概述
上一篇文章我們圍繞 Excel 文件展開數據可視化教學，逐步掌握了數據導入、圖表構建和 AI 智能分析。在實際業務環境中，很多數據并不是保存在表格中，而是存儲于數據庫系統中，尤其是最常見的 MySQL。本篇作為本系列的第五篇，將聚焦于如何在 Dify 中連接 MySQL 數據庫，動態獲取數據，并將其可視化展示。相比靜態的 Excel 文件，MySQL 的實時性和結構化特征將為可視化帶來更大價值。本篇將一步步帶你完成從數據庫接入到圖表生成，再到智能分析的完整流程。
構建工作流
- 開始節點：就是一個輸入框，告訴AI我們要干什么，需求是什么。
- 知識檢索：提供詳細的數據庫表的DDL，包含注釋等，這樣大模型才能正確理解我們的數據字段，才可以根據自然語言生成查詢數據的SQL，以便去數據庫查詢。
- LLM節點：這個節點負責把我們的自然語言轉換成SQL語句，可以選擇多家模型進行測試，看哪個效果好，我這里用的是qwen-coder-turbo-latest。
- promt如下：
你是一個數據分析師，擅長使用SQL查詢數據庫，根據用戶
數據庫的表結構 當 上下文 和用戶的查詢要求給出對應的
sq|語句。用戶的查間要求是：[變量]。
注意生成的SQL必須經過嚴格的校驗。你可以使用函數在用
戶輸入類似于”求和”或”總和”時，則在sq/語句中使用
SUM0。用戶輸入類似于”平均數”或”平均”時，在在sql語句
中使用AVG0。
要求
1.如果用戶輸入的內容無法生成為sq|語
句，請直接說“抱歉，該命令無法形成數據庫查詢操作”。
2.當可以生成sql語句時，請確保輸出的內容為完整正確的sql語句，除此以外不要輸出其他任何信息，不要注釋和說明，也不要格式化，不要用markdown格式來輸出，直接輸出純文本，也不要輸出 \n 這樣的回車換行符，確保你生成的sql
語句可以直接執行查詢操作。
3.對于字符串內容的查詢請使用LIKE操作而不是等于操作。
4.禁止中間過程輸出。- 參數提取器：節點的作用是從LLM節點的輸出里提取出合法SQL語句，上一個節點返回的數據可能會被包裝成md的格式，這里要根據實際的情況調整一下。上一個節點我使用qwen-coder-turbo-latest生成SQL的時候。
- HTTP請求節點：把上一個節點的SQL語句發給后臺，讓后臺執行這個SQL查詢數據庫，然后拿到數據。這里的參數要和后臺接口一致，包括接口url，方法，body的返回格式等。
- 解析數據庫數據：從上一個節點的輸出里解析出我們需要的，方便下一個節點處理的數據。
- Echarts 數據提取節點：該節點的作用是從前一個節點的輸出中提取出 Echarts 所需的數據，過濾掉無關內容，僅保留用于圖表渲染的核心信息。
- LLM 處理節點：此節點將上一步輸出的數據轉換為 Echarts 可識別的圖表數據結構。提示詞的設計可以參考上一期的內容。
- 參數提取器節點：負責從上一個節點的輸出中抓取 Echarts 執行所必需的參數，其他無關數據會被剔除。多個參數提取器節點的功能類似，都是從 Markdown 格式或其他結構化內容中提取出圖表渲染所需的關鍵數據。
- 代碼執行節點：在該節點中編寫代碼以接收前一節點的數據，并生成 Echarts 圖表的最終結構。
- 最終回復節點：將上一節點生成的 Echarts 圖表內容作為最終結果進行輸出和展示。
預覽結果
總結
通過本篇學習，我們掌握了如何將 MySQL 數據庫接入 Dify，實現實時圖表的構建與自動更新。相比 Excel 數據，MySQL 的動態性與結構化優勢讓數據可視化更具實用價值，特別適合銷售監控、訂單跟蹤、客戶分析等場景。Dify 強大的圖表引擎與 AI 問答系統，讓非技術人員也能輕松操作數據庫數據，快速洞察業務趨勢。下一篇我們將探索如何通過自動化工具（如 Webhook、API）讓 Dify 接收來自第三方系統的數據更新，進一步實現全流程自動化的數據分析體驗。
教程)
)