企业官网建设流程全解析

本文将01-Mysql数据库操作.md与02-学生成绩查询ChatFlow.md合并为一篇完整实操文档，覆盖：

• MySQL 数据库与student_grades表准备
• Dify ChatFlow 节点编排（NLP2SQL + 数据分析 + ECharts）
• 查询结果文本与图表联合输出
  

1. 项目目标与整体思路

目标是实现一个“学生成绩查询 Agent”：

1. 用户用自然语言提问（例如“查询全校各科平均分”）
2. 大模型将问题转换为 SQL
3. 执行 SQL 获取结果
4. 大模型对结果做总结并按需生成 ECharts 数据
5. 工作流输出文本结论，并可附带折线图/柱状图/饼图

2. 环境与工具准备

本方案主要依赖以下能力：

• Database 工具（连接 MySQL）
• 代码执行节点（Python 解析/转换数据）
• 大模型节点（SQL 生成与结果总结）
• ECharts 图表节点（图表渲染）
• （可选）时间工具

Database 插件安装后需要配置 API Key，并设置数据库连接 URI：

mysql+pymysql://root:你的密码@host.docker.internal:3306/你的数据库名

示例：

mysql+pymysql://root:123456@host.docker.internal:3306/dify_test

3. MySQL 数据准备（核心基础）

3.1 登录 MySQL

本地: mysql -u root -p 远程: mysql -u root -h 192.168.1.100 -p

3.2 创建数据库并切换

CREATEDATABASEdify_test;USEdify_test;

3.3 创建成绩表

CREATETABLEstudent_grades(idINTAUTO_INCREMENTPRIMARYKEY,student_idVARCHAR(20)NOTNULL,student_nameVARCHAR(50)NOTNULL,class_nameVARCHAR(50)NOTNULL,subjectVARCHAR(50)NOTNULL,scoreDECIMAL(5,2)NOTNULL,exam_dateDATENOTNULL,semesterVARCHAR(50)NOTNULL,gradeVARCHAR(50)NOTNULL,created_atDATETIMENOTNULL,updated_atDATETIMENOTNULL);

3.4 导入测试数据

将原文中的批量INSERT INTO student_grades ... VALUES (...)语句一次性执行即可（数据量约 100+ 条）。

3.5 验证数据

SELECTCOUNT(*)FROMstudent_grades;SELECT*FROMstudent_gradesLIMIT10;

4. ChatFlow 工作流搭建（逐节点）

4.1 开始节点

接收用户输入问题，无需特别修改。

4.2 大模型节点：生成 SQL

职责：根据用户问题，输出可执行 SQL（JSON 数组格式）。

关键配置：

• 模型：qwen3-max
• System Prompt：约束表名为student_grades、字段定义、SQL 质量要求、JSON 输出规范
• User Prompt 示例：查询全校各科目平均分情况

建议：要求模型避免SELECT *，并尽量按semester、grade、class_name、subject等维度聚合。

4.3 直接回复：SQL 生成中

用于改善交互体验，可选。

### SQL 正在生成中

4.4 代码执行：解析 LLM 输出 JSON

职责：从json ...代码块中提取并解析 SQL 数组。

输入建议：

input_string: LLM/{x}text

输出建议：

result --> Array[Object]

4.5 直接回复：SQL 生成完毕

### SQL 生成完毕！

4.6 循环迭代：逐条 SQL 执行

职责：遍历 SQL 数组，逐条查询并汇总结果。

关键配置：

• 输入：代码执行/{x}result
• 输出：SQL Execute/{x}json
• 错误处理：可选择移除错误输出，避免单条 SQL 失败导致全流程中断

4.7 循环体-代码执行：提取title/sql

职责：从当前迭代对象提取title与sql字段，传给 SQL 执行节点。

4.8 循环体-SQL 执行

输入：

循环体代码执行{x}sql

4.9 代码执行：循环结果转字符串

职责：将迭代后的查询结果拼接，便于后续 LLM 做统一总结。

4.10 直接回复：模型汇总中

### SQL 计算完毕,模型正在汇总中...

4.11 大模型节点：结果总结 + 图表决策

职责：

• 优先回答用户问题（Markdown 文本）
• 判断是否需要图表（ECHarts="1"或"0"）
• 若需要图表，返回图表类型、标题、数据与 X 轴

建议输出 JSON 结构：

{"results":"Markdown总结","ECHarts":"1","chartType":"线性图/柱状图/饼状图","chartTitle":"图表标题","chartData":"10;20;30","chartXAxis":"高一;高二;高三"}

4.12 代码执行：解析总结 JSON

职责：容错解析 LLM 返回结果，补齐缺省字段，统一输出：

• results
• ECHarts
• charType/charTitle/charData/charXAxis（按你的节点命名保持一致）

4.13 直接回复：返回文本结果

回复内容示例：

代码执行生成ECHART/{x}results

4.14 条件分支：是否绘图

职责：根据ECHarts与chartType走不同图表分支（折线/柱状/饼图）。

4.15 ECharts 图表节点

通用输入参数：

1. 标题：charTitle
2. 数据：charData
3. X 轴（或分类）：charXAxis

4.16 结果输出节点

最终向用户输出文本结果，并在满足条件时附带图表。

5. 运行效果

6. 常见问题与优化建议

1. SQL 解析失败
   重点检查 LLM 输出是否严格包裹在 ```json 代码块中。

2. SQL 执行报错
   检查数据库连接、表名字段名是否一致（student_grades），以及 SQL 语法是否符合 MySQL。

3. 图表不显示
   检查ECHarts是否为"1"，并确认chartType/chartData/chartXAxis是否完整。

4. 结果不够准确
   强化 SQL 生成提示词，增加 few-shot 示例，限制查询范围与维度。

5. 性能优化
   高频查询字段（如semester、grade、class_name、subject）可考虑建立索引；避免无条件全表扫描。

7. 一句话总结

你现在可以通过“自然语言提问 -> 自动 SQL 查询 -> 智能总结 -> 图表展示”的完整链路，快速搭建一个可用的学生成绩查询 Agent，并可按业务继续扩展到班级分析、年级对比、成绩预警等场景。