目前在IT研发领域大家都在探索如何把deepseek大模型和数据库结合起来，通过AI的提问，就可以实现自动把数据库的数据进行转换成一些文本，图表的样式，这非常符合目前IT开发的现状问题，本文就来演示一下使用dify工作流+deepseek+doris来实现这样的一个工作流。
一、部署doris
二、在doris中准备测试数据
这里直接使用doris自带的tpch工具制作出模拟的数据
三、安装database插件
这里需要进入到dify中，然后搜索databse的插件
点击安装之后，进行授权，授权的url格式如下：
mysql+pymysql://{user}:{passwd}@{fe_ip}:${doris jdbc端口}/${数据库名}如下图:
四、导入dsl
接下来创建一个chatflow的工作流，然后把dsl导入进去：
app:
description: Doris ChatBI Demo
icon: 🤖
icon_background: '#FFEAD5'
mode: advanced-chat
name: Doris ChatBI
use_icon_as_answer_icon: false
dependencies:
- current_identifier: null
type: marketplace
value:
marketplace_plugin_unique_identifier: langgenius/siliconflow:0.0.8@217f973bd7ced1b099c2f0c669f1356bdf4cc38b8372fd58d7874f9940b95de3
- current_identifier: null
type: package
value:
plugin_unique_identifier: hjlarry/database:0.0.4@3a0b78c887a9321a78fca56f4c68ca85434a298032d34964d92b61e322977938
kind: app
version: 0.1.5
workflow:
conversation_variables: []
environment_variables: []
features:
file_upload:
allowed_file_extensions: []
allowed_file_types:
- image
- document
allowed_file_upload_methods:
- remote_url
- local_file
enabled: true
fileUploadConfig:
audio_file_size_limit: 50
batch_count_limit: 5
file_size_limit: 15
image_file_size_limit: 10
video_file_size_limit: 100
workflow_file_upload_limit: 10
image:
enabled: false
number_limits: 3
transfer_methods:
- local_file
- remote_url
number_limits: 1
opening_statement: "您好 \U0001F60A 我是基于TPC-H构建的智能分析助手Doris ChatBI \U0001F4C8 \n\
\n支持对核心业务实体（客户/订单/供应商）的多维分析 \U0001F50D 例如\U0001F447\n\n1️⃣ 精准定位：\"客户订单分布数量查询\"\
\n2️⃣ 关联分析：\"统计客户的订单金额与供应商的相关性\"\n3️⃣ 趋势分析：\"按季度分析客户的订单金额变化规律\"\n\n⚠️描述越具体，系统生成的SQL和图表越精准哦❕"
retriever_resource:
enabled: true
sensitive_word_avoidance:
enabled: false
speech_to_text:
enabled: false
suggested_questions:
- 客户订单分布数量查询
- 统计客户的订单金额与供应商的相关性
- 按季度分析客户的订单金额变化规律
suggested_questions_after_answer:
enabled: true
text_to_speech:
enabled: false
language: ''
voice: ''
graph:
edges:
- data:
sourceType: start
targetType: llm
id: 1743064693668-llm
source: '1743064693668'
sourceHandle: source
target: llm
targetHandle: target
type: custom
- data:
isInLoop: false
sourceType: llm
targetType: answer
id: 1743064832991-source-1743065600747-target
source: '1743064832991'
sourceHandle: source
target: '1743065600747'
targetHandle: target
type: custom
zIndex: 0
- data:
isInIteration: false
isInLoop: false
sourceType: tool
targetType: template-transform
id: 1743064814387-source-1743081304662-target
source: '1743064814387'
sourceHandle: source
target: '1743081304662'
targetHandle: target
type: custom
zIndex: 0
- data:
isInLoop: false
sourceType: template-transform
targetType: llm
id: 1743081304662-source-1743064832991-target
source: '1743081304662'
sourceHandle: source
target: '1743064832991'
targetHandle: target
type: custom
zIndex: 0
- data:
isInIteration: false
isInLoop: false
sourceType: llm
targetType: code
id: llm-source-1743083966673-target
source: llm
sourceHandle: source
target: '1743083966673'
targetHandle: target
type: custom
zIndex: 0
- data:
isInLoop: false
sourceType: code
targetType: tool
id: 1743083966673-source-1743064814387-target
source: '1743083966673'
sourceHandle: source
target: '1743064814387'
targetHandle: target
type: custom
zIndex: 0
nodes:
- data:
desc: ''
selected: false
title: Input
type: start
variables: []
height: 54
id: '1743064693668'
position:
x: 30
y: 252.5
positionAbsolute:
x: 30
y: 252.5
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 244
- data:
context:
enabled: false
variable_selector: []
desc: ''
memory:
query_prompt_template: '{{#sys.query#}}'
role_prefix:
assistant: ''
user: ''
window:
enabled: false
size: 10
model:
completion_params: {}
mode: chat
name: deepseek-ai/DeepSeek-R1
provider: langgenius/siliconflow/siliconflow
prompt_template:
- role: system
text: ''
selected: false
title: LLM
type: llm
variables: []
vision:
enabled: false
height: 90
id: llm
position:
x: 334
y: 252.5
positionAbsolute:
x: 334
y: 252.5
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 244
- data:
desc: ''
is_team_authorization: true
output_schema: null
paramSchemas:
- auto_generate: null
default: null
form: llm
human_description:
en_US: The SQL query string.
ja_JP: The SQL query string.
pt_BR: The SQL query string.
zh_Hans: SQL 查询语句。
label:
en_US: SQL Query
ja_JP: SQL Query
pt_BR: SQL Query
zh_Hans: SQL 查询语句
llm_description: The SQL query string.
max: null
min: null
name: query
options: []
placeholder: null
precision: null
required: true
scope: null
template: null
type: string
- auto_generate: null
default: json
form: form
human_description:
en_US: Choose the output format.
ja_JP: Choose the output format.
pt_BR: Choose the output format.
zh_Hans: 选择输出格式。
label:
en_US: Output format
ja_JP: Output format
pt_BR: Output format
zh_Hans: 输出格式
llm_description: ''
max: null
min: null
name: format
options:
- label:
en_US: JSON
ja_JP: JSON
pt_BR: JSON
zh_Hans: JSON
value: json
- label:
en_US: CSV
ja_JP: CSV
pt_BR: CSV
zh_Hans: CSV
value: csv
- label:
en_US: YAML
ja_JP: YAML
pt_BR: YAML
zh_Hans: YAML
value: yaml
- label:
en_US: Markdown
ja_JP: Markdown
pt_BR: Markdown
zh_Hans: Markdown
value: md
- label:
en_US: Excel
ja_JP: Excel
pt_BR: Excel
zh_Hans: Excel
value: xlsx
- label:
en_US: HTML
ja_JP: HTML
pt_BR: HTML
zh_Hans: HTML
value: html
placeholder: null
precision: null
required: false
scope: null
template: null
type: select
- auto_generate: null
default: null
form: llm
human_description:
en_US: Optional, Filling in this field will overwrite the database connection
entered during authorization.
ja_JP: Optional, Filling in this field will overwrite the database connection
entered during authorization.
pt_BR: Optional, Filling in this field will overwrite the database connection
entered during authorization.
zh_Hans: 选填，填写后将覆盖授权时填写的数据库连接。
label:
en_US: DB URI
ja_JP: DB URI
pt_BR: DB URI
zh_Hans: DB URI
llm_description: ''
max: null
min: null
name: db_uri
options: []
placeholder: null
precision: null
required: false
scope: null
template: null
type: string
params:
db_uri: ''
format: ''
query: ''
provider_id: hjlarry/database/database
provider_name: hjlarry/database/database
provider_type: builtin
selected: false
title: Doris Execute
tool_configurations:
format: json
tool_label: SQL Execute
tool_name: sql_execute
tool_parameters:
query:
type: mixed
value: '{{#1743083966673.text2sql#}}'
type: tool
height: 90
id: '1743064814387'
position:
x: 942
y: 252.5
positionAbsolute:
x: 942
y: 252.5
selected: true
sourcePosition: right
targetPosition: left
type: custom
width: 244
- data:
context:
enabled: true
variable_selector:
- '1743081304662'
- output
desc: ''
model:
completion_params: {}
mode: chat
name: deepseek-ai/DeepSeek-R1
provider: langgenius/siliconflow/siliconflow
prompt_template:
- id: 67225e28-309c-4ad1-bec9-d0cd98f7bb8e
role: system
text: "# Doris ChatBI数据分析专家工作指南\n\n## 角色定位\n专业的SQL数据分析专家，负责解析Doris数据库的查询结果\n\
\n## 核心规则\n1. 直接分析已提供数据，默认数据已满足查询条件。\n2. 接受数据原貌，不质疑数据有效性。\n3. 无需二次筛选或验证数据范围。\n\
4. json结果中没内容则为空数据集，统一回复\"没有查询到相关数据\"。\n5. 避免使用提示性语言。\n6. 分析结果以Markdown格式输出。\n\
7. 整理SQL查询结果：\n - 以Markdown表格格式输出，放置在输出开头。\n - 以ECharts图表配置项格式输出，放置在最后。图表配置应尽量简洁，避免过多冗余配置项。\n\
\n**输出格式如下：**\n\n```echarts\n{\n \"title\": {\n \"text\": \"示例图表\"\
\n },\n \"tooltip\": {\n \"trigger\": \"item\",\n \"formatter\"\
: \"{a} <br/>{b}: {c} ({d}%)\"\n },\n \"legend\": {\n \"orient\"\
: \"vertical\",\n \"left\": \"left\",\n \"data\": [\"A\", \"B\"\
, \"C\", \"D\"]\n },\n \"series\": [\n {\n \"name\": \"示例数据\"\
,\n \"type\": \"pie\",\n \"radius\": \"50%\",\n \"data\"\
: [\n { \"value\": 335, \"name\": \"A\" },\n { \"value\"\
: 310, \"name\": \"B\" },\n { \"value\": 234, \"name\": \"C\" },\n\
\ { \"value\": 135, \"name\": \"D\" }\n ],\n \"emphasis\"\
: {\n \"itemStyle\": {\n \"shadowBlur\": 10,\n \
\ \"shadowOffsetX\": 0,\n \"shadowColor\": \"rgba(0, 0, 0,\
\ 0.5)\"\n }\n }\n }\n ]\n}\n\n### 数据处理原则\n1.严格基于JSON数据集{#context#}。\n\
2.数据已预筛选，直接进行统计分析。\n3.不进行数据条件的二次确认。\n\n### 报告结构要求\n1.数据概览\n2.详细分析\n3.结论部分\n\
\n### 背景说明\n这是一个经典的TPC-H 决策支持基准（Decision Support Benchmark），包含以下核心表：\n\
- lineitem：订单明细表\n- orders：订单表\n- partsupp：零部件供应表\n- part：\t零部件表\n- customer：客户表\n\
- supplier：供应商表\n- nation：国家表\n- region：区域表\n\n### 数据处理流程\n1.接收JSON格式查询结果\n\
2.验证数据完整性\n3.进行统计分析\n4.生成分析报告\n\n### 报告输出要求\n1.使用准确的数据描述\n2.提供详细的统计分析\n\
3.标注重要发现\n4.保持客观性\n\n### 特殊情况处理\n- 空数据集：直接返回\"没有查询到相关数据\"\n- 异常值：如实报告，不作主观判断\n\
- 数据缺失：说明缺失情况，不补充假设数据\n\n### 常见分析维度\n1.订单分析\n- 订单数量\n- 订单分布\n- 订单趋势\n\n\
2.客户分布\n- 下单数量\n- 地区分布\n- 消费分布\n\n## 输出格式\n如果上游数据库查询没有结果，则直接结合echarts返回\
\ 一个空白图，图中告知：没有查询到相关数据；\n如果有数据则结合echarts，将数据用适合的图形进行可视化展示"
selected: false
title: Doris ChatBI
type: llm
variables: []
vision:
enabled: false
height: 90
id: '1743064832991'
position:
x: 1550
y: 252.5
positionAbsolute:
x: 1550
y: 252.5
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 244
- data:
answer: '{{#1743064832991.text#}}'
desc: ''
selected: false
title: Result
type: answer
variables: []
height: 105
id: '1743065600747'
position:
x: 1854
y: 252.5
positionAbsolute:
x: 1854
y: 252.5
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 244
- data:
desc: ''
selected: false
template: '{{ json_result }}'
title: Json Result
type: template-transform
variables:
- value_selector:
- '1743064814387'
- json
variable: json_result
height: 54
id: '1743081304662'
position:
x: 1246
y: 252.5
positionAbsolute:
x: 1246
y: 252.5
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 244
- data:
code: "import re \n\ndef main(text2sql: str) -> dict:\n text2sql = text2sql.replace('```sql\\\
n', ' ').replace('\\n```', ' ').replace('\\n', ' ').strip()\n text2sql\
\ = re.sub(r'(LIMIT \\d+;).*', r'\\1 ', text2sql, flags=re.IGNORECASE)\n\
\ return {\n \"text2sql\": text2sql,\n }"
code_language: python3
desc: ''
outputs:
text2sql:
children: null
type: string
selected: false
title: sql formatting
type: code
variables:
- value_selector:
- llm
- text
variable: text2sql
height: 54
id: '1743083966673'
position:
x: 638
y: 252.5
positionAbsolute:
x: 638
y: 252.5
selected: false
sourcePosition: right
targetPosition: left
type: custom
width: 244
viewport:
x: -1013.6999999999999
y: 134.5
zoom: 0.7这里记得配置deepseek模型，如果没有deepseek大模型，可以修改为其他的大模型。
五、运行工作流
最后测试工作流，比如：客户订单分布数量查询
运行之后就会生成图表了
备注：
1、本人的案例主要是介绍dify工作流+deepseek+doris的提问案例，整个案例是结合AI+数据库，根据提问的场景，把数据库的数据转换成图表来进行展示。
2、本文的案例还可以把doris替换成其他的数据库都是好使的。
3、整个工作流的核心之一是第二步的Text2sql，这里主要是把自然语言转换成sql进行输出，所以在使用的时候需要结合自己的场景对这里的自然语言转sql进行编写。
4、整个工作流的第二个核心是第六步，这里是把sql的结果转换成echarts能识别的规则，格式等，方便echarts图表进线展示。
5、整个工作流的流程就是：输入->自然语言转sql->执行sql->转把sql查询结果转换成可视化BI的规则->可视化echarts输出。
按照上面的情况根据自己的实际需求进行改写即可，不管是doris还是其他的mysql，postgresql等都好使。
还没有评论，来说两句吧...