n8n 資料庫 AI Agent｜用對話查詢資料庫

📥 工作流 JSON 下載：GitHub 範例庫 ｜ 💬 社群討論：Skool 雲端方程式 Cloud F1

專業導讀

你有沒有遇過這種情況？業務團隊想查銷售資料、行銷團隊想看用戶數據，每次都要找工程師寫 SQL 查詢，等個半天才拿到報表。今天要跟大家分享一個超實用的應用：用 n8n 打造資料庫 AI Agent，讓非技術人員也能用對話方式直接查詢資料庫。

你將學到

• ✅ 如何用 n8n AI Agent 連接 PostgreSQL 資料庫
• ✅ 自然語言轉 SQL 的實作技巧與安全防護
• ✅ 唯讀帳號設計與資料庫權限控管
• ✅ 對話記憶管理與多輪查詢最佳實踐
• ✅ 完整可用的 n8n workflow 拆解

---

🎯 什麼是資料庫 AI Agent？

資料庫 AI Agent 是一個能理解自然語言問題、自動產生 SQL 查詢、執行並回傳結果的 AI 助理。 它讓不懂 SQL 語法的人也能透過對話方式直接查詢資料庫，大幅降低資料取得門檻。

傳統的資料查詢流程是這樣的：業務人員提需求 → 寫需求文件 → 工程師排程 → 寫 SQL → 執行查詢 → 匯出報表 → 交付。整個流程可能要等幾小時到幾天。但用資料庫 AI Agent，流程變成：直接問「這個月銷售額多少？」→ AI 自動查詢 → 立刻得到答案。效率差異非常明顯。

我在實際使用中發現，這個技術最大的價值不只是「省時間」，而是讓資料查詢變成一種對話式探索。你可以先問「有哪些資料表」，再問「users 表有什麼欄位」，接著問「統計過去 30 天註冊的用戶數」。這種連續性的探索，才是真正釋放資料價值的關鍵。

---

💡 Alex 的觀察

我在協助企業導入資料庫 AI Agent 的過程中，發現一個很有趣的現象：大部分團隊一開始都很擔心「AI 會不會搞砸資料庫」，但真正實作後才發現，技術上的安全防護其實都很好解決，反而是組織文化的適應比較難。

從技術面來說，資料庫 AI Agent 的安全設計其實很簡單：用唯讀帳號 (readonly user)、限制可查詢的資料表範圍、加上 SQL 驗證機制，就能確保 AI 不會執行危險操作。但我觀察到的真正挑戰是：團隊需要重新定義「誰可以查什麼資料」。

過去資料查詢權限是由工程師當守門員，每次查詢都要經過審核。現在 AI Agent 讓查詢變得即時，企業就必須思考：業務團隊能看客戶資料嗎？行銷團隊能查收入數字嗎？這些權限設計，反而比技術實作更需要時間討論。

另外我也發現，AI 對資料結構的理解程度，直接決定查詢的準確度。如果你的資料表命名很混亂（比如 tbl_user_v2_final_copy），或是欄位沒有清楚的註解，AI 就很容易產生錯誤的 SQL。所以這個應用也間接推動了「資料庫文件化」的改善，算是意外的好處。

這個方案的限制也要誠實說：對於需要複雜 JOIN 或是跨多表聚合的查詢，AI 的成功率會明顯下降。我建議這類需求還是由工程師設計 View 或是預設查詢範本，讓 AI 只負責簡單的篩選和統計。

---

🔧 如何用 n8n 打造資料庫 AI Agent

接下來我會手把手帶大家建立一個完整可用的資料庫 AI Agent。我們會用 PostgreSQL 作為範例，但同樣的概念也適用於 MySQL、MongoDB 等其他資料庫。

Step 1: 建立測試資料庫與唯讀帳號

第一步是準備測試用的資料庫。我們會建立三個資料表：users（用戶）、products（產品）、orders（訂單），模擬真實的電商場景。

-- 建立 users 資料表
CREATE TABLE IF NOT EXISTS users (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    email VARCHAR(100),
    created_at TIMESTAMP DEFAULT NOW()
);

-- 建立 products 資料表
CREATE TABLE IF NOT EXISTS products (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    price DECIMAL(10,2),
    stock INT
);

-- 建立 orders 資料表
CREATE TABLE IF NOT EXISTS orders (
    id SERIAL PRIMARY KEY,
    user_id INT REFERENCES users(id),
    product_id INT REFERENCES products(id),
    quantity INT,
    order_date TIMESTAMP DEFAULT NOW()
);

-- 插入測試資料
INSERT INTO users (name, email) VALUES
('Alice Chen', 'alice@example.com'),
('Bob Lin', 'bob@example.com'),
('Carol Wang', 'carol@example.com');

INSERT INTO products (name, price, stock) VALUES
('Laptop', 32000.00, 10),
('Mouse', 450.00, 50),
('Keyboard', 900.00, 30);

INSERT INTO orders (user_id, product_id, quantity) VALUES
(1, 1, 1), (1, 2, 2), (2, 3, 1), (3, 2, 1);

重點來了：我們要建立一個唯讀帳號 (readonly user)。這是安全設計的核心，確保 AI Agent 只能查詢資料，不能修改或刪除。

-- 建立唯讀使用者
CREATE USER readonly_user WITH PASSWORD 'your_secure_password';

-- 移除 public schema 的預設權限
REVOKE ALL ON SCHEMA public FROM PUBLIC;

-- 授予 readonly_user 使用 schema 權限
GRANT USAGE ON SCHEMA public TO readonly_user;

-- 授予資料表查詢權限（只有 SELECT）
GRANT SELECT ON ALL TABLES IN SCHEMA public TO readonly_user;

-- 確保未來新建資料表也能自動授予 SELECT 權限
ALTER DEFAULT PRIVILEGES IN SCHEMA public
GRANT SELECT ON TABLES TO readonly_user;

這樣設定後，即使 AI 產生了 DELETE 或 UPDATE 語句，執行時也會被資料庫拒絕。

Step 2: 在 n8n 建立 PostgreSQL Credential

打開 n8n，到 Credentials 頁面新增 PostgreSQL 連線：

1. Host: 你的資料庫位址（例如 ep-old-bird-xxx.us-east-1.aws.neon.tech）
2. Port: 通常是 5432
3. Database: 資料庫名稱（例如 neondb）
4. User: readonly_user
5. Password: 剛才設定的密碼
6. SSL: 如果用雲端資料庫（如 Neon、Supabase），記得啟用 SSL

測試連線成功後，儲存這個 Credential。

Step 3: 建立 n8n Workflow

我們的 workflow 包含五個核心節點：

When chat message received → AI Agent → [OpenAI Chat Model + Simple Memory + Postgres Tool]

節點 1: When chat message received

這是觸發節點，用來接收使用者的對話訊息。如果你想整合到 LINE、Telegram、Slack，可以換成對應的 Webhook 觸發。

節點 2: AI Agent

這是整個流程的大腦。在 AI Agent 節點中：

• System Message (Prompt)：這是最關鍵的設定。我的建議 Prompt 架構：

你是一個資料庫查詢助手。你可以幫使用者查詢 PostgreSQL 資料庫。

## 資料庫結構
- users 表：用戶資料（id, name, email, created_at）
- products 表：產品資料（id, name, price, stock）
- orders 表：訂單資料（id, user_id, product_id, quantity, order_date）

## 查詢規則
1. 只能執行 SELECT 查詢，不可 DELETE、UPDATE、DROP
2. 使用繁體中文回覆使用者
3. 查詢結果用表格格式呈現
4. 如果問題不清楚，主動詢問更多細節

## 範例
使用者：「有哪些用戶？」
回覆：執行 SELECT * FROM users，並以表格呈現結果。

這個 Prompt 很重要，它讓 AI 知道資料庫的結構、可以做什麼、不能做什麼。你可以根據實際資料表調整。

• Chat Model: 選擇 OpenAI Chat Model（下一個節點）
• Memory: 選擇 Simple Memory（讓 AI 記住對話歷史）
• Tools: 選擇 Postgres executeQuery Tool

節點 3: OpenAI Chat Model

選擇 gpt-4o-mini 或 gpt-4o。如果查詢邏輯複雜，建議用 gpt-4o，準確度更高。

節點 4: Simple Memory

這個節點讓 AI Agent 記住對話內容。設定 Context Window 為 5-10 則訊息，平衡記憶長度與成本。

節點 5: Postgres (executeQuery)

這是 AI Agent 的「手」，用來執行 SQL 查詢。設定：

• Credential: 選擇剛才建立的 PostgreSQL readonly 連線
• Operation: Execute Query

AI Agent 會自動呼叫這個 Tool，把產生的 SQL 傳給它執行，然後把結果回傳給使用者。

Step 4: 測試查詢

啟動 workflow，試著問幾個問題：

1. 「請確認 db 有哪些表」 → AI 會執行 SELECT table_name FROM information_schema.tables WHERE table_schema = 'public'
2. 「users 表有哪些資料？」 → AI 會執行 SELECT * FROM users
3. 「這個月有多少訂單？」 → AI 會執行帶有 WHERE 條件的查詢
4. 「哪個產品賣最好？」 → AI 會寫 JOIN 查詢統計訂單數量

如果 AI 產生的 SQL 有問題，你可以調整 System Message，給更多範例或約束條件。

---

📊 比較分析：不同資料庫 AI Agent 方案

方案	優點	缺點	適用場景
n8n AI Agent + PostgreSQL	完全自架、成本可控、支援複雜 workflow	需要自行維護、AI 調教需要時間	企業內部資料查詢、客製化需求高
Langchain SQL Agent	開源、社群支援多、支援多種資料庫	需要寫程式、部署較複雜	開發者、需要整合到產品中
ChatGPT Plugins (Code Interpreter)	使用簡單、GPT-4 理解力強	資料需上傳、隱私風險高、不適合敏感資料	個人分析、公開資料集
Notion AI (Database Query)	與 Notion 深度整合、無需設定	只能查 Notion 資料庫、功能受限	Notion 重度使用者

我自己最推薦 n8n AI Agent 方案，因為它在「易用性」和「客製化」之間取得很好的平衡。你不需要寫程式，但又能完全控制資料和邏輯。

---

✅ 重點整理

1. 安全第一：一定要用唯讀帳號 (readonly user)，限制 AI 只能執行 SELECT 查詢，避免誤刪資料。
2. Prompt 設計是關鍵：清楚描述資料庫結構、查詢規則、回覆格式，AI 的準確度會大幅提升。
3. 分階段測試：先測試簡單查詢（如 SELECT *），再測試複雜查詢（如 JOIN、聚合），逐步調整 Prompt。
4. 記憶管理很重要：設定適當的 Context Window，讓 AI 記住對話歷史，支援多輪查詢。
5. 資料庫文件化：表名和欄位名要清楚有意義，最好加上註解，AI 才能正確理解。
6. 適用簡單查詢：複雜的多表 JOIN 或聚合查詢，建議由工程師預先設計 View，讓 AI 查詢 View 即可。

---

❓ 常見問題 FAQ

Q1: AI 生成的 SQL 安全嗎？會不會刪除資料？

A: 只要正確設定唯讀帳號，就不會有資料被刪除的風險。我建議的安全防護機制：

• 資料庫層級：使用唯讀帳號 (readonly user)，只授予 SELECT 權限
• 應用層級：在 AI Agent Prompt 中明確禁止 DELETE、UPDATE、DROP 操作
• 監控層級：記錄所有 AI 產生的 SQL 查詢，定期審查是否有異常
• 測試環境先行：在測試資料庫充分測試後，再連接正式資料庫

實務上我還會加一層「SQL 白名單驗證」：只允許 AI 執行以 SELECT 開頭的語句，其他一律拒絕。

Q2: 支援哪些資料庫？除了 PostgreSQL 還能用什麼？

A: n8n 的 AI Agent 支援多種資料庫，我實測過的包括：

• PostgreSQL (推薦，語法標準、功能強大)
• MySQL / MariaDB (最普及，適合中小型應用)
• MongoDB (NoSQL，適合非結構化資料)
• SQLite (輕量級，適合單機應用)
• Microsoft SQL Server (企業級，適合 Windows 環境)

選擇建議：如果是新專案，我會優先選 PostgreSQL，因為它的 JSON 支援、全文搜尋、視窗函數都很強，而且雲端服務（Neon、Supabase）也很成熟。

Q3: 如何提高 AI 查詢的準確度？

A: 我總結的四個關鍵技巧：

1. 資料結構描述要詳細：不只列表名和欄位名，還要說明每個欄位的業務意義。例如不要只寫 created_at，要寫「用戶註冊時間 (created_at)」。
2. 提供查詢範例：在 Prompt 中給 2-3 個真實查詢範例，讓 AI 學習你期望的 SQL 風格。
3. 處理模糊問題：教 AI 主動詢問細節。例如使用者問「統計銷售額」，AI 應該反問「要統計哪個時間範圍？」
4. 錯誤處理機制：當 SQL 執行失敗時，讓 AI 看到錯誤訊息，它會自動修正 SQL 再試一次。

我還會定期查看「執行失敗的查詢日誌」，找出常見錯誤模式，然後更新 Prompt 避免重複發生。

Q4: 對話記憶會不會累積太多，造成成本過高？

A: 這是個好問題。我的記憶管理策略：

• Context Window 設定為 10 則訊息：對於資料查詢來說，10 輪對話已經足夠覆蓋一次完整探索
• 自動摘要機制：當對話超過 10 輪，讓 AI 產生摘要，保留關鍵資訊，清除細節
• Session 管理：設定 30 分鐘閒置自動清除記憶，避免長期累積
• 成本監控：用 n8n 的 Execution Webhook 記錄每次查詢的 Token 數量，設定預算上限

實測下來，一次完整的資料探索（10-15 輪對話）大約消耗 3000-5000 tokens，成本約台幣 1-2 元，非常划算。

Q5: 可以讓多人同時使用同一個 AI Agent 嗎？

A: 可以，但需要做好 Session 隔離。我的設計方案：

• User ID 區分：在 When chat message received 節點取得使用者 ID，傳給 AI Agent
• Memory 隔離：用 {{ $json.userId }} 作為 Memory 的 Session Key，確保每個使用者的對話記憶獨立
• 權限控管：在資料庫層級設定 Row Level Security (RLS)，讓不同使用者只能查詢自己權限範圍內的資料

這樣設計後，即使 10 個人同時使用，對話也不會互相干擾。

Q6: AI Agent 能處理複雜的商業分析查詢嗎？

A: 坦白說，對於需要多表 JOIN、複雜聚合、視窗函數的查詢，AI 的成功率會明顯下降。我的建議策略：

• 簡單查詢交給 AI：單表查詢、簡單篩選、基礎統計（COUNT、SUM、AVG）
• 複雜查詢預設 View：由工程師設計好 View（如 sales_summary_by_month），AI 只需要查詢 View
• 分步引導：把複雜問題拆解成多個簡單查詢。例如「分析客戶購買行為」→ 先查「客戶清單」→ 再查「每個客戶的訂單數」→ 最後統計

我實測的經驗是：GPT-4o 能處理 2-3 表 JOIN 的查詢，但超過 3 表或涉及子查詢，準確度會降到 60% 以下。這時候還是交給人類比較穩。

---

🎯 下一步行動

🎓 想更有系統地學會這些技巧？ 到 AI 職場工作術（雲端方程式 Cloud F1 旗艦課程） 看看完整的實作路徑。

如果你也想打造自己的資料庫 AI Agent，我建議你這樣開始：

1. 先用測試資料庫練習：不要直接連正式資料庫，用本地 SQLite 或雲端測試環境（Neon 免費版）建立測試表，熟悉流程。
2. 從簡單查詢開始：先測試「列出所有資料」、「統計數量」等基礎查詢，確認 AI 能正確產生 SQL。
3. 逐步調整 Prompt：根據實際查詢結果，優化 System Message，加入更多約束和範例。
4. 設定安全防護：確認唯讀帳號、權限控管、SQL 驗證都設定正確，再連接正式資料庫。

想深入學習更多 n8n AI Agent 實戰技巧？

• 💬 加入 雲端方程式 Cloud F1 學習社群：Skool 雲端方程式 Cloud F1（免費加入，和 500+ 學員一起學習，討論實作問題）
• 📺 觀看完整教學影片：YouTube 頻道有超過 50 支 n8n 實戰教學，手把手帶你建立自動化工作流
• 📧 訂閱電子報：每週獲取最新 AI 自動化技巧與產業趨勢分析

大家記得，第一次實作沒做好是正常的，AI Agent 的調教本來就需要時間。先求大概能用，再逐步優化，這樣學習效率最高！

---

🔗 相關資源

延伸閱讀

• n8n AI Agent 完整指南 - AI Agent 核心概念與設計原則
• n8n 零基礎完整教學 - 從安裝到部署的完整指南
• n8n RAG 知識庫實作 - 打造企業級 AI 知識庫

外部資源

• n8n 官方文檔 - AI Agent - 官方技術文件
• PostgreSQL 權限管理 - 資料庫安全設定
• GitHub 範本資源 - 下載 n8n workflow JSON

---

本文改編自 n8n 課程模組，由 Alex Hsieh 撰寫。如果你在實作過程中遇到問題，歡迎到 Skool 社群討論，我會盡力協助！