一个优秀的个人网站健康码防疫核验一体机

一个优秀的个人网站,健康码防疫核验一体机,番禺网站公司,网站建设心得8000字实现AI和BI整合的初步思路和探索这些年AI火的一塌糊涂#xff0c;很多行业和传统技术领域都在积极的跟其产生交集。BI是一个20年前开始火起来的技术#xff0c;跌跌荡荡这些年#xff0c;如今虽然不是网红菜#xff0c;但绝对是企业的必点菜。AI的出现让很多东西跟人们越来…实现AI和BI整合的初步思路和探索这些年AI火的一塌糊涂很多行业和传统技术领域都在积极的跟其产生交集。BI是一个20年前开始火起来的技术跌跌荡荡这些年如今虽然不是网红菜但绝对是企业的必点菜。AI的出现让很多东西跟人们越来越近那么AI配合BI有没有搞头呢img关于这个话题这些年我也不断的在尝试探索AI跟BI到底能碰撞出什么样的火花。我看到近些年在网上能找到的示例主要是以下几种应用场景Deepseek in word or excel一类甚至在Power BI里也有主要就是通过脚本去调用deepseek的http的接口B站好多视频我个人认为这个智能算纯技术探索实在想不出有什么应用场景。自然语言问答通过自然语言的方式直接获取答案第一次看到是在早期版本的Power BI现在仍保持着这个功能。文件直接生成图表。这个B站的教程很多算是一个技术领域的介绍吧但还很难上桌因为用过Power BI或者Tableau的都会知道客户对表格的要求是多么变态。基于自然语言的统计主要是TEXT2SQL这类通过大预言模型对数据结构的理解根据用户的问题生成查询然后通过MCP之类的技术返回结果。这里我会演示最后一种方案。我们选择Dify SQL Server的方式。其实第三种方案在B站你能看到基于Dify的很多演示但受限于工具的功能只能找到MySQL的。理论上来说通过MCP也可以但是我搜索了下支持SQLServer的MCP工具都失败了。所以这里我会换一个思路既然Dify现成工具以及MCP都很难找到对SQLServer的支持那么就拿出Python大法大体的思路就是通过Python来访问SQLServer然后再通过Python暴露一个http的接口供Dify去调用。你会问为什么偏要SQLServer因为这里想主要介绍通过Dify现成工具以及MCP之外的另外一种万能的方式其次再怎么说我也是曾经连续连年的SQLServer MVP所以对SQLServer还是很有感情的。再就一点在SQLServer下有一个不错的资源即使官方示例的数据仓库Adventure works里面有现成的数据可以供我们演示用。这套数据仓库的结构如下以下是我在Power BI里的建模可以清晰的看到表间关系img当初我在设计数据仓库比较迷茫时都会来参考一下相应的问题在这套数据仓库里是如何设计的。为了方便演示这里我只选择两张表一个是FactInternetSales一个是DimProduct。我们首先需要做的是将两个表的建脚本导出来后续放在大模型里让大模型知道相应的数据结构。大模型会根据字段的名字来理解相应字段的含义。有些时候通过字段名可能看不出其含义解决的方法就是通过对字段的注释来辅助大模型理解数据的含义。接下来在Dify中创建一个ChatFlow。这里我们主要用到以下几个关键模块LLM通过大模型根据用户的问题生成查询语句最后再通过大模型汇总信息。代码执行由于我们用的是思考模型所以Dify中我们读取到的反馈是包含大模型思考信息的。通过Python代码可以很容易的过滤掉这部分信息确保只有纯查询语句被传递到下一步。HTTP请求通过这个模块去调用Python编写的http接口来跟SQLServer进行交互。工作流大体结构如下img这里有几个需要关注的点在大模型Text2SQL模块中在User提示词里除了要提供相应表的结构之外还需要告诉大模型出了SQL语句不要返回其它信息。不然大模型会贴心的输出说明内容后续还需要单独对其进行过滤。以下是我用到的提示词供参考。请留意为了考虑篇幅排版这里我省略了建表脚本。你是一个数据库专家。以下是相关表结构***FactInternetSales的建表脚本为了篇幅这里我省略了。***DimProduct的建表脚本为了篇幅这里我省略了。请将用户的请求转换成相应的SQL查询。{{#sys.query#}}直接生成SQL查询只返回SQL查询不要生成其它任何内容。由于我使用的大模型会附带think部分的信息所以后面我加了一段python代码处理了一下def main(arg1: str):return {result: arg1.split(/think)[1],}接下来是构建Python跟SQLServer通信的部分这里我用的是Flask通过它可以很方便的将Python的一个方法暴露成一个http接口。然后在这个Python方法中理论上你就可以做任何事。https://github.com/microsoftbi/SQLServer-Scripts/blob/master/iDWH.py需要留意的事在DB_CONFIG里指定数据库名用户名和密码。数据库这里我们用的是AdventureWorksDW2016大家可以从微软的官方网站找到这个数据库的下载.用户名和密码根据自己的配置指定就可以。代码的逻辑也很简单实例化一个Flask对象后直接run起来指定好IP和端口号就可以。Python的方法里哪个需要暴露成接口就在前面加一个app.route的声明指定好路由地址METHOD(POST or GET)就可以。最后一步通过大模型对用户的提问以及查询到的结果进行一个简单的汇总以下是我用到的提示词作为参考根据用户的问题{{#sys.query#}}以及参考数据{{#HTTP请求/{x}body#}}汇总输出。请留意不要直接copy这个代码到你的工作流当中因为copy出的提示词只有变量id而不同环境的id是不同的所以对应http请求位置的内容需要手动在代码里添加。最后调试一下工作流.imgimg可以看到这个场景我们虽然只介绍了两张表给大模型所以基于这两张表的提问可以看到基本是靠谱的。这里需要注意一个地方是工作流可能会莫名其妙的出错比如我曾遇到的一个问题是大模型在生成查询语句的时候虽然我指定了不要生成出了SQL之外的内容但偶尔它还会加个东西比如sqlSELEC......这类。这个只能在报错的时候具体的去看workflow的log以及调试后台的python代码才能具体定位到是什么问题然后再针对问题做相应的处理。这个方案实际应用中应该还会有些问题需要考虑模型对输入长度的限制。如果需要更多的表参与进来那么提示词会越来越长。不同模型的反应可能会不同可能需要对结果进行单独的处理。这里我用的是qvq-max-latest。大模型对数据结构里表关系的理解。对于微软的这个示例库是带着外键信息的并且外键字段也都是能对应上的。如果没有这些信息以及从字面上看不出关联就需要在提示词里指明这些信息。这类场景考虑到大模型的输出限制以及token消耗尽量只做统计类查询问题不要生成raw data。未避免SQL注入尽量在提示词部分或者在python接口部分屏蔽DML类语句。(UPDATEINSERT or DELETE...)本文工作流的yml文件可以在这里获取https://files.cnblogs.com/files/aspnetx/AIBI01.yml.js?t1762690256downloadtrue博客园不能直接上传yml后缀的文件所以我加了个.js后缀。到这里我们的初步演示就结束了。当然具体通过大模型来跟数据库进行协作还有很大的提升空间这里我推荐B站的这个最新的教程通过LangChain 1.0构建SQL Agent。https://b23.tv/ff5t3rf视频是介绍最新的LangChain 1.0的讲通过SQL Agent的方式让大模型自己去看有哪些表以及其结构都是什么最后再生成对应的查询。看上去智能好多。