Dify + PostgreSQL 数据库实现智能客服完整指南

Dify + PostgreSQL 数据库实现智能客服完整指南

结合工作流配置与实战经验，以下是可直接落地的详细配置步骤。

工作流架构解析

架构流程图

可视化工作流节点

详细配置步骤

Step 1：配置数据库工具（Database 工具）

1.1 添加数据库工具
左侧菜单 → 工具 → 创建自定义工具
选择类型：Database（数据库）
填写基础配置：
工具名称：PostgreSQL 查询工具
描述：用于查询学生信息和统计数据
数据库类型：PostgreSQL
1.2 配置 DB URI（数据库连接字符串）
格式：

postgresql://用户名:密码@主机:端口/数据库名

示例：

postgresql://postgres:123456@localhost:5432/postgres

参数分解： 用户名：postgres（默认管理员账号）
密码：123456（数据库登录密码）
主机：localhost（本地）/ 服务器公网 IP（远程）
端口：5432（PostgreSQL 默认端口）
数据库名：postgres（目标数据库名称）

Step 2：配置核心节点（重点）

节点 1：用户输入（开始节点）

节点类型: start
变量配置:
  - 变量名: query
    类型: string
    必填: 是
    描述: 用户自然语言查询（如"找出年纪最小的学生"）

节点 2：LLM 意图识别 + SQL 生成（deepseek-reasoner） 系统提示词（核心）：

# 角色定义
你是PostgreSQL数据库专家，负责将自然语言转换为准确的SQL查询。

# 数据库Schema（关键！）
## students 表
| 字段 | 类型 | 示例值 | 约束 |
|------|------|--------|------|
| name | VARCHAR | '张三','李四' | 学生姓名 |
| age | INTEGER | 12-25 | 年龄范围 |
| grade | VARCHAR | '初中','高中','大学' | ⚠️只能这三个值 |
| class | VARCHAR | '一班','计算机系' | 班级/系别 |

## age_statistics 表
| 字段 | 类型 | 示例值 | 约束 |
|------|------|--------|------|
| age_group | VARCHAR | '初中组','高中组','大学组' | ⚠️必须中文 |
| min_age | INTEGER | 12, 16, 19 | 最小年龄 |
| max_age | INTEGER | 15, 18, 25 | 最大年龄 |

# 查询规则（强制约束）
1. ⚠️ 禁止使用英文值（如'Teen'），必须用中文（如'初中组'）
2. "最小年龄" = ORDER BY age ASC
3. "最大年龄" = ORDER BY age DESC
4. 能单表查询就不要多表关联
5. 统计人数用 COUNT(*) + GROUP BY

# 示例库
用户：找出年纪最小的学生
SQL：SELECT name, age FROM students ORDER BY age ASC LIMIT 1;

用户：统计各年级人数
SQL：SELECT grade, COUNT(*) FROM students GROUP BY grade;

# 输出要求
直接输出sql语句到 reasoning_content，无需额外解释

模型：deepseek-reasoner
温度：0.1（保证生成 SQL 的准确性）
节点 3：TEXT TO SQL 节点
授权已创建的「PostgreSQL 查询工具」
关联上游 LLM 节点的输出（reasoning_content）作为 SQL 语句来源
节点 4：SQL EXECUTE 节点
数据库工具：选择 Step 1 创建的 PostgreSQL 工具
SQL 语句：{{TEXT TO SQL 节点输出}}
返回格式：JSON
超时时间：10s
节点 5：代码执行（可选，格式化结果）

import json

# 获取 SQL 执行结果
sql_result = {{SQL EXECUTE 节点输出}}

# 格式化结果（空值处理）
if not sql_result:
    formatted_result = "[]"
else:
    formatted_result = json.dumps(sql_result, ensure_ascii=False, indent=2)

# 输出格式化后的数据
print(formatted_result)

运行环境：Python3 输出类型：String 节点 6：LLM 2 结果润色（deepseek-chat） 系统提示词：

你是一个数据库查询结果分析助手。

## 输入信息
- 用户原始问题：{{#sys.query#}}
- 数据库查询结果：{{#context#}}

## 重要：先判断查询是否正确
如果用户问"最小/最大/特定条件"但结果返回了全部数据：
→ 回复："查询可能不完整，建议确认 SQL 语句是否正确"

如果查询结果为空：
→ 回复："未找到相关数据"

如果查询结果正常：
→ 用简洁中文回复，突出关键信息

## 回复示例
用户：帮我找最小的学生
结果：[{"name":"小明","age":6}]
回复："最小年纪的学生是 **小明**，今年 **6 岁**。"

用户：最小年纪的学生名字叫啥
结果：[{"name":"小明","age":6}]
回复："最小年纪的学生叫 **小明**。"

用户：查询所有学生
结果：[...103 条...]
回复："共找到 **103 名学生**。"

模型：deepseek-chat 温度：0.7（保证回复的自然性） 输入变量： sys.query：{{用户输入节点.query}} context：{{代码执行节点输出}} 节点 7：直接回复节点 回复内容：{{LLM 2 节点输出}} 🚨 常见问题与解决方案

问题	原因	解决方案
表不存在	数据库名 / Schema 错误	确认 DB URI 中数据库名正确，表名加 public. 前缀（如 public.students）
SQL 语法错误	LLM 生成错误	优化系统提示词，增加更多示例；降低 LLM 温度至 0.1
连接超时	网络 / 防火墙限制	检查数据库允许远程连接，开放 5432 端口；确认服务器安全组规则
权限不足	用户无访问权限	授予 SELECT 权限：GRANT SELECT ON ALL TABLES IN SCHEMA public TO 用户名
中文乱码	数据库编码问题	确认数据库 UTF-8 编码：执行 SHOW server_encoding 验证

配置检查清单

数据库工具已创建并测试连接成功
DB URI 配置正确（数据库名、账号、密码无误）
TEXT TO SQL 节点已授权 Database 工具
LLM 节点系统提示词包含完整 Schema 和查询规则
SQL EXECUTE 节点配置正确（工具关联、超时时间）
LLM 2 回复节点提示词完善（包含异常处理逻辑）
所有节点连接正确（无断连 / 错连）
测试用例验证通过（如 "找出年纪最小的学生"）

立即操作步骤

先配置 Database 工具（Step 1），测试数据库连接
再配置 TEXT TO SQL 节点（核心，重点核对 Schema）
测试简单查询（如 "找出年纪最小的学生"）
根据测试结果优化 LLM 提示词（重点调整 SQL 生成规则）
测试异常场景（如空结果、错误查询），验证回复逻辑

核心优化建议

SQL 安全性：使用只读账号连接数据库，避免数据篡改
性能优化：开启 SQL 缓存，避免重复执行相同查询
提示词迭代：根据实际错误案例，持续补充 SQL 生成示例
容错处理：在工作流中添加「条件分支」，处理 SQL 执行失败场景
总结 核心流程围绕「自然语言→SQL→数据库查询→自然语言回复」展开，TEXT TO SQL 节点是关键； LLM 提示词需明确数据库 Schema 和查询规则，才能生成准确的 SQL； 部署前务必完成「配置检查清单」，重点验证数据库连接和权限； 常见问题（如表不存在、权限不足）可通过调整连接字符串 / 数据库权限快速解决。

效果展示