如何用Dify与Qwen搭建MySQL智能NL2SQL工作流教程

业务同事突然甩来一句：“查一下上个月华东区销量最高的3个产品”……你是不是也遇到过这种情况？以前总得手动写SQL，还得反复确认字段名对不对、表名有没有写错。但现在，用Dify拖拽编排加上Qwen本地模型，5分钟内就能让自然语言直接变成可执行的MySQL查询语句。说实话，整个过程不需要联网，不上传任何业务数据，所有推理和查询都在你本机完成──这才是真正意义上的“离线智能问数”。

这篇文章就是想告诉你，这事儿其实没那么复杂。

准备本地运行环境

先确保Docker装好并且跑得起来。Ubuntu 22.04或者WSL2环境最省心，如果你用的是Windows，别忘了确认WSL2已启用，并且Docker Desktop配置为WSL2后端。

接下来，把Dify的代码克隆下来再进到Docker部署目录：

git clone https://github.com/langgenius/dify.git → cd dify/docker

这一步不能偷懒：【cp .env.example .env】。如果跳过，后面服务启动时就会因为缺失环境变量直接报错。接着执行一键启动命令：【docker compose up -d】。首次运行需要拉取镜像，大概2到3分钟吧。完成后访问http://localhost:3000，就能看到Dify的登录页了。

配置Qwen模型接入Dify

方法一：通过Ollama本地托管（对新手特别友好）

在终端运行：【ollama run qwen2.5-coder:7b】。等模型下载完成后会自动加载，Ollama默认监听http://localhost:11434。

然后进入Dify后台，右上角头像 → 设置 → 模型供应商 → 添加模型。模型名称填 qwen2.5-coder，基础URL填 http://host.docker.internal:11434，保存即可。

这里有个坑必须提醒：Docker容器里不能用localhost访问宿主机服务，一定要用host.docker.internal这个别名，否则连接会超时。

方法二：用vLLM部署Qwen3-1.5B（适合手上有GPU的朋友）

执行：【vllm serve Qwen/Qwen2.5-1.5B-Instruct --port 9999 --dtype float16】。启动后基础URL改为http://host.docker.internal:9999/v1。

创建NL2SQL工作流

第一步：新建应用，选择“聊天编排”，命名它为“MySQL智能问数”。

第二步：删掉默认的LLM节点，然后在开始节点后面添加工具节点。选择rookie_text2data插件（这个需要提前从GitHub安装：https://github.com/jaguarliuu/rookie_text2data）。

第三步：配置rookie_text2data的参数：

• 数据库类型选 MySQL；
• 主机地址写你的MySQL容器名，或者宿主机IP。比如Docker网络中MySQL容器名叫mysql-db，那就填mysql-db；
• 端口、用户名、密码、数据库名按实际情况填写；
• “Schema Description”栏里粘贴表结构描述。这一步至关重要，字段描述越准确，生成的SQL就越靠谱。必须把主键、外键、字段类型和注释都写上。

第四步：在rookie_text2data节点后面接一个LLM节点。System提示词设置为：

你是一位MySQL专家，只输出标准SQL语句。检查输入SQL是否符合MySQL 8.0语法，修正表名/字段名大小写、反引号缺失、函数误用等问题。输出必须是单条可执行语句，不含解释、不含```标记。

第五步：再接一个rookie_excute_sql工具节点，输入变量选择上一步LLM输出的text字段。执行结果会自动以JSON格式返回。

调试与验证

点击右上角的“测试”按钮，输入一句自然语言问题：“查出销售额大于10万的商品名称和销量”。观察每个节点的输出：

• rookie_text2data节点应该输出类似 SELECT name, sales FROM products WHERE sales > 100000 这样的原始SQL；
• LLM节点输出的是修正后的标准SQL，比如字段加了反引号，WHERE条件加上了括号；
• rookie_excute_sql节点输出的是一个JSON数组，包含字段名和数据行。

万一哪个节点报错了，先检查rookie_text2data的数据库连接参数，再看看Schema描述是不是和真实表结构完全一致。这个问题最容易被忽略：【字段名拼写错误或类型描述不符，都会导致SQL生成失败】。

最后，在rookie_excute_sql节点后面加一个模板转换节点，把JSON转成易读的文本。变量填{{#节点ID.output#}}，格式设成{{item.name}}: {{item.sales}}。这样，自然语言到SQL的整个自动化闭环就算跑通了。