Steg 2: anslut PostgreSQL och bygg schemafilen

Det här steget hämtar tabellnamn och kolumner, etiketterar dem, serialiserar datan och skriver den till en lokal JSON-fil för senare användning.

1. Öppna Retrieve Table List och ställ in Query till SELECT table_name FROM INFORMATION_SCHEMA.TABLES WHERE table_schema='public'.
2. Inloggningsuppgifter krävs: anslut era PostgreSQL-inloggningsuppgifter i Retrieve Table List.
3. I Retrieve Table Columns ställer ni in Query till SELECT column_name, udt_name as data_type, CASE WHEN data_type = 'ARRAY' THEN TRUE ELSE FALSE END AS is_array, is_nullable FROM INFORMATION_SCHEMA.COLUMNS where table_name = '{{ $json.table_name }}'.
4. Inloggningsuppgifter krävs: anslut era PostgreSQL-inloggningsuppgifter i Retrieve Table Columns.
5. I Append Table Label säkerställer ni att tilldelningen för table är ={{ $('Retrieve Table List').item.json.table_name ?? 'emails_metadata'}} och låter Include Other Fields vara aktiverat.
6. I Serialize Data File ställer ni in Operation till toJson.
7. I Write File Local ställer ni in File Name till =/files/pgsql-{{ $workflow.id }}.json och Operation till write.
8. Bekräfta att Write File Local går vidare till Manual Run Check för att villkora efterföljande flöden.

Steg 3: konfigurera chat- och subworkflow-indata

Det här arbetsflödet kan styras av en chattprompt eller en subworkflow-indata. Båda vägarna läser den lokala schemafilen innan AI:n promptas.

1. Lämna Chat Input Trigger som den är för att ta emot chattindata i arbetsflödet.
2. Lämna Subworkflow Input Trigger som den är med Workflow Inputs satt till natural_language_query.
3. Säkerställ att både Chat Input Trigger och Subworkflow Input Trigger är kopplade till Read Local Schema.
4. I Read Local Schema ställer ni in File Selector till =/files/pgsql-{{ $workflow.id }}.json.
5. Bekräfta att Schema File Check utvärderar {{ $input.item.binary }} och {{ $('Manual Run Check').isExecuted }} innan Parse File Data.
6. I Parse File Data ställer ni in Operation till fromJson.

Steg 4: sätt upp AI-generering av SQL

Det här steget slår ihop schemat och användarens prompt och använder sedan AI-agenten för att generera en SQL-fråga.

1. I Merge Schema with Prompt säkerställer ni att följande fält tilldelas: sessionId till ={{ $('Chat Input Trigger').isExecuted && $('Chat Input Trigger').first().json.sessionId }}, action till ={{ $('Chat Input Trigger').isExecuted && $('Chat Input Trigger').first().json.action }}, chatinput till ={{ $('Subworkflow Input Trigger').isExecuted ? $('Subworkflow Input Trigger').first().json.natural_language_query: $('Chat Input Trigger').first().json.chatInput }}, och schema till ={{ $json.data }}.
2. I SQL Generation Agent behåller ni prompten Text exakt som den är definierad, inklusive schemablocket och reglerna.
3. Säkerställ att Ollama Language Model är ansluten som språkmodell för SQL Generation Agent.
4. Ställ in Ollama Language Model Model till phi4-mini:latest.

Steg 5: validera SQL och kör frågan

Arbetsflödet extraherar SQL-satsen, säkerställer att den slutar med semikolon, validerar den och kör den mot PostgreSQL.

1. I Pull SQL Statement ställer ni in query till ={{ ($json.output.match(/SELECT[^;]*/i) || [])[0] || "" }}.
2. I Verify Semicolon End bekräftar ni att villkoren kontrollerar att {{ $json.query }} inte är tomt och inte slutar med ;.
3. I Append Semicolon ställer ni in query till ={{ $json.query }};.
4. I Validate Query Presence säkerställer ni att villkoret kontrollerar att {{ $json.query }} inte är tomt.
5. Validate Query Presence skickar utdata parallellt till både Merge Results and Reply och Postgres Query Runner. Behåll det parallella flödet för att möjliggöra hantering av tomma frågor.
6. I Postgres Query Runner ställer ni in Query till {{ $json.query }}.
7. Inloggningsuppgifter krävs: anslut era PostgreSQL-inloggningsuppgifter i Postgres Query Runner.

Steg 6: formatera och slå ihop utdata

Frågeresultaten formateras till en läsbar sträng och slås sedan ihop med chattens svarflöde.

1. I Format Query Output ställer ni in sqloutput till ={{ Object.keys($jmespath($input.all(),'[].json')[0]).join(' | ') }} {{ ($jmespath($input.all(),'[].json')).map(obj => Object.values(obj).join(' | ')).join('\n') }}.
2. Verifiera att Format Query Output är kopplad till Merge Results and Reply.
3. I Merge Results and Reply låter ni Mode vara satt till combine och Combine By till combineByPosition.

Steg 7: testa och aktivera ert arbetsflöde

Kör ett manuellt test och verifiera flödet för SQL-generering och exekvering innan ni aktiverar.

1. Klicka på Execute Workflow för att köra Manual Run Trigger och skapa schemafilen.
2. Trigga Chat Input Trigger med en testprompt (till exempel: ”senaste mejlen om budgetar”).
3. Bekräfta att SQL Generation Agent matar ut en giltig SQL-sats och att Postgres Query Runner returnerar resultat.
4. Verifiera att Merge Results and Reply tar emot både frågeresultaten och valideringsutdata.
5. När ni är nöjda växlar ni arbetsflödet från Inactive till Active för att aktivera användning i produktion.