我要投稿

从零到一，用 Dify 打造 NL2SQL

发布日期：2025-04-12 05:03:39 浏览次数： 2304

作者：韩锋频道

微信搜一搜，关注“韩锋频道”

近期 AI 大火，朋友圈很多都在晒成果。我也禁不住尝试，使用dify这一开发平台做了第一个 AI 应用。整体感觉下来还是非常方便的，也是由于Dify的出现大大降低了构建 AI 应用的门槛，相信未来真的可以解放人的双手，让 AI 帮助我们解决更多的问题。

1. Dify 是什么

Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务和 LLMOps 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。由于 Dify 内置了构建 LLM 应用所需的关键技术栈，包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的 Agent 框架、灵活的流程编排，并同时提供了一套易用的界面和 API。这为开发者节省了许多重复造轮子的时间，使其可以专注在创新和业务需求上。

1).部署Dify

Dify 提供本地源码部署和Docker Compose两种方式，这里选择后者比较简单一些。前提条件如下

安装步骤也比较简单，只需要几步

当看到如下提示时，代表启动成功了，并可通过浏览器来访问

2).配置Dify

在使用 Dify 之前，需要先配置大模型供应商。Dify 目前已支持主流的模型供应商，例如 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列等。不同模型的能力表现、参数类型会不一样，你可以根据不同情景的应用需求选择你喜欢的模型供应商。当然也可以自建，接入本地的大模型。在 Dify 中，按模型的使用场景将模型分为以下 4 类

如下图是自己做的配置，使用到了DeepSeek和通义千问

2. 示例：打造NL2SQL

下面通过Dify做个示例，演示使用自然语言来查看数据库中的数据。

1).需求分析

根据我们的诉求，通过自然语言来访问数据库，这里我们来分解下需求，大致可分为几个阶段

用户用自然语言方式输入查询需求
由知识库将查询需求与库内元信息整合
使用LLM来分析并给出SQL描述
将SQL发送给数据库执行

2).创建应用

开始前，我们先确定应用类型；Dify里可以创建多类应用，用户可根据自身需求来选择。这里根据需求，选择使用Chatflow

3).构建知识库

需要将数据库的字典信息整理为知识库，为后续LLM使用打好基础。Dify里支持多种构建知识库的方式，这里使用了最为简单的通过本地文件来构建。实践中，这里走了一些弯路，摸索了一下可通过注释信息构造出知识库文件然后导入。例如下图黄框就是根据表结构信息整理出来的

在Dify中导入生成知识库，这方面没有太多经验，反复尝试了几次

4).LLM 处理逻辑

LLM 节点是 Chatflow/Workflow 的核心节点。该节点能够利用大语言模型的对话/生成/分类/处理等能力，根据给定的提示词处理广泛的任务类型，并能够在工作流的不同环节使用。也是整个流程中最为核心的节点，其可完成下面功能

这里是使用LLM节点，完成推导SQL语句的过程。核心点在于为对话生成高质量的指导，这里参考了网上的实现做了微调。顺便说一句，不同模型的能力还是存在差异，Dify提供了一次针对多个模型的联调能力，可对比选择最为合适的模型。

5).组件和数据处理

除了上述核心节点外，需求中还描述需要实行数据库，这里直接引用第三方的工具，直接在Dify中安装即可。Dify中已经支持了非常丰富的工具可供使用。这里单独安装了数据库查询工具。

此外，在实践中还是发现从LLM中输出的SQL文本，不能直接使用，仍然存在一些冗余字符需要处理下，因此也引用了代码执行逻辑，其可以执行如Python、JavaScript的脚本来处理数据

6).工作流绘制

最终我们把整个逻辑串起来，从开始、知识检索、语句生成、文本微调、语句查询、反馈结果多个步骤，通过上下文关联起来。Dify中是可以支持复杂工作流关系，包括如分支、判断、循环等等。这个流程比较简单，串行执行就可以。

7).效果展示

整个流程绘制完毕后，可以调试运行，都没问题后发布即可。简单测试下

针对每次问题，都是调用工作流，在调试部分可以直观看到每个步骤的完成情况，如有错误可参考输出修改

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-12-16

Aloudata Agent 智能数据分析新范式:从"黑盒对话"到"白盒协作"

2025-12-16

智领新航海——基建为底，AI 为翼：中国企业AI转型与东南亚市场机遇

2025-12-16

Palantir启示录：传统IT咨询的转型之路

2025-12-12

喜力啤酒如何利用Palantir “快进” 供应链：从被动救火到预知未来

2025-12-11

从 Palantir 到世界大模型：记录、洞察与执行的重构之路

2025-12-08

一文读懂｜关于 OpenText Threat Intelligence 常见问题的解答

2025-12-08

数据驱动的供应链革命：Palantir Foundry 的八个经典场景

2025-12-07

Palantir 怎么快速切入一个场景

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

告别传统数据架构！AI问数据准确度100%！高效落地AI-Native数据平台！！

2025-11-25

让打工人头疼的 Excel，被 AI 改造后……我居然玩上瘾了

2025-10-23

2026年ChatBI技术将走向何方：AI Agent与多模态交互如何重塑商业智能？

2025-11-18

大模型幻觉检测在 NL2SQL 任务的应用实践

2025-09-29

麦肯锡再发重磅报告：AI技能伙伴时代 03｜不重塑流程架构，都是“伪AI”

2025-12-05

ChatBI 实体标准查询名优化实战：如何将准确率从 80% 提升到 90%

2025-10-14

万字长文|ChatBI核心技术架构全解析：从NL2SQL到自主智能的技术演进

2025-12-01

月活11亿的Reddit ，怎么选向量数据库：Pgvector、Redis、Milvus、Qdrant

2025-11-20

数据规范性分析框架在对话式商业智能产品中的应用探索

2025-11-10

基于多智能体的ChatBI在商业银行的应用研究

2025-11-27

大家都在问

2026年ChatBI技术将走向何方：AI Agent与多模态交互如何重塑商业智能？

2025-11-18

企业的AI项目，是不是在数字化转型的旁边，还是另起炉灶？

2025-11-13

NL2DSL2SQL是实现ChatBI的正确技术路线吗？

2025-09-02

Power BI vs Tableau：AI 时代谁才是正确的方向？

2025-08-16

从“写SQL”到“聊数据”：NL2SQL如何用自然语言解锁数据库？

2025-08-14

ChatBI的皇帝新衣：为何90%的企业AI应用项目注定失败？

2025-08-06

先BI再ChatBI，还是直接ChatBI？

2025-07-29

颠覆传统BI！数势科技Data Agent如何重塑企业决策边界？

2025-05-27

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

应聘简历请发送至： [email protected]

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部