首个AI项目完成后，我第一次感受到了职场危机...

凌晨3点的办公室，咖啡凉了第3杯，华子都抽了1包了，你还在为一条1000行嵌套SQL的性能瓶颈抓狂——这是多少DBA的日常？但今天，一个工具正在打破这场“人肉优化”的僵局：DeepSeek自然语言查询引擎，用一句人话生成高性能SQL，甚至比你手动写的跑得更快。

接下来就带大家0投资免费实现基于DeepSeek的自然语言查询与SQL优化！

1.安装dify

1. 安装Docker及Docker Compose
sudo apt-get update && sudo apt-get install docker.io docker-compose -y

2. 克隆Dify代码库
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env

3. 启动Dify服务（默认端口80）
sudo docker-compose up -d

2.启动Ollama模型服务

1. 安装Ollama（Linux）
curl -fsSL https://ollama.com/install.sh | sh

2. 在Service中增加下面两行
sudo vim /etc/systemd/system/ollama.service
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_ORIGINS=*"

3.然后重启ollama服务
sudo systemctl daemon-reload
sudo systemctl restart ollama

4.拉取DeepSeek-R1 1.5B模型
ollama pull deepseek-r1:1.5b

5.验证模型：
运行 ollama run deepseek-r1:1.5b "生成测试SQL"

3.Dify接入本地DeepSeek模型

Dify控制台：右上角头像 → 设置 → 模型供应商 → 选择“Ollama”。
配置参数：
模型名称：deepseek-r1:1.5b
基础URL：http://xx.xx.xx.xx:11434

4.构建Dify自然语言查询工作流

4..1 创建知识库

1.去知识库面板创建一个知识库
2.我们点开“创建知识库”，进入文件上传页面
3.需要上传一个创建表的SQL 语句，文件类型是txt
4.用高质量的索引方式创建文本向量

以上创建完成后，我们完成创建表的SQL 语句知识库创建。

4.2 工作流制作

创建一个 chatflow工作流

知识检索设置如下：
1.查询变量 输入sys.querystring
2.知识库这里我们点击添加上面配置好的知识库。
3.添加完成后，我们就设置好知识库检索这个节点。

这里我们需要2个工具1个是 agent策略工具 1个是 database 插件。 这2个都是可以在插件市场找到。

上面2个工具安装和配置完成后，我们进入Agent策略工具的配置操作。

5.工作流AI Agent测试

我们在工作流AI Agent工作流，点击“预览按钮” 输入我们的问题

请帮我查询一下student_scores有多少条记录，返回结果一致！

结语

DBA的价值从来不是“写无BUG的SQL”，而是让数据真正成为生产力！