dify案例分享-0 代码搭建 Text2SQL 智能查询！用 Dify + 知识库 + Agent 实现自然语言秒变 SQL

1.前言

Text2SQL（或称NL2SQL）是一种自然语言处理技术，旨在将自然语言（Natural Language）问题转化为关系型数据库中可执行的结构化查询语言（Structured Query Language，SQL），从而实现对数据库的查询和交互。这项技术的核心目标是通过自然语言描述，无需用户具备SQL语法知识，即可完成复杂的数据库查询任务

具体来说，Text2SQL的任务包括以下步骤：

1. 1. 输入分析：用户以自然语言形式输入问题，例如“查找平均工资高于整体平均工资的部门名称”。

2. 2. 语义解析：系统将输入的自然语言问题解析为数据库中的结构化查询语句。

3. 3. SQL生成：根据解析结果生成对应的SQL语句，如“SELECT department_name FROM departments WHERE average_salary > (SELECT AVG(salary) FROM employees)”。

4. 4. 执行与反馈：系统执行SQL查询并返回结果，同时可能对结果进行进一步的解释或分析。

Text2SQL的应用领域广泛，包括智能客服、数据分析、金融、医疗、教育等，能够显著提高用户与数据库交互的效率和便利性。此外，随着大型语言模型（LLMs）的发展，Text2SQL技术在处理复杂查询和多轮对话方面也取得了显著进展。

前期也给大家介绍过关于dify整合数据库实现图表生成的案例，同样也给大家实现过dify案例分享-基于database插件实现Text2sql的数据库查询图表工作流

有小伙伴和提出问题SQL 是写到大模型的提示词里面，如果想查询其他的语句，之前的工作流text2sql的方案就有问题。是的当时为了方便演示所以我们做了3个业务场景，并且把SQL 语句都已经提前写好了。当时的目的主要还是给大家提供演示方便，因为考虑到很多非技术人员对SQL 语句的编写是不熟悉的。此外目前的主流的text2sql方案也有不成熟的的。今天就带大家实现一个简单基于企业知识库的 AI Agent 的text2sql方案。当然这个方案也是属于比较简单的方案。话不多说下面带大家看一下效果。

工作流AI Agent演示效果

 

上图我们就通过简单的自然语言查询到student_scores 有多少条记录。

AI Agent 演示效果

 

同样我们使用AI Agent 也实现了text2SQL 的效果。

那么上面的工作流和 AI Agent是如何实现的呢，下面说一下我们的具体实现思路。

2.工作流的制作

在工作流制作之前我们需要用到dify的知识库，之前我很少提到知识库，主要是dify知识库做的不太好。因为这个工作流用到知识库，所以我们顺便把这个知识点说一下。

知识库创建

在知识库创建之前我们需要向量模型，所以我们需要在系统模型设置里面填写一下 向量模型。

打开右上角设置-模型供应商

 

我们在找一下右上角有一个系统模型设置。

 

在弹开的模型设置里面，我把Embedding 模型、Rerank 模型 设置选一下。

 

这里Embedding 模型 我们选择了火山引擎提供的 “doubao-embeding”,Rerank 模型 我们这里选择硅基提供的bge-reanker-v2-m3

上面配置好完成我们去知识库面板创建一个知识库