Steg 2: Anslut Snowflake

Snowflake-inloggningsuppgifter krävs för alla SQL-verktyg och körningar som används i det här arbetsflödet.

1. Öppna Fetch DB Schema och ställ in Query till SELECT table_schema, table_name FROM information_schema.tables WHERE table_schema = 'TPCH_SF1';.
2. Credential Required: Anslut era snowflake-uppgifter i Fetch DB Schema.
3. Öppna Load Table Definition och ställ in Query till SELECT column_name, data_type FROM SNOWFLAKE_SAMPLE_DATA.information_schema.columns WHERE table_name = '{{ $fromAI("table_name") }}' AND table_schema = 'TPCH_SF1' ORDER BY ordinal_position; .
4. Credential Required: Anslut era snowflake-uppgifter i Load Table Definition.
5. Öppna Run SQL Command och ställ in Query till {{ $json.query }} med Operation inställd på executeQuery.
6. Credential Required: Anslut era snowflake-uppgifter i Run SQL Command.
7. Öppna Snowflake Query Runner och ställ in Query till {{ $json.query.sql }} med Operation inställd på executeQuery.
8. Credential Required: Anslut era snowflake-uppgifter i Snowflake Query Runner.

Steg 3: Konfigurera AI-assistenten och verktygen

AI-assistenten genererar SQL med hjälp av schemaverktyg och behåller chattkontext med minne.

1. Öppna AI Assistant Core och bekräfta att System Message innehåller instruktionerna för Snowflake SQL-assistenten.
2. Öppna OpenAI Chat Engine och välj modellen gpt-4o-mini.
3. Credential Required: Anslut era openAiApi-uppgifter i OpenAI Chat Engine.
4. Öppna Session Memory Buffer och ställ in Session Key till {{ $('Chat Message Trigger').item.json.sessionId }} med Session ID Type inställd på customKey.
5. Öppna Query Generator Tool och ställ in Workflow Inputs → query till {{ $fromAI("sql_query","SQL query") }}.
6. Säkerställ att Fetch DB Schema, Load Table Definition och Query Generator Tool är anslutna som AI-verktyg till AI Assistant Core.

Credential Required: För AI-undernoder som Session Memory Buffer, Fetch DB Schema, Load Table Definition och Query Generator Tool, lägg till inloggningsuppgifter på parent-noden AI Assistant Core där det är tillämpligt. OpenAI-uppgifter ställs in på OpenAI Chat Engine.

Steg 4: Konfigurera rapportering och webhook-utdata

Den här delen renderar frågeresultat till en HTML-dashboard och returnerar den via en webhook.

1. Öppna Incoming Webhook Endpoint och ställ in Path till 87893585-d157-468d-a9af-7238784e814c med Response Mode inställd på responseNode.
2. Bekräfta flödet Incoming Webhook Endpoint → Snowflake Query Runner → Aggregate Result Set → Build HTML Output → Send Webhook Reply.
3. Öppna Build HTML Output och säkerställ att den tilldelar html till den långa HTML-mallen, inklusive {{ JSON.stringify($json.data) }} i script-delen.
4. Öppna Send Webhook Reply och ställ in Respond With till text och Response Body till {{ $json.html }}.

⚠️ Vanlig fallgrop: Om webhook-sökvägen i Create Report Link inte matchar Incoming Webhook Endpoint kommer rapportlänken att misslyckas. Håll sökvägen konsekvent.

Steg 5: Konfigurera dataaggregering och villkorlig utdata

Dessa noder aggregerar frågeresultat, gör en kontroll av antal rader och returnerar antingen en länk eller rådata.

1. Öppna Aggregate Query Data och ställ in Aggregate till aggregateAllItemData.
2. Öppna Check Row Count och ställ in villkoret leftValue till {{ $json.data }} med operatorn lengthGt och rightValue till 100.
3. Öppna Create Report Link och ställ in JSON Output till {"output":"[Link to report](https://n8n.lowcoding.dev/webhook/87893585-d157-468d-a9af-7238784e814c?sql={{ $('Subworkflow Execution Trigger').item.json.query.urlEncode() }})"}.
4. Öppna Return Data Payload och ställ in JSON Output till {{ $json }}.
5. Öppna Return Error Payload och ställ in JSON Output till {{ $json }}.
6. Verifiera flödet Aggregate Query Data → Check Row Count → Create Report Link eller Return Data Payload.

Steg 6: Testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att validera chattinmatning, AI-generering av frågor och rendering av Snowflake-utdata.

1. Klicka på Test workflow och skicka ett chattmeddelande via Chat Message Trigger där ni ber om en Snowflake-rapport.
2. Bekräfta att AI Assistant Core använder schemaverktyg (Fetch DB Schema och Load Table Definition) innan den genererar en fråga.
3. Verifiera att Run SQL Command och Snowflake Query Runner returnerar data utan fel.
4. Öppna svaret från Send Webhook Reply för att bekräfta att HTML-dashboarden renderas korrekt.
5. Om resultatuppsättningen är stor, bekräfta att Create Report Link ger en fungerande länk till Incoming Webhook Endpoint.
6. När ni är nöjda, klicka på Activate för att aktivera arbetsflödet i produktion.