概述
上一篇文章我们围绕 Excel 文件展开数据可视化教学，逐步掌握了数据导入、图表构建和 AI 智能分析。在实际业务环境中，很多数据并不是保存在表格中，而是存储于数据库系统中，尤其是最常见的 MySQL。本篇作为本系列的第五篇，将聚焦于如何在 Dify 中连接 MySQL 数据库，动态获取数据，并将其可视化展示。相比静态的 Excel 文件，MySQL 的实时性和结构化特征将为可视化带来更大价值。本篇将一步步带你完成从数据库接入到图表生成，再到智能分析的完整流程。
构建工作流
- 开始节点：就是一个输入框，告诉AI我们要干什么，需求是什么。
- 知识检索：提供详细的数据库表的DDL，包含注释等，这样大模型才能正确理解我们的数据字段，才可以根据自然语言生成查询数据的SQL，以便去数据库查询。
-
LLM节点：这个节点负责把我们的自然语言转换成SQL语句，可以选择多家模型进行测试，看哪个效果好，我这里用的是qwen-coder-turbo-latest。
-
promt如下：
你是一个数据分析师，擅长使用SQL查询数据库，根据用户
数据库的表结构 当 上下文 和用户的查询要求给出对应的
sq|语句。用户的查间要求是：[变量]。
注意生成的SQL必须经过严格的校验。你可以使用函数在用
户输入类似于"求和"或"总和"时，则在sq/语句中使用
SUM0。用户输入类似于"平均数"或"平均"时，在在sql语句
中使用AVG0。
要求
1.如果用户输入的内容无法生成为sq|语
句，请直接说"抱歉，该命令无法形成数据库查询操作"。
2.当可以生成sql语句时，请确保输出的内容为完整正确的sql语句，除此以外不要输出其他任何信息，不要注释和说明，也不要格式化，不要用markdown格式来输出，直接输出纯文本，也不要输出 \n 这样的回车换行符，确保你生成的sql
语句可以直接执行查询操作。
3.对于字符串内容的查询请使用LIKE操作而不是等于操作。
4.禁止中间过程输出。
-
-
参数提取器：节点的作用是从LLM节点的输出里提取出合法SQL语句，上一个节点返回的数据可能会被包装成md的格式，这里要根据实际的情况调整一下。上一个节点我使用qwen-coder-turbo-latest生成SQL的时候。
-
HTTP请求节点：把上一个节点的SQL语句发给后台，让后台执行这个SQL查询数据库，然后拿到数据。这里的参数要和后台接口一致，包括接口url，方法，body的返回格式等。
- 解析数据库数据：从上一个节点的输出里解析出我们需要的，方便下一个节点处理的数据。
- Echarts 数据提取节点：该节点的作用是从前一个节点的输出中提取出 Echarts 所需的数据，过滤掉无关内容，仅保留用于图表渲染的核心信息。
- LLM 处理节点：此节点将上一步输出的数据转换为 Echarts 可识别的图表数据结构。提示词的设计可以参考上一期的内容。
- 参数提取器节点：负责从上一个节点的输出中抓取 Echarts 执行所必需的参数，其他无关数据会被剔除。多个参数提取器节点的功能类似，都是从 Markdown 格式或其他结构化内容中提取出图表渲染所需的关键数据。
- 代码执行节点：在该节点中编写代码以接收前一节点的数据，并生成 Echarts 图表的最终结构。
- 最终回复节点：将上一节点生成的 Echarts 图表内容作为最终结果进行输出和展示。
预览结果
总结
通过本篇学习，我们掌握了如何将 MySQL 数据库接入 Dify，实现实时图表的构建与自动更新。相比 Excel 数据，MySQL 的动态性与结构化优势让数据可视化更具实用价值，特别适合销售监控、订单跟踪、客户分析等场景。Dify 强大的图表引擎与 AI 问答系统，让非技术人员也能轻松操作数据库数据，快速洞察业务趋势。下一篇我们将探索如何通过自动化工具（如 Webhook、API）让 Dify 接收来自第三方系统的数据更新，进一步实现全流程自动化的数据分析体验。