【AI智能体】Dify 搭建数据分析应用实战操作详解

目录

一、前言

二、Dify 介绍

2.1 Dify是什么

2.2 Dify 核心特性

2.2.1 Dify 特点

2.2.2 多模型支持

2.2.3 Dify 适应场景

2.3 Dify 在数据分析应用场景中介绍

2.3.1 Dify 数据分析应用的核心能力

2.3.2 基于Dify 搭建数据分析应用一般流程

2.3.3 基于Dify搭建数据分析应用场景

三、基于Dify 搭建一个数据分析应用完整操作过程

3.1 前置准备

3.1.1 配置大模型

3.1.2 安装工具和插件

3.1.3 提前准备2张数据表

3.2 完整操作与配置过程

3.2.1 创建空白应用

3.2.2 增加一个大模型节点

3.2.3 增加数据库执行的第一个插件节点

3.2.4 增加一个模板转换节点

3.2.5 增加提取参数中的SQL大模型节点

3.2.6 增加第二个插件节点

3.2.7 增加条件分支节点

3.2.7.1 第一个条件分支增加大模型节点

3.2.7.2 增加大模型节点

3.2.7.3 增加数据转图表的插件节点

3.2.7.4 增加回复节点

3.2.8 第二个分支节点增加一个大模型节点

3.2.8.1 增加Markdown转换节点

3.2.8.2 增加回复节点

3.2.9 第三个分支增加一个大模型节点

3.2.9.1 增加回复节点

3.2.10 效果测试

四、写在文末

一、前言

在数字化浪潮席卷全球今天，数据已成为企业决策的核心驱动力。可以说，身处当下的时代，不管是否IT企业，都有自身沉淀下来的与企业经营相关的各种数据，比如销售数据，订单数据，各类报表，知识库文档等等，这些数据的存在，成为企业经营过程中必不可少的依赖和宝贵资产。

很多企业意识到数据资产对于企业经营发展的重要性之后，也逐步开始借助各类软件对数据进行开发，应用和消费，比如数据大屏就是很多公司使用的比较高频的形式。

然而，对于这种企业数据的消费模式，是严重依赖背后的技术开发团队的人力投入的。从提需求，到开发，再到最终的交付使用，这一系列的漫长过程会严重拖慢整个经营决策的过程。说到底，还是因为大多数使用数据的人员，对底层数据的使用上面存在较大的障碍。

以mysql为例来说，传统数据查询方式往往依赖于复杂的SQL语句，这对于缺乏编程背景的业务人员而言，无疑是一道难以逾越的鸿沟。正是在这样的背景下，自然语言处理（NLP）与数据库技术的融合，催生了"自然语言转SQL"（Natural Language to SQL，简称NL2SQL）这一创新技术，旨在打破数据查询的壁垒，让数据真正为每个人所用。

在这样的大背景下，随着各类AI智能体平台的诞生和普及，基于AI智能体平台快速搭建特定场景下的应用能力，已经展现出很大的市场潜力，传统的动则几个月甚至更久的软件交付