零基础AI开发系列教程：基于大模型的智能问数Text2SQL

基于大模型的智能问数Text2SQL

Text2SQL是指通过大语言模型把日常语言翻译成数据库指令。简单来说，它能把我们说的话变成数据库能听懂的"命令语言"（SQL）。
它的最大特点是：普通人不需要懂编程，只要用平时说话的方式提问，比如"帮我查一下上周销售额"，系统就能自动从数据库里查询数据，并做出分析。

接下来，我们用Dify来实现一个智能问数的仓库查询助手，通过聊天的方式，来查询以及分析商品库存信息。

一. 准备数据

1. 商品表(t_product)，记录商品信息
2. 仓库表(t_warehouse)，记录仓库信息
3. 库存表(t_inventory)，记录各仓库商品库存
4. 入库记录表(t_stock_in)，记录商品入库流水

前提条件，已经安装了MySQL数据库

没有安装的可以参考以下方式用Docker安装MySQL
https://www.runoob.com/docker/docker-install-mysql.html

用数据库管理工具，比如Navicat直接运行SQL文件init.sql

也可以复制init.sql里面的内容，粘贴在MySQL命令行，回车执行

二. 用Dify实现智能问数Text2SQL

整体思路：

1. 通过大语言模型将要查询的内容生成对应的SQL查询语句
2. 将SQL语句分别执行获得查询结果
3. 拼接查询结果
4. 将查询结果作为上下文，再结合用户的提问，生成回答。

工作流如下，可以看出节点并不多，核心节点也就几个

核心节点介绍

LLM-生成SQL语句

提示词是生成SQL语句的关键。如果生成的结果不满意可以根据输出的SQL语句来调整提示词

## 角色
你是一位精通MySQL数据库SQL查询语句的专家。

## 任务
根据提供的数据库的表结构，将用户输入的内容转换为MySQL数据库的SQL查询语句。

## 数据库的表结构
商品表结构如下：
CREATE TABLE t_product (
    id INT PRIMARY KEY AUTO_INCREMENT COMMENT '商品ID',
    name VARCHAR(50) NOT NULL COMMENT '商品名称',
    unit VARCHAR(10) NOT NULL COMMENT '单位'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='商品表';


仓库表结构如下：
CREATE TABLE t_warehouse (
    id INT PRIMARY KEY AUTO_INCREMENT COMMENT '仓库ID',
    name VARCHAR(50) NOT NULL COMMENT '仓库名称'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='仓库表';

库存表结构如下：
CREATE TABLE t_inventory (
    id INT PRIMARY KEY AUTO_INCREMENT COMMENT '记录ID',
    product_id INT NOT NULL COMMENT '商品ID，关联product_id表的id',
    product_name VARCHAR(50) NOT NULL COMMENT '商品名称(冗余)',
    warehouse_id INT NOT NULL COMMENT '仓库ID，关联t_warehouse表的id',
    quantity INT NOT NULL DEFAULT 0 COMMENT '库存数量',
    FOREIGN KEY (product_id) REFERENCES t_product(id),
    FOREIGN KEY (warehouse_id) REFERENCES t_warehouse(id),
    UNIQUE KEY (product_id, warehouse_id) COMMENT '防止重复记录'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='库存表';


入库记录表结构如下：查询时，要加is_deleted = 0
CREATE TABLE t_stock_in (
    id INT PRIMARY KEY AUTO_INCREMENT COMMENT '记录ID',
    product_id INT NOT NULL COMMENT '商品ID，关联product_id表的id',
    product_name VARCHAR(50) NOT NULL COMMENT '商品名称(冗余)',
    warehouse_id INT NOT NULL COMMENT '仓库ID，关联t_warehouse表的id',
    quantity INT NOT NULL COMMENT '入库数量',
    operator VARCHAR(20) COMMENT '操作人',
    batch_no VARCHAR(30) COMMENT '批次号',
    create_time datetime(3) DEFAULT CURRENT_TIMESTAMP(3)  COMMENT '入库时间',
	is_deleted TINYINT(1) DEFAULT 0 COMMENT '删除标记：0-正常 1-已删除',
    FOREIGN KEY (product_id) REFERENCES t_product(id),
    FOREIGN KEY (warehouse_id) REFERENCES t_warehouse(id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='入库记录表';


## 系统参数
当前时间：{{#1742350083195.text#}}

## 要求
1. 需要严格按照数据库的表结构来生成。
2. 将生成的SQL语句封装到一个JSON数组中。
3. 确保SQL查询语法符合MySQL语法。

代码执行-提取SQL语句

将大语言模型生成的SQL语句提取出来，用来查询

迭代-循环执行SQL语句

执行SQL语句，我们用的是Database工具，可以在Dify市场搜索Database安装， 目前支持MySQL、PostgreSQL、SQLite、SQLServer、Oracle数据库

需要填写执行SQL语句的数据库uri，格式如下：

mysql+pymysql://root:123456@localhost:3306/test
postgresql+psycopg2://postgres:123456@localhost:5432/test
sqlite:///test.db
mssql+pymssql://<username>:<password>@<freetds_name>/?charset=utf8
oracle+oracledb://user:pass@hostname:port[/dbname][?service_name=<service>[&key=value&key=value...]]

由于我本机MySQL是安装在宿主机，Dify是安装在Docker容器，所以填的是：
mysql+pymysql://root:123456@host.docker.internal:3306/wms_test

如果你的数据库和Dify都是安装在Docker容器里，则填写服务器ip即可：
mysql+pymysql://root:123456@ip:3306/wms_test

拼接查询结果

将上一步的查询结果拼接起来

解析查询结果

将查询结果作为上下文，再结合用户的提问，生成回答。

三. 验证测试

四. 总结

上面我们用Dify的工作流实现了智能问数Text2SQL。通过这个工作流我们了解了时间工具以及Database工具的使用，LLM提示词的编写，用代码执行节点来处理数据，用迭代节点来处理重复的逻辑。关于智能问数Text2SQL，用其他的方式也同样可以实现，比如用LLM结合自己写逻辑来实现，或者使用开源工具Vanna.AI来实现，核心的思想都是通过大语言模型将自然语言转成SQL语句。

🔥《零基础小白AI实战教程：手把手教你打造专属的智能体》🚀 系列教程更新中！
✅ 已更新：AI实践虚拟化平台安装
✅ 已更新：Docker Desktop 安装
✅ 已更新：Ollama安装教程
✅ 已更新：DeepSeek私有化部署
✅ 已更新：Dify私有化部署
✅ 已更新：Dify接入大模型
✅ 已更新：Dify + DeepSeek搭建本地私有化知识库
✅ 已更新：Dify应用类型的选择
✅ 已更新：Dify升级指南
✅ 已更新：Dify节点的详细介绍(上)
✅ 已更新：Dify节点的详细介绍(中)
✅ 已更新：Dify节点的详细介绍(下)
✅ 已更新：RagFlow本地部署和使用
✅ 已更新：基于大模型的智能问数NL2SQL

👉 关注公众号"北灵聊AI"获取最新更新，免费领取教程资料和源码