企业级的AI运用更需要能让AI结合自身的文档库和数据库来返回结果，那么本文就讲一下怎么实现。
使用的技术为Dify+豆包
先来看看效果：
这里是使用dify的编排能力、知识库存储能力、工作流能力、多插件能力，控制整个处理过程，让LLM大模型能按我们的编排进入任务中，将用户的自然语言需求，转换成本地Sql查询语句，然后调用sql查询工具，输出查询结果。
当然实际使用肯定不是在这个界面中，这里只是编辑和测试界面，我们可将编排好的Agent发布成网页中Iframe或弹出框插件，甚至可以是浏览器插件。
发布方式如下：
Dify的部署、安装、配置详见：https://docs.dify.ai/zh/use-dify/getting-started/introduction
Dify开源地址：https://github.com/langgenius/dify
豆包模型key获取：地址
安装部署就不赘述了，按教程来就行。请配置好大模型后进行下一步。
查询本地数据库Agent构建过程
1.先创建一个知识库，用于Ai获取你的数据库表结构；点击顶部的“知识库”，“创建知识库”：
2.上传你的数据结构文件，可以将表结构sql语句放在一个txt文件中上传进来；扩展：知识库可以放你企业的任何文档便于AI大模型检索，注意要部署在本地服务器，防止泄密。
3、点击工作室——创建空白应用——新建Chatflow
4、简单输入Agent名称描述后继续下一步；
5、按以下顺序建立节点。以用户输入为起点，点节点右边的小+号添加节点，我们首先要根据数据结构来生成sql，所以要连一个知识检索的节点，关联上刚刚建好的数据库结构知识库
6、在知识库检索节点后街上LLM节点，LLM提示词可以是如下内容：
你是一位SQL专家，先认真理解知识库的表结构，根据用户的自然语言输入{{#sys.query#}}结合{{#context#}}知识库中的表结构成查询sql语句。
1.请将用户的自然语言生成Select查询sql语句，且必须是基于上下文知识库中的表，严禁添加或修改不存在的字段和表；
2.输出只有sql语句，不需要说明、解释，SQL语句要能在Mysql数据库中执行；
3.无法生成sql时返回select '无法生成sql' from dual
7、然后需要把AI生成的返回结果变成可执行的Sql语句，于是需要接一个参数提取器节点；
8、然后接一个Sql查询工具，此工具可直接配置好本地数据库连接串、并接上一步的sql作为参数。
如果是部署在docker里，注意这里的数据库地址要改成：host.docker.internal
9、然后再加个LLM节点将sql输出结果整理成自然语言返回即可：
结合{{#context#}}{{#sys.query#}}和上一步Sql查询的结果{{#1778486166179.text#}}，组织语言返回答案。