Dify 企业级应用案例
05
Text2SQL 数据分析助手（自然语言查数据库）
Agent + 数据库插件难度 ★★★★
中文提问 → 自动生成 SQL → 真实执行 → 返回结果（不是编数字）：表结构放知识库、ReAct 多轮推理自修正，适配财务/库存/日志等任何 SQL 库。
解决什么问题
业务/运营想取数都要排队等数据同学写 SQL；分析师被「跑个数」淹没。口径不统一时各部门还会算出不同数字。
方案价值
- 中文提问 → 自动生成 SQL → 真实执行 → 返回结果（不是编数字）
- 表结构放知识库，加表/改表即时生效
- ReAct 多轮推理支持先看表结构再写 SQL 的自修正闭环
- 同样架构适用于财务、库存、日志等任何 SQL 库
架构与节点流程
开始（sys.query）→知识检索（表结构 DDL）→Agent（ReAct 策略）→Database 插件执行 SQL→直接回复
依据：火山引擎开发者社区《0 代码搭建 Text2SQL 智能查询》+ AWS 官方博客 Text2SQL 方案的同款范式（Dify 1.0.0+ Agent 节点）。
搭建步骤
1
配置系统模型与数据库账号
设置 → 模型供应商 → 系统模型设置：配置 Embedding（doubao-embedding / text-embedding-v4）与 Rerank（bge-reranker-v2-m3）。
安全第一
为 Dify 单独建一个只读账号（只 SELECT 权限、限定库表），生产必须如此——LLM 生成的 SQL 是会被真实执行的。
2
把表结构（DDL）做成知识库
整理一个 txt 文件，内容为各业务表的 CREATE TABLE 语句——COMMENT 写得越细，生成 SQL 越准（字段含义、单位、枚举值都写进注释）。示例：
schema.txt · 建表语句（节选）
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(10) DEFAULT NULL COMMENT '学期，如 2026-S1', PRIMARY KEY (`id`) ) ENGINE=InnoDB COMMENT='学生成绩表';
上传建知识库：索引方式高质量，检索用混合检索。表多时按业务域拆多个文件，一个问题只召回相关的几张表。
3
安装插件
- 插件市场安装 Agent 策略（官方）与 Database（hjlarry/database）——支持 MySQL / PostgreSQL / SQLite / SQLServer / Oracle。
- Database 插件授权配置连接串（密码里的 @ 要转义成 %40）：
连接串格式
MySQL: mysql+pymysql://readonly_user:pwd%40123@10.0.0.8:3306/report_db PostgreSQL: postgresql+psycopg2://readonly_user:pwd@10.0.0.8:5432/report_db SQLite: sqlite:///data/report.db
看到「已授权」才算配置成功。
4
编排 Chatflow：检索 → Agent → 回复
新建 Chatflow，节点顺序：开始（无需输入变量）→ 知识检索 → Agent → 直接回复。
- 知识检索
- 查询变量
sys.query，勾选 schema 知识库 - Agent · 策略
- ReAct（另一个选项 function calling，模型支持时也可）
- Agent · 模型
- DeepSeek-V3（实测该类强模型成功率高；两处模型——Agent 主体与 text-to-SQL 工具——都要选强模型）
- Agent · 工具
- 勾选 database 插件全部函数
- Agent · 查询参数
sys.query；迭代次数默认 3（模型弱可调大，代价是耗时）
Agent 指令（提示词，官方教程口径 + 企业加固版）：
Agent · 指令（INSTRUCTION）
请根据用户输入的 {{#sys.query#}} 和 {{#知识检索节点ID.result#}} 相关内容实现 SQL 查询。
约束：
1. 只允许 SELECT 查询；禁止 INSERT/UPDATE/DELETE/DROP。
2. 先依据检索到的表结构确认字段存在再写 SQL；字段名、表名必须与 DDL 完全一致。
3. 结果集超过 100 行时自行加 LIMIT 并说明；聚合优先。
4. 运行出错时，阅读错误信息修正 SQL 重试（最多 3 次）。
5. 最终用中文回答业务问题，附上所用的 SQL。5
轻量替代：独立 AI Agent 版
表少（<10 张）时可以不用 Chatflow：直接新建 AI Agent应用，把建表 SQL 原文粘进系统提示词，工具加 database 插件，Agent Mode 选 ReAct。搭建 5 分钟，代价是 token 略费（每次都带全量 DDL）。
6
测试、验收与扩展
- 验收用例：行数统计（count）、条件筛选、分组聚合、时间范围各来一遍；再给一个表里没有的字段，正确行为是「字段不存在」而不是硬编一个。
- 业务口径沉淀：常用指标定义（GMV 口径、活跃定义）也写成文档放进 schema 知识库，回答自动对齐口径。
- 扩展：Agent 后接代码执行节点算同比环比、接 ECharts 渲染出图；或把「问题 → SQL → 结果」沉淀为问答对回流知识库。
坑（高频）
① 密码含 @ 未转义 → 连接报错且报错信息有误导性；② 模型太弱 → SQL 字段幻觉，Agent 与工具两处都换 DeepSeek-V3 级；③ 大表全表扫描——只读账号同时加
max_execution_time / 语句超时；④ 复杂多表 join 错误率高，把常用 join 关系写成视图（VIEW）暴露给模型。