5000字教程：用AI实时查询数据库，自动生成可视化图表
还在为复杂的数据查询而头疼吗？想象一下，用AI实时对话数据库，一键生成专业图表！今天，这份超详细的5000字教程，将手把手教你利用Dify工作流，结合AI技术，从SQL基础到多表关联，再到知识库精准查询，最终通过Echarts实现自动可视化，彻底提升你的数据分析效率。
如今，稍有规模的企业都离不开数据库，但让业务人员手动编写SQL取数，往往不现实——许多新手甚至觉得SQL比Python更难入门。
现在，问题迎刃而解！我们可以借助AI自动完成数据库查询，并同步生成文字洞察与可视化图表。
此前，我曾介绍通过MCP让Cursor查询并修改数据库表结构，但该方法目前稳定性不足，难以投入实际工作。
至于将Excel直接丢给AI分析的方式，同样存在两大硬伤：1. 严重的数据安全隐患；2. 结果准确率极低。
最佳解决方案是什么？答案是在本地部署工作流，直连数据库，通过执行AI生成的SQL代码进行查询，确保最高准确率。
若数据库体量庞大，如何让AI清晰掌握表结构并生成精准代码？答案是：构建专属的数据库表结构知识库。
以下为完整实战教程目录：
核心流程与效果：
用户提出查询需求后，AI将自动检索知识库中的表结构，据此生成SQL语句并执行。随后，系统调用Echarts图表能力，结合数据科学Agent，最终输出图文并茂的可视化分析结果。
文末附工作流DSL文件获取方式。接下来，我们从数据准备开始。
本次演示使用一个包含销售表、产品表、地区表的数据库，支持复杂多表查询，高度贴合实际业务场景。
新增节点
在Dify中实现SQL查询，逻辑分两步：1. 用AI生成SQL代码；2. 执行SQL代码。直接搜索“database”工具，其中已集成Text to SQL与SQL Execute两大功能。
点击授权，按以下格式输入数据库地址与账号密码（以MySQL为例）：mysql+pymysql://root:8455be@152.12.12.12:3306/bgggtest
接下来，我们正式开启SQL查询实战。
模块一：SQL查询为清晰展示工作流构建逻辑，我将逐步演示。这也正是从零搭建AI工作流的精髓：小步快跑，持续测试。
坐稳扶好，我们马上出发！
假设SQL查询分为三个等级...
第1级 青铜：指定表格与字段查询
这是最简单场景。如图，直接告知AI需查询的表名与字段。
获得如下结果，此步旨在验证AI运行是否正常。
显然，我们不可能每次查询都手动指定表格与字段（否则何必用AI？）。下一步是将整个数据库表结构导出给AI。
如何获取表结构？推荐使用Navicat：连接数据库后，右键选择“转储SQL文件-仅结构”。
即可得到如下建表语句：
随后，只需将提示词嵌入SQL生成环节即可，此处不再赘述。
测试验证数据准确性：统计每日销售额。
至此，我们已能应对多数查询场景。但实际业务中，数据表往往浩如烟海、结构复杂，不可能将所有表结构全塞进提示词——那会撑爆上下文。
怎么办？
第3级 黄金：将表结构存入知识库，调用RAG查询
最佳方案是：让AI在查询时自动检索所需表结构。下面开始构建。
新建数据库表结构知识库
在Dify创建知识库，如图：
将此前导出的表结构文件存入TXT并上传。
知识库配置关键：1. 通常保持默认即可，注意右侧分块结果，确保一个Chunk对应一张表。
2. 索引方式务必选择“高质量”，否则可能无法命中结果。如图所示，左侧“经济”模式无法击中，右侧“高质量”则精准匹配。
3. 检索设置中的Top K可根据数据复杂度适当调高，通常一次查询涉及3-5张表关联。若超出，或许就不适合用AI处理了。
新增知识检索节点
回到工作流，在起点后添加知识检索节点。这意味着用户对话时，系统会先根据需求从知识库查找相关表结构，再喂给AI。
由于需使用检索结果，我们引入LLM大模型节点生成SQL。只需设置好提示词，并将检索到的表结构通过上下文传入即可：
完整提示词示例：
注意：大模型生成的SQL常含换行符等需清洗，此处简单添加Python代码节点处理。
当前工作流与对话效果如图所示，至此完成首个模块：text2SQL。
升级测试：多表查询——获取各地区销售数据。
生成的SQL代码：
最终运行结果（节选）：
结果准确无误✅
番外：尝试调用Agent能力
我曾测试用Dify的Agent执行SQL查询，逻辑是让Agent自主调用工具，从而简化工作流。但或许存在Bug或兼容问题，始终未能成功。尽管工作流看似简化，实际工作量未减，且依赖大模型工具调用能力，不确定性较高，不建议用于实际业务。感兴趣者可自行尝试。
模块二：可视化图表接下来，我们实现可视化图表部分。
1.0 青铜级
添加Echarts图表生成插件。
该插件目前支持三种最常用的图表：折线图、柱状图、饼图。
继续从零构建工作流。起初，我不熟悉组件用法，故先测试图表逻辑：随意填入数据，如图。
得到图表后，便理解组件参数如何填写：标题对应图表标题；数据对应Y轴数值；X轴对应标签或分类。
柱状图与饼图数据结构相同：
测试后，核心问题转化为：如何将SQL查询结果转为Echarts所需的数据结构？两种方案：
方法一：使用Dify内置工具参数提取器。适用于数据量较小的场景，其本质依赖AI提取，上下文简短时更可靠。
参考提示词： 任务：从JSON数据中提取参数，用于生成Echarts图表。
将提取的数据传递给图表节点引用即可，如图：
方法二：AI编程，编写脚本从JSON提取数据。适用于数据量大的场景，代码处理更稳定。
首先需调整：SQL Execute节点的输出格式原为Markdown，虽便于直接呈现表格，但不利数据解析。改为JSON格式。
查看该节点输出的JSON格式（以查询2021年5月每日销售为例，节选示意）：
基于此，可让Deepseek V3编写Python脚本处理数据。
大家也可直接使用我的代码：
此处难点在于SQL输出字段名不确定，故不能直接用如item['日期']，而需改用数字索引如list(item.values())[0]。同时，标题需另设AI节点生成，流程较复杂。若非流程高度固定，不建议此方法。
至此，我们初步完成了可视化模块。为丰富结果，可添加数据科学家AI节点，生成定性文字分析。参考提示词：
如此，输出便初具雏形。
但新问题出现：前述案例仅针对折线图，难道需为柱状图、饼图等重复流程？未来图表类型增多将不胜其烦。2.0 白银级
我们需在前端添加图表类型判断节点，让AI自动选择并呈现合适的可视化形式。
如何实现？参数提取器本身基于AI运行，我们可为其新增ChartType参数，并在指令中明确要求与示例，如图：
随后，在参数提取器后添加条件分支，每个图表类型对应一个分支，并引用相同参数。
为统一AI回复，需新增会话变量chart_var。在每个图表节点后添加变量赋值节点，将对应图表结果赋予该变量，最终回复部分直接引用chart_var即可。
最终效果令人满意。
准备好彻底改变你的数据分析方式了吗？立即动手实践本教程，解锁AI驱动的高效工作流！如需获取完整工作流DSL文件，请关注微信公众号【饼干哥哥AGI】，回复“数据库AI”获取。分享你的实战成果，一起探索智能数据分析的无限可能！
本文由人人都是产品经理作者【饼干哥哥】，微信公众号：【饼干哥哥AGI】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
相关问答
零基础如何学习数据库?
1、零基础入门数据库，建议首选《数据库系统概念》作为起步教材，因其系统全面，涵盖数据模型、关系模型、基于对象的数据库等核心内容。
不需要操作系统的支持B)数据库技术的根本目_作业帮
2：下列叙述正确的是______.A)数据库系统是一个独立的系统,不需要操作系统的支持B)数据库技术的根本目题目2：下列叙述正确的是______.A)数据库系统是一个独立...
51自学网全部教程_会计学堂
[回答]51自学网提供前端开发、后端开发、移动开发、数据库等全领域实战教程，助你掌握前沿技术，快速提升技能。前端开发教...
我要开发一个小型的数据库应该怎样做?
方法如下：第一步，官网下载MySQL并按指引安装。第二步，配置环境变量并启动服务。第三步，创建数据库，开始构建。
纯小白想学数据库，可以按照什么样的顺序学?
若你完全是新手，尚未掌握编程语言与数据库，这恰是一张白纸，可自由绘制蓝图。若目标为从事IT编程，建议从基础SQL与一种数据库（如MySQL）入手，循序渐进。
怎样建立一个数据库?
1. 建立数据库需经过备份、架构设计、参数设置等步骤，是一个系统化工程。2. 首先明确数据模型，再进行物理设计...
wps数据库怎么使用?
WPS表格的数据库功能可高效管理大量数据，包括输入、修改、查询、筛选、排序和统计。基本步骤：1...
word建立数据库教程?
1. 单击“开始”→”所有程序“→”Microsoft Office“→”Microsoft Access“，打开Access软件。2...
学数据库什么最简单，且有用?
精通一门数据库虽难，但简单应用可从微软SQL Server起步，因其人性化、易上手，属轻量级选择。
数据库技术的应用领域有哪些?
数据库应用广泛，从家庭、企业到政府机构皆需其存储数据。传统上大量用于商务领域，如证券、银行等，如今更渗透至各行各业。