Dify实战：用工作流搭建ECharts数据可视化助手

在使用大模型处理业务数据时，纯文本或表格的呈现方式往往难以让统计信息一目了然。对于票房、销量这类带有时间和排名维度的数据，图表才是更直观的选择。本文基于B站一则Dify实战教程，拆解如何用Dify工作流搭建一个ECharts可视化助手——上传数据文件后，自动生成柱状图、折线图等可视化图表。

为什么需要ECharts可视化助手

实际业务场景中，我们经常会拿到一批统计数据。以视频中的案例为例，作者整理了过去几年春节档的票房冠军数据，如果只用表格罗列，读者需要逐行阅读才能理解趋势；而借助ECharts的柱状图或折线图，票房走势和排名对比会瞬间清晰起来。

对程序员而言，ECharts是数据可视化的常见选择。这个案例的核心目标，就是把Dify作为编排层，让用户上传原始数据，系统自动完成解析、格式转换，最终输出符合ECharts规范的图表代码并渲染呈现。

ECharts（Enterprise Charts）是百度开源的 JavaScript 数据可视化库，基于 Canvas 和 SVG 渲染，支持折线图、柱状图、散点图、饼图、地图等数十种图表类型。它通过一个 JSON 格式的配置项（option）描述图表的数据与样式，开发者只需传入符合规范的配置对象，ECharts 便能自动完成渲染。这套"配置驱动渲染"的机制，使它成为前端数据可视化的主流选择之一，也是本工作流最终要输出的目标格式。在 Dify 的渲染层，只要代码块以指定关键字（echarts）开头并以三个反引号包裹，前端即可识别并调用 ECharts 引擎完成图表渲染，无需用户自行编写任何前端代码。

工作流的整体设计

整个应用建立在Dify的工作流之上，节点串联的逻辑清晰。从开始节点上传文件，到文档提取、格式转换、参数提取、代码执行，最后直接回复输出，每一步各司其职。

作者强调了一个思路：把复杂业务拆解成基础功能逐个实现。教程中的很多案例都是先讲透单个基础节点，再将它们组合起来。掌握这些基础模块后，就能在企业环境里落地相对复杂的业务流程。

Dify 工作流（Workflow）是 Dify 平台提供的一种可视化编排能力，允许开发者将 LLM 调用、代码执行、文档处理、HTTP 请求等能力以节点（Node）的形式拖拽连接，形成有向无环图（DAG）结构的执行链路。与直接调用单个大模型相比，工作流的优势在于可以把复杂任务拆分为职责单一的步骤，每一步的输入输出都可以被检查和调试，降低了整体的不确定性。每个节点只处理自己负责的转换逻辑，上下游通过变量引用传递数据，整条链路无需手写任何编排代码，非常适合将数据清洗、模型推理、格式输出等异构操作整合为一个可重复运行的自动化流程。

关键节点逐个拆解

开始节点与文件上传

开始节点接收一个文件类型的输入，支持Excel、Markdown、PDF、HTML等多种格式。这里有一个必须注意的坑：Dify在读取Excel文件时存在bug，读出来会是空内容。因此作者建议把数据放在Markdown或PDF文件里，绕开这个问题。

文档提取器与格式转换

文档提取器负责把上传文件中的信息读取出来，这一步不涉及大模型。提取出的原始数据接着进入格式转换节点，这个节点由大模型驱动。它的提示词描述比较简洁：设定角色为「数据整理专家，擅长数据格式的整理与转换」，任务是把数据转换成CSV格式。

参数提取与代码执行

格式转换后的数据通过参数提取器，被抽取到一个自定义变量（如CSV data）中。随后代码执行节点接手，把这些数据转换成ECharts能接受的格式。

代码的处理逻辑是：先把CSV数据按行切割，读取每行信息，将行数据转为列结构后循环处理，再拼接组装成ECharts所需的图表配置格式。

Dify 的参数提取器（Parameter Extractor）节点本质上是一个结构化输出工具：它接收非结构化或半结构化文本，由大模型按照开发者预先定义的字段名和类型将目标信息抽取出来，存入可被后续节点引用的变量。在本流程中，经大模型转换后的 CSV 文本被抽取进 csv_data 变量，后续代码执行节点可以直接以变量名调用，而无需再做字符串解析。代码执行节点则支持 Python 或 JavaScript，运行于沙箱环境，用于完成纯逻辑性的数据处理任务——这类任务交给确定性代码比交给大模型更可靠、更快速，也更容易验证正确性。两者的配合体现了"大模型负责语义理解，代码负责精确变换"的分工原则。

输出为符合规范的ECharts格式

拼接完成的数据最终要包裹成符合ECharts渲染规范的形式——以特定关键字加三个反引号的代码块包裹。只有满足这个规范，Dify在展示时才能把它渲染成对应的可视化图表。

直接回复节点会输出两部分内容：一是参数提取器读取到的CSV数据，二是代码执行器返回的ECharts图表。

实际运行效果

配置完成后即可测试。新建对话，从本地上传准备好的票房数据MD文件，输入任意信息后点击开始。工作流会依次执行：文档提取、格式转换（这一步交给大模型，需要稍作等待）、参数提取、代码执行。

运行结束后，页面上半部分显示转换成CSV后的数据，下半部分则是根据数据生成的ECharts图表，展示片名、票房均价以及按年份对应的排名。相比纯文本或普通表格，这种可视化呈现方式显然更能让客户满意。

小结

这个ECharts可视化助手案例的价值，不在于某个单一节点有多复杂，而在于展示了Dify工作流「拆解-实现-组合」的方法论。文档提取、大模型格式转换、参数提取、代码执行这些基础能力组合起来，就能解决数据可视化这类实际需求。对于希望用Dify落地企业级AI应用的开发者，这类案例提供了可复用的搭建思路。需要注意的两个实操要点是：避开Excel读取为空的bug，以及严格遵守ECharts输出的代码块规范。