Lagerfrågor låter enkla tills du svarar på dem hela dagen. ”Har ni den här i 2 tum?” ”Vad är priset i dag?” ”Kan du ta fram en offert med en komplett materiallista?” Och plötsligt sitter teamet begravt i flikar, kalkylark och snabba gissningar som slår tillbaka.
Säljare känner det i disken. En butiksägare känner det efter stängning när fel måste rättas till. Och kundsupport hamnar mitt emellan — vilket är varför en Gemini PostgreSQL-automation som den här kan vara en riktig lättnad.
Det här arbetsflödet gör live-lager och prissättning i PostgreSQL till omedelbara, samtalsbaserade svar med Google Gemini. Du får se hur det fungerar, vad du behöver och hur team använder det för att skicka snabbare offerter med färre vändor fram och tillbaka.
Så fungerar den här automatiseringen
Hela n8n-flödet, från trigger till slutresultat:
n8n Workflow Template: Google Gemini + PostgreSQL: snabba lagerbesked
flowchart LR
subgraph sg0["Database Tools Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Database Tools Trigger", pos: "b", h: 48 }
n1@{ icon: "mdi:database", form: "rounded", label: "Query Product by ID", pos: "b", h: 48 }
n2@{ icon: "mdi:database", form: "rounded", label: "Query Product by Name", pos: "b", h: 48 }
n3@{ icon: "mdi:database", form: "rounded", label: "Query Product by Description", pos: "b", h: 48 }
n4@{ icon: "mdi:database", form: "rounded", label: "Query Product by Category", pos: "b", h: 48 }
n5@{ icon: "mdi:database", form: "rounded", label: "Query Product by Subcategory", pos: "b", h: 48 }
n6@{ icon: "mdi:database", form: "rounded", label: "Query Product by Note", pos: "b", h: 48 }
n1 -.-> n0
n2 -.-> n0
n6 -.-> n0
n4 -.-> n0
n3 -.-> n0
n5 -.-> n0
end
subgraph sg1["Chat Flow"]
direction LR
n7@{ icon: "mdi:play-circle", form: "rounded", label: "Chat Trigger", pos: "b", h: 48 }
n8@{ icon: "mdi:robot", form: "rounded", label: "AI Agent", pos: "b", h: 48 }
n9@{ icon: "mdi:brain", form: "rounded", label: "Language Model (Google Gemini)", pos: "b", h: 48 }
n10@{ icon: "mdi:memory", form: "rounded", label: "Chat Memory", pos: "b", h: 48 }
n11@{ icon: "mdi:wrench", form: "rounded", label: "DB Tools Client", pos: "b", h: 48 }
n10 -.-> n8
n7 --> n8
n11 -.-> n8
n9 -.-> n8
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0,n7 trigger
class n8 ai
class n9 aiModel
class n11 ai
class n10 ai
class n1,n2,n3,n4,n5,n6 database
Problemet: lager- och prisfrågor skapar dolt kaos
De flesta företag tappar inte affärer för att produkten är dålig. De tappar affärer för att svaret var långsamt, otydligt eller fel. Någon frågar efter ”galvaniserade skruvar, för utomhusbruk”, och ditt team måste söka på namn, sedan kategori, sedan en halvt ihågkommen notering i produktbeskrivningen. Under tiden ändras lagersaldo, priser uppdateras och kunden väntar. Det värsta är den mentala belastningen: du gör detektivarbete under tidspress och upprepar det igen 20 minuter senare för nästa person.
Det blir snabbt mycket. Här brukar friktionen dyka upp i verkligheten.
- Teammedlemmar svarar ur minnet, och ”ganska säker” blir till returer, återbetalningar eller obekväma uppföljningar.
- Att slå upp en enda artikel kan ta 5 minuter när kunden bara gav en vag beskrivning.
- Offerter försenas eftersom pris, lager och kvantiteter finns på olika ställen.
- Kunder ställer samma fråga på tre olika sätt, och era svar blir inte konsekventa mellan medarbetare.
Lösningen: Google Gemini svarar med live-data från PostgreSQL
Det här n8n-arbetsflödet ger dig en samtalsbaserad ”säljassistent” som kan svara på produktfrågor baserat på vad som faktiskt finns i din PostgreSQL-databas just nu. En kund (eller medarbetare) ställer en fråga i chatten, och AI-agenten använder Google Gemini för att förstå önskemålet i vanlig svenska. Sedan anropar den säkra databasverktyg (via MCP, My Credential Provider) för att söka i din produkttabell på olika sätt, till exempel via ID, namn, kategori, undergrupp, produktnoteringar eller detaljerade beskrivningar. När den hittar bästa träffen svarar den med ett strukturerat, lättläst svar med pris och lagersaldo — utan att exponera databasuppgifter för modellen.
Flödet startar med ett inkommande chattmeddelande. Gemini tolkar intentionen, AI-agenten hämtar live-produktdata från PostgreSQL via MCP-verktygsgatewayen och agenten svarar med lager- och prisdetaljer i samma konversation. Om användaren fortsätter med följdfrågor håller inbyggt konversationsminne kvar kontexten så att den inte ”glömmer” vad ni nyss pratade om.
Det här får du: automatisering vs. resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att ditt diskteam hanterar 25 lager- eller prisfrågor per dag. Manuellt tar även en ”snabbkoll” ofta 4 minuter: söka på namn, bekräfta rätt variant och sedan dubbelkolla lagersaldo och pris. Det är cirka 100 minuter per dag av rent uppslagsarbete. Med det här flödet ställs frågan en gång i chatten och svaret kommer tillbaka på under en minut i de flesta fall, så teamet lägger kanske totalt 10 minuter på samma volym. Du får tillbaka ungefär 1,5 timme per dag, och svaren bygger på live-data i PostgreSQL — inte på minnet.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Google Gemini API för produktfrågor och svar i naturligt språk
- PostgreSQL-databas för att lagra lager och prissättning
- Gemini API-nyckel (hämta den från Google AI Studio / Google Cloud)
Svårighetsnivå: Medel. Du kopplar in autentisering och mappar dina databasfält, men du skriver ingen applikationskod.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett chattmeddelande triggar arbetsflödet. Incoming Chat Trigger startar en ny körning varje gång någon ställer en produktfråga, som ”Har ni 10 mm ankare i lager?”
Gemini tolkar vad personen faktiskt vill ha. Gemini-chatmodellen ger AI-agenten stark språkförståelse så att den kan skilja på ”sök på kategori” och ”slå upp en specifik SKU”, även när användaren är vag.
Agenten frågar PostgreSQL säkert via MCP-verktyg. I stället för att ge modellen rå databasåtkomst exponerar MCP en uppsättning säkra ”verktyg” (hämta via ID, slå upp via namn, sök via notering, filtrera via kategori och undergrupp). Agenten väljer rätt verktyg, kör det och hämtar live-detaljer om lagersaldo och prissättning.
Svaret returneras i samma konversation. Konversationsminne behåller kontext vid följdfrågor, så ”Har du två sådana?” är fortfarande begripligt, och flödet kan svara utan att börja om.
Du kan enkelt justera logiken för databassökning så att den matchar ditt schema och dina produktnamn. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera chatt-triggern
Konfigurera den publika chattendpointen som initierar konversationer med assistenten.
- Lägg till och öppna Incoming Chat Trigger.
- Ställ in Public på
true. - I Options aktiverar ni Allow File Uploads och Show Welcome Screen vid behov (dessa är redan konfigurerade i det här arbetsflödet).
- Koppla Incoming Chat Trigger till Virtual Sales Agent.
Steg 2: Anslut PostgreSQL-sökverktyg
Dessa databassverktyg ger katalogsökfunktionerna som agenten bygger på. De är kopplade till verktygsgatewayen, inte direkt till agenten.
- Öppna DB Tools Gateway och bekräfta att Path är satt till
servidorbasesdedatos. - För alla PostgreSQL-verktygsnoder (Fetch Item by ID, Lookup Item by Name, Search Item by Detail, Filter Item by Category, Filter Item by Subgroup, Search Item by Note) ställer ni in Operation på
selectoch Combine Conditions påOR. - Verifiera att varje verktyg pekar på Schema
publicoch Tableproductos. - Bekräfta att Where-värdet i varje verktyg använder AI-uttrycket, t.ex.
={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('values0_Value', ``, 'string') }}. - Inloggningsuppgifter krävs: Anslut era postgres-inloggningsuppgifter på alla PostgreSQL-verktygsnoder som listas ovan.
Steg 3: Konfigurera AI-agenten och språkmodellen
Konfigurera konversationsagenten, dess modell och minne så att den kan besvara kundfrågor och behålla kontext.
- Öppna Virtual Sales Agent och granska System Message för att säkerställa att den speglar era säljprinciper och instruktioner för produktkatalogen.
- Öppna Gemini Chat Model och behåll standardalternativen eller justera vid behov.
- Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Chat Model.
- Öppna Conversation Memory och ställ in Context Window Length på
50för att behålla aktuell chattkontext. - Verifiera att Gemini Chat Model är ansluten till Virtual Sales Agent som språkmodell, och att Conversation Memory är ansluten som minne.
Steg 4: Konfigurera verktygsåtkomst via MCP-klient
Agenten använder en MCP-klient för att komma åt databassverktyg som exponeras via MCP-gatewayen.
- Öppna DB MCP Client och ställ in Endpoint URL till
http://localhost:5678/mcp/servidorbasesdedatos. - Bekräfta att DB MCP Client är ansluten som ett AI-verktyg till Virtual Sales Agent.
- Verifiera att alla databassverktygsnoder är kopplade till DB Tools Gateway så att MCP-frågor kan lösas korrekt.
servidorbasesdedatos, kommer verktygsanrop att misslyckas även om Postgres-inloggningsuppgifterna är giltiga.Steg 5: Testa och aktivera ert arbetsflöde
Validera chattupplevelsen och säkerställ att verktygssökningar returnerar korrekt produktdata.
- Klicka på Execute Workflow och öppna chattgränssnittet för Incoming Chat Trigger.
- Skicka en testprompt som “Necesito tablaroca de 1/2” och bekräfta att Virtual Sales Agent returnerar produktdetaljer.
- Kontrollera att en lyckad körning inkluderar verktygsanrop till PostgreSQL-verktygen via DB Tools Gateway och ett strukturerat svar från agenten.
- När ni är nöjda växlar ni arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- PostgreSQL-autentisering kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först dina n8n-credential-inställningar och databas-användarens privilegier.
- Om du använder Wait-noder eller extern rendering varierar processtider. Öka väntetiden om nedströms noder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in ert tonalitet/varumärkesröst tidigt, annars kommer du redigera utdata för alltid.
Vanliga frågor
Cirka 60–90 minuter när din databas och dina API-nycklar är redo.
Nej. Du kopplar främst autentisering och matchar Postgres-verktygen mot ditt schema. Om dina tabellnamn och fält är röriga kan du behöva lägga extra tid på att få ordning på det.
Ja. n8n har ett gratis alternativ för self-hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver även räkna in kostnader för användning av Google Gemini API.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och klarar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du. Ersätt eller redigera PostgresTool-noderna (som ”Lookup Item by Name” och ”Search Item by Detail”) så att de frågar dina egna tabeller och fält, och justera sedan AI-agentens systemprompt så att den speglar dina produktkategorier. Vanliga justeringar är att lägga till ett ”varumärke”-filter, returnera flera nära träffar i stället för en, och formatera svar enligt din föredragna offertmall.
Oftast beror det på en ogiltig eller utgången API-nyckel i noden Gemini Chat Model. Det kan också misslyckas om nyckeln saknar rätt projektbehörigheter, eller om dina faktureringsgränser slår i under en intensiv dag. Mindre vanligt, men verkligt: request-payloaden kan bli för stor om du stoppar in långa produktbeskrivningar i minnet, så att trimma fält löser det ofta.
Det beror på din n8n-plan och serverresurser, men de flesta små team kan hantera hundratals frågor per dag utan problem.
För en live-assistent som kan ”ta frågor, fråga en databas och behålla kontext” är n8n oftast bättre. Du får mer kontroll över logiken, du kan self-hosta för hög volym utan att betala per pyttesteg, och agentverktyg i LangChain-stil fungerar bra för flerturnskonversationer. Zapier och Make kan fortfarande fungera, men de är starkare i enkla linjära flöden, inte i agenter som anropar verktyg. Om du tvekar, utgå från det verkliga kravet: behöver du en assistent som kan söka på namn, kategori och röriga beskrivningar utan att du bygger fem separata zaps? Prata med en automationsexpert så kan du kvalitetssäkra upplägget innan du investerar tid.
När det här väl är igång slutar lager- och prisfrågor att vara ett ständigt avbrott. Arbetsflödet hanterar de repetitiva uppslagen, och teamet kan fokusera på att sälja och hjälpa kunder.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.