# 一、安装工具

![image.png](/static/img/d106735e75c4bf69510b3db4575b99b8.image.webp)


![image.png](/static/img/4b0db8b1f6d750f02fcf4e157695b505.image.webp)

# 二、创建创建空白应用

![image.png](/static/img/803253ff099d13bfb1c95663b0ac73db.image.webp)


添加提示词

```js
针对用户的问题进行提示词优化，方便后面进行SQL查
询。必须输出一个严格的、格式正确的JSON对象，并且
只输出这个JSON，不能有任何其他解释、注释、
Markdown代码块标记或多余的文字。
```

![image.png](/static/img/e20d08540c42f857293975a50800a1ff.image.webp)
然后加个aget策略
![image.png](/static/img/c878e1429f8ff2d7f277bb85ed8a465b.image.webp)


![image.png](/static/img/5aeb390e47c69f81fc108ba9f7b671f2.image.webp)
然后添加提示词
```js
你是专用于 `dnf_database` 数据库的SQL查询助手，仅聚焦该库下 `dnf_database` 表的查询需求，无任何字段长度、敏感字段提示等限制，核心规则如下：

1. 核心表结构（仅用于精准生成SQL）：
   - 数据库名：dnf_database
   - 表名：dnf_database
   - 字段：qq(varchar60)、password(varchar60)

2. 响应要求：
   - 用户提查询需求时，直接生成最简、可执行的MySQL SQL语句，无需附加任何安全提示、长度提醒；
   - 若用户要求“直接告知结果”，需明确说明无法直连数据库，但给出执行SQL的极简步骤，引导快速获取结果；
   - 所有输出仅聚焦SQL本身和极简执行说明，无冗余内容。

请根据用户的具体需求，按上述规则提供专业、精准的SQL查询支持。
```

配置好数据库

![image.png](/static/img/3b95ff54bc984f839aeaeddb9cdedc6c.image.webp)

最后选择回复的aget变量

![image.png](/static/img/9337b23aaeb53a1a16ea12a58fea52c0.image.webp)


# 三、验证

![image.png](/static/img/31cdab76ce6c0b8888f05a4c13cb50f9.image.webp)


![image.png](/static/img/fd0cbde8285a5fa87c0fb45f8fbb8d46.image.webp)

5.Dify-自然语言执行sql（就是不会sql也查询数据）

# 一、 做个翻译语言的智能体
填写提示词
```js
你是精通多门语言的专业翻译专家，覆盖中文、英语、日语、德语、法语、西班牙语、韩语等常用语言，核心聚焦中文与英文双向高效互译，无需任何额外询问，用户输入原文后直接输出翻译结果，具体要求如下：
核心翻译规则（强制执行，不额外确认）
1.目标语言判定：用户指定目标语言（如 “译成日语”“转法语”）则按指定执行；未指定时，中文原文默认译为英文，非中文原文默认译为中文。
2.精准优先：严格还原原文含义，不增删语义，专业术语符合对应语言行业规范，中文转英文避免中式英语。
3.语境适配：默认按日常场景翻译，用户标注场景（商务 / 学术 / 文学等）则同步调整风格，确保表达自然。
4.细节兼顾：修正原文语法错误（若有），文化特有表达保留内涵，必要时补充 1 句话内极简说明。
固定输出格式
1.先明确标注：「原语言：{{wenben}} → 目标语言：{{fanyi}}」（XX 为具体语言名称，如中文、英文、日语）。
2.换行单独呈现翻译结果，用户要求 “双语对照” 时，再补充 “原文：XXX / 译文：XXX” 分行格式。
3.全程不添加任何询问类语句（如 “是否要翻译成 XX？”“确认目标语言吗？”），直接交付翻译结果。
```

变量选择下拉框-填写对应的语言

![image.png](/static/img/865cd0391006b6cbdba0cc93cfaa8f54.image.webp)

![image.png](/static/img/4161f420578b74cb008b367f21514117.image.webp)


演示
![image.png](/static/img/200f710547c26ea172958d72be929eaf.image.webp)

4.Dify-AI翻译

# 一、创建一个工作流模版

![image.png](/static/img/fa1e0ae76b0404fd8bcd3994076090fe.image.webp)


工作流开始设置一个sql的参数字段

![image.png](/static/img/f42df2c02021efabb22f1543a4041e84.image.webp)

然后添加一个执行代码的模块

![image.png](/static/img/cf049a60eb85c45adf9bf45af57da3c8.image.webp)

然后画线关联起来
![image.png](/static/img/08c7924e88a20614f91c791815067fbf.image.webp)

然后点代码执行设置开始时候输入的sql参数

![image.png](/static/img/842ea7e140a142ee780dbe3b911ab5f0.image.webp)


然后把python代码丢进去,（自己本地写好一个连接数据库调用的对外接口）

```python
import json
import requests

def main(sql: str) -> dict:
    """
    调用执行SQL的接口，适配Dify的函数调用规范
    :param sql: 传入的SQL语句字符串
    :return: 包含执行结果的字典
    """
    # 注意：host.docker.internal是Docker容器访问宿主机的地址，若Dify部署在Docker中，需用此地址访问宿主机的Flask服务
    url = "http://192.168.31.22:5000/execute_sql"
    # 数据库连接信息
    connection_info = {
        "host": "localhost",
        "user": "root",
        "password": "123456",
        "database": "database"
    }
    # 构造请求体
    payload = {
        "sql": sql,
        "connection_info": connection_info
    }
    headers = {
        "Content-Type": "application/json"
    }
    try:
        # 发送POST请求
        response = requests.post(url, json=payload, headers=headers)
        if response.status_code == 200:
            try:
                # 解析响应结果
                return {"result": str(response.json()["result"])}
            except Exception as e:
                return {"result": f"解析响应 JSON 失败: {str(e)}"}
        else:
            return {"result": f"请求失败，状态码: {response.status_code}"}
    except Exception as e:
        return {"result": str(e)}
```


然后添加一个结束节点，然后关联起来，然后写入执行代码的输出参数即可

![image.png](/static/img/85515ef8cda2740be3c95d32e72c1a64.image.webp)


# 二、测试使用
发布后测试使用，输入一个sql语句进行查询
![](https://songxuan.vip/static/img/3b3595d7aaced21e08bc4f3978240f75.image.webp)
然后成功返回对应的结果

![image.png](/static/img/bfc5ea7bf021b50aeaf3b58475997683.image.webp)


3.Dify工作流-SQL执行器

# 一、Dify知识库使用
创建一个知识库

![image.png](/static/img/acda81bbaf5e7da921a54ba430c6c50b.image.webp)

然后点击这里配置好自己一个embedding的模型
![image.png](/static/img/e2794515e4440c1b9f472b865db00e6c.image.webp)


![image.png](/static/img/3b26a1ec500d83c09c5b75da1f63fc6f.image.webp)

然后等待解析

![image.png](/static/img/8ebe905c36f11c0ef2982f32fc470eb4.image.webp)

然后解析成功后，回去跟聊天助手进行关联配置

![image.png](/static/img/5c71854b4e1b06ae33551334f09c0897.image.webp)


![image.png](/static/img/49f7097542f27e723d3dcc4e116089d6.image.webp)

然后发布更新

![image.png](/static/img/1a8b105ffb58b35f306b747571d1e4de.image.webp)

![image.png](/static/img/72b51783c91b280cc7ad96ed96cbfab5.image.webp)

2.Dify部署知识库

# 一、介绍
Dify(Define + Modify) 是一个开源的大语言模型 (LLM) 应用开发平台，融合了后端即服务 (BaaS) 与 LLMOps 理念，旨在帮助开发者 (包括非技术人员) 快速构建、部署和管理生产级的 AI 应用。

核心特点：
- 无需编程或低代码，通过可视化界面 "搭积木" 式开发 AI 应用
- 支持从原型设计到生产部署的完整生命周期管理
- 同时服务开发者和企业用户，降低 AI 应用开发门槛
# 二、去github下载dify
地址：https://github.com/mixun/dify/

下载好后上传到服务器。

然后进行解压


```js
unzip dify-main.zip
```

然后进去docker的目录，把.env.example改成.env

```js
cd /AI/dify-main/docker
```

```js
cp  .env.example  .env
cp middleware.env.example middleware.env
```
然后启动

```js
docker compose up -d 
```
等待拉取镜像启动
![image.png](/static/img/64c18b07181f3d2a657e9d928f0820ab.image.webp)

# 三、dify配置AI大模型

设置管理员账号登录
![image.png](/static/img/8ff34d80105230ee72811eb2f9aa618c.image.webp)

然后点击右上角设置-模型供应商-然后选择ollama

![image.png](/static/img/e22952c28179e7297f423df2c40d28e5.image.webp)

安装好后进行配置

![image.png](/static/img/2106baa38ff6776f13732409e5e58ee0.image.webp)


![image.png](/static/img/37ee66d06a21afce1600ab9fc92564c3.image.webp)


# 四、创建一个聊天助手

![image.png](/static/img/d7d0afbbb813bbba1bd95cde092a8a7c.image.webp)


![image.png](/static/img/bf1ee9358e097e7c68b71f3762fb2324.image.webp)

一、安装工具

一、 做个翻译语言的智能体

一、创建一个工作流模版

一、Dify知识库使用

一、介绍

一、做个翻译语言的智能体