.get("chart_tool_title", "无标题")
original_data_string = data.get("chart_tool_data_string", "") # 获取原始数据字符串
label_string = data.get("chart_tool_label_string", "")
chart_type = data.get("chart_type_final")
if chart_type isNone:
chart_type = "unknown_type_from_llm"
# 2. 清理和验证 data_string (这是关键的修改部分)
cleaned_data_parts = []
if original_data_string: # 只有当原始数据字符串非空时才处理
parts = original_data_string.split(';')
for part in parts:
part = part.strip() # 移除每个部分前后的空格
if part: #确保部分不是空字符串
try:
# 尝试转换为 float 来验证它是否是有效数字
# 我们仍然以字符串形式保存，因为插件期望分号分隔的字符串
float(part) # 如果这里失败，会抛出 ValueError
cleaned_data_parts.append(part)
except ValueError:
cleaned_data_parts.append("0") # 方案 b: 替换为 "0"
# print(f"Warning: Invalid data part '{part}' replaced with '0'.")
else:
# 如果部分是空字符串 (例如来自 ";;")，也替换为 "0" 或跳过
cleaned_data_parts.append("0") # 方案 b: 替换为 "0"
# print(f"Warning: Empty data part replaced with '0'.")
unpacked_data = ";".join(cleaned_data_parts)
return {
"unpacked_title": title,
"unpacked_data": unpacked_data, # 使用清理过的数据字符串
"unpacked_labels": label_string, # 标签字符串通常不需要转为数字，所以保持原样
"chart_type": chart_type
}
2.8 条件分支
判断代码节点的chart_type类型，给到不同的图表插件。
2.9 饼图、柱状图、折线图
这些是你预设的、能够接收格式化数据并（理想情况下）输出可渲染Echarts图表的工具。
-
输入变量 (以饼图为例):
-
- 标题: {{转换数据节点输出.unpacked_title}}
- 数据: {{转换数据节点输出.unpacked_data}}
- 分类: {{转换数据节点输出.unpacked_labels}}
-
输出: 这些插件的输出应该是Dify可以直接渲染的图表格式（例如，包含
echarts ...的文本）。
2.10 不需要图表LLM分析
如果最初判断用户问题不需要图表，工作流会进入这个分支。
这里我们用一个LLM节点，根据用户的问题和“执行SQL”节点返回的（TEXT格式）查询结果，用自然语言生成一段简洁的文字回答。
提示词如下：
请根据用户问题和查询结果，用简洁的中文自然语言回答。
用户问题：{{#sys.query#}}
查询结果：{{#context#}}
注意查询结果中票房数据不用换算，原数据展示，单位为万元
2.11 回复节点
这是工作流的终点，负责将生成的结果（无论是图表还是文字回答）展示给用户。
你需要配置此节点，使其能够正确接收并展示来自不同分支的输出。
2.12 开场白设置
在Dify应用的“提示词编排”或“开场白”设置中，你可以设计一个友好的欢迎语和一些示例问题，引导用户开始提问。
点击预览按钮，找到右下角“管理”：
点击编写开场白。
设置开场白和开场问题。
3 测试
测试生成3种格式的图表及无需生成图表的问题。
1、饼图测试。测试问题：各导演的票房占比是多少？
可以看一下工作流具体是怎么工作的？
自然语言转SQL：
转换数据：最后给图表插件传递的参数。
2、折线图测试。测试问题：各导演的票房占比是多少？
3、柱形图测试。测试问题：评分最高的五部电影。
4、普通问题测试，无需生成图表，直接回答。
通过Dify工作流的巧妙搭建，我们成功地让数据可视化助手学会了“聆听”。
自然语言转SQL，再到Echarts图表，一切都那么自然而高效。
如何零基础入门 / 学习AI大模型？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高
那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。
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】
👉 福利来袭CSDN大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈
全套AGI大模型学习大纲+路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
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。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉 福利来袭CSDN大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈
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】
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
扫一扫
2710
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
