如何让业务人员摆脱SQL，直接用自然语言获取数据？本文分享一个实用案例：结合RAGFlow与Dify两大开源工具，构建高质量的AI问数应用。

前言

经过3天的验证测试，我发现RAGFlow与Dify产品组合在生成AI问数质量方面展现出了强大潜力。虽然存在一些不足，但RAGFlow成功填补了Dify知识库应用的短板，形成了一个高效互补的解决方案。

从整体逻辑构建来看：

• Dify：擅长快速构建MVP产品原型，其插件系统和自定义工具使构建AI应用变得简单高效

• RAGFlow：贡献两个关键能力： ①提供高质量知识库数据源；②通过NL2SQL功能作为AI问数的专业Agent

整体流程

整体架构图

RAGFlow+Dify实际效果展示

从实际效果来看，这一组合实现的Agent逻辑非常符合预期，能够很好地完成多表关联查询等复杂任务：

1. Agent整体呈现结果

Agent整体呈现结果

2. 复杂分析型查询支持

系统能够理解并处理复杂的分析型查询语句，生成准确的SQL查询并返回有价值的结果：

分析型查询示例1

分析型查询示例2

3. 三段式结果呈现

系统采用了清晰的三段式呈现方式，提升用户体验：

• ① 首先展示SQL查询语句

• ② 然后展示数据结果

• ③ 最后提供总结分析

结果呈现示例

★

小贴士：这种呈现方式让技术人员能够验证SQL正确性，同时也让业务人员直接看到结论，兼顾了不同用户需求。

实现步骤详解

整个实现过程分为几个关键步骤，下面详细说明：

1. Agent的设计架构

Agent作为整个系统的核心能力引擎，分为四个主要部分：

1.1 Agent提示词设计

明确定义Agent的身份定位和工作方法，通过精心设计的提示词引导AI生成高质量查询：

Agent提示词设计

★

关键点：好的提示词设计是高质量SQL生成的基础，需要明确告诉模型应该如何理解数据结构和生成查询。

1.2 知识库接入

系统采用RAGFlow提供的外部知识库，实现步骤如下：

第一步：引入外部知识库API

引入外部知识库API

第二步：接入RAG知识库

接入RAG知识库

1.3 工作流工具集成

Dify将工作流转化为可调用工具，使Agent能够实现自然语言查询：

第一步：构建工作流

构建工作流

第二步：将工作流发布为工具

由于Agent只能通过Function Calling调用工具，需要将工作流发布为可调用的工具：

发布为工具

第三步：优化工具描述

工具描述需要精心设计，帮助LLM准确理解工具功能并正确触发调用：

优化工具描述

★

实用技巧：工具描述是给LLM看的，而非给人看的，需要包含足够信息让模型理解何时以及如何调用该工具。

1.4 RAGFlow Agent集成

将RAGFlow的Agent作为工作流的核心环节，负责高质量SQL生成。RAGFlow Agent接口包含两个部分：

第一步：创建Agent会话

创建Agent会话

第二步：与Agent交互

与Agent交互

2. 自定义API接口开发

为有效管理RAGFlow Agent会话，开发了一个自定义FastAPI接口，实现以下功能：

• 会话管理：确保Dify Agent与RAGFlow Agent会话保持同步，保留上下文记忆

• 对话交互：通过会话与RAGFlow Agent进行对话并获取回复

自定义API接口

★

注意：当前实现仅支持单会话对接RAGFlow Agent，多会话支持需要额外开发。

3. 接口注册与集成

将自定义接口注册到系统中，遵循OpenAPI 3.0规范：

接口注册

★

技术提示：可以让LLM协助生成OpenAPI 3.0规范的接口描述文档，提高开发效率。

4. RAGFlow Agent知识库设计

RAGFlow Agent的核心优势在于其高质量知识库，这也是保证SQL生成质量的关键因素。优质的知识库能提供准确的上下文信息，而低质量的知识库则可能导致误导和错误的SQL生成：

知识库设计

结语

本文简要介绍了RAGFlow与Dify结合实现AI问数的验证方案。限于篇幅，无法详尽展示所有技术细节，有兴趣的读者可通过私信交流，我将尽可能整理更多细节到飞书文档中。

值得注意的是，AI问数仅解决了业务人员的基础取数需求，但业务分析还需要更进一步。未来的发展方向是基于数据指标完成归因分析，包括：

• ✅ 建立归因链路中各指标对应的业务脉络知识库

• ✅ 明确各指标的计算方法

• ✅ 调度Agent进行指标数据检索

• ✅ 完成数据结果的归因诊断

归因分析是一个需要大量企业个性化定制的知识库工程，但方法论是相通的。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​