N8N 自动化 - 使用 n8n 实现数据库问答智能体

今天介绍如何使用 n8n 来实现数据问答智能体，可以连接 MySQL、Postgres、SQLite 等数据库，然后实现基于自然语言的数据库问答功能。

本期内容：

• 数据问答智能体• Chat Trigger 节点• Agent 节点• 工具使用• 自动获取数据库和表• 数据问答测试和过程分析• 6种 n8n 智能体类型介绍• n8n SQL Agent 提示词研究

流程本身非常简单（如下），但是构建数据问答类智能体的过程以及要点都在下面了。大家即使不用 n8n，也可以用任意自己喜欢的框架来 搭建一个数据问答智能体。

创建流程

新建一个流程，添加一个 Chat Trigger

聊天触发器在为聊天机器人和其他聊天界面构建 AI 工作流时，可以使用聊天触发器（Chat Trigger）节点，可以发送消息给工作流，从而触发工作流的执行， 并返回工作流的执行结果。

然后添加一个 Agent 节点，来实现对数据库的操作。

效果如下：

重点来了，

首先设置 Agent 类型为 Tool Agent，

如果你的 Agent 节点没有类型选择，那么它会默认 Tool Agent 类型。 直接使用就行。

Agent 类型

n8n 的 Agent 类型有六种类型（Agent 节点文档[1]）：

• 工具代理 利用结构化工具模式进行精确和可靠的工具选择与执行。推荐用于需要准确和一致工具使用的复杂任务，但仅适用于支持工具调用的模型。• 对话代理 描述系统提示中的工具，并解析工具调用的 JSON 响应。更灵活，但可能不如工具代理可靠。适合较简单的交互或不支持结构化模式的模型。• OpenAI 函数代理 利用 OpenAI 的函数调用能力精确选择和执行工具。非常适合需要结构化输出的任务，尤其是在使用 OpenAI 模型时。• 计划和执行代理 为复杂任务创建高层次计划，然后执行每个步骤。适合多阶段问题或需要战略方法的情况。• ReAct 代理 在迭代过程中结合推理和行动。适用于需要仔细分析和逐步解决问题的任务。• SQL 代理 专注于与 SQL 数据库交互。理想用于数据分析任务、生成查询或从结构化数据中提取洞察。

最常用的就是工具代理，因为我们构建AI代理的核心就是让 AI 与其他系统调用，也就是使用工具。

ReAct 代理 和 LangChain 代理一样，会自己进行推理和行动。

SQL 代理是 n8n 的特殊代理，它可以直接与数据库进行交互，然后返回结果给我们。但是我简单测试下来效果并不好（注意是简单测试哦）， 而且轮询的次数比较多，文章最后我会给大家演示一下。

提示词

Agent 性能好坏很重要的一点就是提示词的质量。

我们今天的任务也不例外，给 Agent增加系统提示词，传统的数据问答提示词我们一般这样写：

你是数据库助手。你需要根据用户请求在数据库中运行查询。运行自定义 SQL 查询以聚合数据并响应用户。确保在 SQL 查询中每个表都有模式前缀，你可以通过“获取数据库模式和表列表”工具获取。如有需要，提取所有数据以进行分析。工具:...列出所有的工具

不过在 n8n 中我们的提示词也可以不写工具的调用提示， n8n 会帮我们自动处理好工具调用，这样提示词就可以简化成：

你是数据库助手。你需要根据用户请求在数据库中运行查询。运行自定义 SQL 查询以聚合数据并响应用户。确保在 SQL 查询中每个表都有模式前缀，你可以通过“获取数据库模式和表列表”工具获取。如有需要，提取所有数据以进行分析。

Agent 的 Chat Model

Agent 的 Chat Model 增加一个大模型，选择你喜欢的模型，比如 DeepSeek 或者 QWen，不需要过多的设置。

数据库工具使用

如果把提示词比作智能体的灵魂，那么工具调用就是智能体的双手。

添加节点搜索 Postgres 数据库，

选择执行SQL查询的动作，SQL 语句从 AI 中获取,

获取数据库和表的工具，这样我们就可以自动获取数据库和表了，然后让 AI 选择合适的表来回答问题。

SELECT     table_schema,    table_nameFROM information_schema.tablesWHERE table_type = 'BASE TABLE'    AND table_schema NOT IN ('pg_catalog', 'information_schema')ORDER BY table_schema, table_name;

会后是列出数据库表字段的工具，AI 会自动调用这些工具来获取表数据，自动生成 SQL 查询语句。

select  c.column_name,  c.data_type,  c.is_nullable,  c.column_defaultfrom  information_schema.columns cwhere  c.table_name = '{{ $fromAI("table_name") }}'  AND c.table_schema = '{{ $fromAI("schema_name") }}'order by  c.ordinal_position

最终的配置结果如下：

数据问答的进化

早期的 AI 数据问答，大家都多是把数据库表信息定义给 AI 作为上下文，这样的好处是简单， 坏处也很明显，如果上下文太多的话，处理起来会比较麻烦。（我2023年的时候就是这样做的，也写文章给大家分享过）

解决上述问题也很简单，随着 RAG 的兴起，数据问答上下文的问题很自然也被 RAG 解决了， 比如 Vanna 的 RAG-to-SQL，它可以通过查询向量库来拼接上下文。

而向量库里面存储的东西就很自由了，比如常规的表结构、业务文档、常用的SQL问答示例等。

我们使用 n8n 实现 数据问答也是同样的思路，

• 同样使用向量库进行• 大家也可以在上述流程之上扩展，比如增加业务文档，常用的SQL问答示例作为训练数据

我们的改进点就是，

• 让 Agent 调用大模型选择工具，按需自动获取表结构

数据问答过程

下面测试下刚刚搭建的智能体流程，我们先问一下有多少数据表。

提示词有哪些数据表

从下图中可以看到：

• 获取数据库和表的工具被调用了• 在日志窗口可以看到整个对话背后的执行过程：1. 获取对话历史2. Agent 调用大模型选择工具3. 执行工具4. 获取工具返回结果5. Agent 调用大模型生成回答• 生成的回答被返回给聊天

由于这个是我前面一个备份的 n8n 数据库，接下来我们在测试下其他问题。

测试前刷新开启一个新对话，

提示词有哪些工作流

我们可以看到 Agent 依次：

• 获取数据库和表• 获取表定义• 执行SQL查询

结果中返回了 工作流的 ID 和名称：

SQL Agent

n8n Agent 几种类型已经弃用了，新版本统一建议使用 Tool Agent。

可以在文档上看到各种 Agent 的说明：

• https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent/[2]

SqlAgent 是不需要配置工具的，直接使用即可。我们测试一下。

提示词有哪些用户

我们发现他执行了很多次推理，仍然没有成功。

刷新重新试一下，依然找不到。

应该是我的使用方法不对。

提示词研究

我们来看下 SQL 代理官方写的提示词，非常值得我们学习借鉴。

首先是任务说明，

任务说明你是一个被设计用来与 SQL 数据库交互的助手。 给定一个输入问题，创建一个语法正确的 SQLite 查询来运行，然后查看查询结果并返回答案。 除非用户指定了他们希望获得的具体示例数量，否则始终使用 LIMIT 子句将查询结果限制在最多 10 条。 你可以通过相关列对结果进行排序，以返回数据库中最有趣的示例。 永远不要查询特定表的所有列，只询问与问题相关的少数几列。 你可以使用工具与数据库进行交互。 只能使用以下工具。只能使用以下工具返回的信息来构建最终答案。 在执行查询之前，你必须仔细检查你的查询。如果在执行查询时遇到错误，请重写查询并重试。不要对数据库执行任何 DML 语句（INSERT、UPDATE、DELETE、DROP 等）。如果问题似乎与数据库无关，则只返回“我不知道”作为答案。

上面说明中把 SQL 问答中一些最佳实践都列出来了，比如：

• 查询结果限制在最多 10 条• 让AI选择对结果进行排序• 不要查询表所有列• 不要使用 DML 语句

下面是工具说明，等后面找到相应工具的实现再和大家分享。

工具说明• query-sql：此工具的输入是一个详细且正确的 SQL 查询，输出是数据库的查询结果。 如果查询不正确，将返回错误消息。 如果返回错误，请重写查询，检查查询，然后重试。• info-sql：此工具的输入是以逗号分隔的表列表，输出是这些表的模式和示例行。 通过首先调用 list-tables-sql 来确保这些表实际存在！ 示例输入：“table1, table2, table3.”• list-tables-sql：此工具的输入是一个空字符串，输出是数据库中以逗号分隔的表列表。• query-checker：在执行查询之前，使用此工具仔细检查你的查询是否正确。 在执行带有 query-sql 的查询之前，务必使用此工具！

ReACT 格式的回复格式，也和我么刚才测试的思索过程相匹配。

格式说明在你的回复中使用以下格式：• Question: 你必须回答的输入问题• Thought: 你应该总是思考该做什么• Action: 要采取的行动，应该是 [["query-sql","info-sql","list-tables-sql","query-checker"]] 之一• Action Input: 该行动的输入• Observation: 该行动的结果• ... (这个 Thought/Action/Action Input/Observation 可以重复 N 次)• Thought: 我现在知道最终答案• Final Answer: 原始输入问题的最终答案

最后

最后不得不夸一句 n8n 关于智能体的设计真的是太棒了， 我现在给别人讲智能体概念的时候，都拿着 n8n 的图来讲，简单明了。 非技术人员也基本都能理解。

引用链接

[1] Agent 节点文档: https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent/[2]: https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.agent/