通过n8n将本地AI与MySQL结合，可以用自然语言直接查询数据库。本方案省去了手写SQL的步骤，降低了数据分析的门槛，让不具备SQL背景的用户也能高效获取数据信息。
智能速览
利用n8n工作流自动化连接AI与数据库。
通过特定提示词让AI精准输出纯SQL语句。
采用本地Ollama模型保障数据隐私与成本可控。
实测成功查询表数量及指定表的记录数。
详细展示了AI Agent与MySQL节点的配置方法。
精华内容
下面将通过具体步骤，详细拆解如何搭建一个能够理解自然语言并自动执行SQL查询的AI数据助手工作流。
工作流搭建
在n8n中，首先添加一个’Chat Trigger’节点作为对话入口，用于接收用户的问题。随后，添加核心的’AI Agent’节点，该节点将负责处理用户输入并与大模型交互以生成SQL语句。这个基础框架构成了整个自动化查询流程的骨架。
AI核心配置
配置’AI Agent’节点是成功的关键。在其’Options’选项中，需要设置一个明确的’系统提示词’。该提示词要求AI扮演数据分析师，并强调其输出必须是纯粹的SQL语句，不能包含任何解释或markdown格式，确保了后续执行的准确性。接着，在’Chat Model’分支中选择’Ollama Chat Model’并指定本地模型为’MistralSmall3.224B’，利用本地模型保证数据处理的私密性。
数据库集成
在AI Agent之后，添加’MySQL’节点，并选择’SQL Query’操作。最关键的一步是将AI Agent生成的SQL语句传递给MySQL节点。通过执行一次测试工作流，可以确认AI的输出变量名为’output’。随后，将此’output’变量拖拽至MySQL节点的’Query’参数栏，并配置好数据库连接凭证，即可完成指令的传递与执行。
效果验证
配置完成后，通过对话进行验证。提问“数据库有多少张表？”，AI生成了`SHOW TABLES`，返回结果为3。提问“books表有多少条记录？”，AI生成了`SELECT count(*) from books`，准确返回了479条记录。测试表明，该工作流能够稳定地将自然语言问题转换为正确的SQL查询并执行，达到了预期目标。
此方案将自然语言处理与数据库操作巧妙结合，显著降低了数据交互的门槛。未来，这种AI与工作流的集成模式有望在更多自动化任务和数据报表生成场景中发挥巨大潜力，你是否也想尝试搭建一个？
