开口即图！我用Dify+数据库+Echarts搭建了一个能“听懂”人话的数据可视化助手！（含自然语言转SQL）

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：

也有很多人评论想知道如何使用自然语言生成sql然后自动生成Echarts图表的方式。

这次满足大家的需求，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。

技术的进步，是为了更好地服务于人。

从此，你可以更专注于数据背后的洞察。

把重复的任务，交给智能的助手。

开口即图，让想法快速验证。

享受这份，由简驭繁的从容。

如何学习大模型技术，享受AI红利？

面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，详尽的全套学习资料，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

无论是初学者，还是希望在某一细分领域深入发展的资深开发者，这样的学习路线图都能够起到事半功倍的效果。它不仅能够节省大量时间，避免无效学习，更能帮助开发者建立系统的知识体系，为职业生涯的长远发展奠定坚实的基础。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

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。

结语

大模型作为新时代的风口，确实为那些希望转行或寻求职业突破的人提供了广阔的舞台。然而，是否选择进入这一领域还需综合考虑自身的兴趣、特长以及长远规划。通过构建基础知识体系、参与实际项目、拓展软技能、关注跨学科融合以及建立广泛的社交网络，你可以在这个充满机遇的新领域中迅速站稳脚跟。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】