Din AI-”hjälpare” börjar starkt, men glider sedan långsamt iväg. Ena veckan är den skarp och on-brand, nästa vecka skriver den i fel tempus, glömmer produktnamn eller halkar in i en ton du aldrig skulle skicka till en kund.
Det drabbar marknadsansvariga och supportchefer först, eftersom det är de som får städa upp. Men grundare som driver slimmade team känner av det också. En enkel agent rules automation stoppar omarbetet genom att göra agentens instruktioner beständiga, inte ”i mån av möjlighet”.
Det här arbetsflödet lagrar regler i Postgres (som Supabase) eller Google Sheets och injicerar dem sedan automatiskt i varje chatt. Du får se hur det fungerar, vad du behöver och vad du ska hålla koll på när du tar det i produktion.
Så fungerar den här automationen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: Postgres + Google Sheets: AI-agentregler som håller
flowchart LR
subgraph sg0["When chat message received Flow"]
direction LR
n0@{ icon: "mdi:robot", form: "rounded", label: "Ultimate Assistant1", pos: "b", h: 48 }
n1@{ icon: "mdi:memory", form: "rounded", label: "Chat History1", pos: "b", h: 48 }
n2@{ icon: "mdi:brain", form: "rounded", label: "Anthropic Chat Model", pos: "b", h: 48 }
n3["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/postgres.svg' width='40' height='40' /></div><br/>Get rules from database"]
n4["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Merge"]
n5@{ icon: "mdi:cog", form: "rounded", label: "Aggregate", pos: "b", h: 48 }
n6@{ icon: "mdi:database", form: "rounded", label: "Insert rule into database", pos: "b", h: 48 }
n7@{ icon: "mdi:database", form: "rounded", label: "Execute query on rule database", pos: "b", h: 48 }
n8@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
n4 --> n0
n5 --> n4
n1 -.-> n0
n2 -.-> n0
n3 --> n5
n6 -.-> n0
n8 --> n4
n8 --> n3
n7 -.-> n0
end
subgraph sg1["Flow 2"]
direction LR
n9@{ icon: "mdi:database", form: "rounded", label: "Get rules from sheets", pos: "b", h: 48 }
end
subgraph sg2["Flow 3"]
direction LR
n10@{ icon: "mdi:database", form: "rounded", label: "Add rule to sheet", pos: "b", h: 48 }
end
subgraph sg3["Flow 4"]
direction LR
n11@{ icon: "mdi:database", form: "rounded", label: "Update rule in sheet", pos: "b", h: 48 }
end
subgraph sg4["Flow 5"]
direction LR
n12@{ icon: "mdi:database", form: "rounded", label: "Delete rule in sheet", pos: "b", h: 48 }
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 n8 trigger
class n0 ai
class n2 aiModel
class n1 ai
class n3,n6,n7,n9,n10,n11,n12 database
classDef customIcon fill:none,stroke:none
class n3,n4 customIcon
Problemet: din agent ”glömmer” det du lär den
Om du använder en AI-agent för svar, utkast eller intern hjälp har du säkert varit med om detta: du ger feedback, den blir bättre … och sedan faller den tillbaka två konversationer senare. Så du klistrar in samma ”regler” igen. Och igen. Efter några veckor har du flera versioner av ”rätt sätt” utspridda i Slack-trådar, Google Docs och någons anteckningar. Kostnaden är inte bara tiden du lägger på att skriva om. Det är inkonsekvens, som urholkar förtroendet och gör onboarding av nya kollegor långsammare än den borde vara.
Friktionen byggs på. Små missar blir till en ständig granskningsloop.
- Du måste förklara samma varumärkes- och formateringsregler i varje ny chatttråd.
- Två personer ”tränar” agenten olika, så kunder får märkbart olika svar.
- Reglerna glider när produkten förändras, men det finns ingen enda plats att uppdatera dem på.
- När du anställer eller byter verktyg tappar du den verksamhetskunskap som gjorde agenten bra.
Lösningen: spara regler en gång, tillämpa dem i varje chatt
Det här n8n-arbetsflödet gör agentens ”husregler” till en levande regelbok som lagras utanför chattfönstret. När en ny konversation kommer in hämtar flödet de senaste reglerna för den agenten från en databas (Postgres) eller ett enkelt Google Sheet och matar sedan in reglerna som instruktioner på systemnivå. Agenten svarar med era aktuella standarder redan tillämpade, så du behöver inte vakta ton, tempus eller formatering. Ännu bättre: agenten får verktyg för att skapa, redigera och ta bort regler, vilket innebär att feedback som ”Nästa gång, använd presens för funktionsbeskrivningar” kan sparas som en ny regel och automatiskt efterlevas framåt. Det här är ärligt talat vad de flesta team förväntar sig att ”minne” ska göra, men det gör det sällan utan en setup som den här.
Arbetsflödet startar när en inkommande chatt träffar n8n:s chatt-trigger. Det hämtar era lagrade regler (Postgres eller Sheets), aggregerar dem till korrekt formaterade instruktioner och slår ihop dem med användarens meddelande. Sedan kör AI-agenten med konversationsminne och en chattmodell, samtidigt som den kan uppdatera regelboken när du ber om det.
Det du får: automation vs. resultat
| Det här automatiserar arbetsflödet | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att ditt team hanterar 40 kundkonversationer om dagen och att du vanligtvis lägger cirka 3 minuter per konversation på att fixa ton, tempus eller formatering. Det är ungefär 2 timmar städjobb per dag. Med det här arbetsflödet lägger du kanske 15 minuter en gång på att lägga in kärnreglerna och rör dem sedan bara när något ändras. Efter det startar varje chatt med rätt systeminstruktioner redan inlästa, så det mesta av ”skriv om det i vår ton”-arbetet försvinner helt enkelt.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
- Postgres för att lagra regler i en riktig databas.
- Google Sheets för att lagra regler i en lättviktig tabell.
- Anthropic API-nyckel (hämta den i Anthropic-konsolen).
Kunskapsnivå: Medel. Du kopplar upp autentiseringar, väljer datakälla (Postgres eller Sheets) och uppdaterar ett par agentidentifierare.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
En inkommande chatt sätter igång det. Arbetsflödet använder n8n:s chatt-trigger för att fånga användarmeddelandet direkt när det kommer in, så du kan köra detta bakom ett chatbot-UI eller en intern ”assistent”-endpoint.
Regler hämtas från din källa som gäller. n8n hämtar regelrader från Postgres (eller från Google Sheets om du väljer det alternativet). Det filtrerar på ett agent-värde, så ett arbetsflöde kan stödja flera assistenter med olika regeluppsättningar.
Reglerna görs om till användbara instruktioner. Arbetsflödet aggregerar regeltexten till ett korrekt formaterat block, slår ihop det med det inkommande meddelandet och skickar det till AI Agent-noden tillsammans med konversationsminne. Det är här konsekvensen börjar ”sitta”, eftersom modellen ser samma regelbok varje gång.
Agenten kan uppdatera regelboken. När du uttryckligen ber den att skapa, redigera eller ta bort en regel kan den anropa verktyg (Postgres-verktyg eller Google Sheets-verktyg) för att skriva tillbaka ändringar till lagringen, så nästa chatt använder de uppdaterade reglerna automatiskt.
Du kan enkelt ändra agent-namnet för att stödja flera team eller varumärken utifrån dina behov. Se den fullständiga implementeringsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: Konfigurera triggern för inkommande chatt
Det här arbetsflödet startar när ett chattmeddelande kommer in och delas upp i parallella spår för regelhämtning och meddelandehantering.
- Lägg till eller öppna noden Incoming Chat Trigger.
- Behåll standardinställningarna för Options om ni inte har en specifik konfiguration för chattkälla.
- Bekräfta det parallella flödet: Incoming Chat Trigger skickar utdata till både Combine Inputs och Fetch Rules from DB parallellt.
Steg 2: Anslut regel-datakällan från Postgres
Det här steget hämtar regeltext från er databas och aggregerar den för assistentens systemprompt.
- Öppna Fetch Rules from DB och ställ in Operation på
executeQuery. - Ställ in Query till
SELECT rule_text FROM datos_agent_rules WHERE agent = 'TestAgent';. - Inloggningsuppgifter krävs: Anslut era postgres-inloggningsuppgifter.
- Öppna Aggregate Rules och säkerställ att den aggregerar rule_text till utdatafältet
rules.
Tips: Om ni ändrar agentnamnet i frågan, håll det konsekvent med reglerna som ni lägger in senare.
Steg 3: Slå ihop indata för assistenten
Det här slår ihop inkommande chattdata med de aggregerade reglerna.
- Öppna Combine Inputs och ställ in Mode på
combine. - Ställ in Combine By på
combineByPosition. - Säkerställ att kopplingen är Aggregate Rules → Combine Inputs → Primary Assistant Agent.
Steg 4: Sätt upp den primära assistentagenten och AI-komponenterna
Den här noden använder Anthropic för LLM-svar och Conversation Memory för att behålla kontext.
- I Primary Assistant Agent, ställ in Text till
={{ $json.body.message }}. - Behåll Prompt Type som
defineoch verifiera att systemmeddelandet inkluderar regellistan och tidskontext. - Öppna Anthropic Chat Engine och ställ in Model till
=claude-sonnet-4-20250514med Temperature0.2. - Inloggningsuppgifter krävs: Anslut era anthropicApi-inloggningsuppgifter i Anthropic Chat Engine.
- Öppna Conversation Memory och ställ in Context Window Length till
10.
⚠️ Vanlig fallgrop: Conversation Memory är en AI-undernod. Anslut inloggningsuppgifter till Anthropic Chat Engine (den överordnade LLM-noden), inte till minnesnoden.
Steg 5: Konfigurera AI-verktyg för regelhantering
Dessa verktygsnoder gör att assistenten kan lägga in eller fråga efter regler i Postgres samt hantera en Google Sheet-logg för regler.
- Öppna Insert Rule to DB och bekräfta att tabellen är
datos_agent_rulesmed agent satt tillTestAgentoch rule_text satt till={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('rule_text', `Write a simple reminder for the future based on the user's instructions. `, 'string') }}. - Inloggningsuppgifter krävs: Anslut era postgres-inloggningsuppgifter i Insert Rule to DB.
- Öppna Run Rule DB Query och ställ in Query till
{{ $fromAI('valid_postgres_sql_query', 'Write any valid SQL query for the Postgres rule database.', 'string') }}. - Inloggningsuppgifter krävs: Anslut era postgres-inloggningsuppgifter i Run Rule DB Query.
- Konfigurera Utility: Fetch Rules Sheet, Utility: Append Rule Sheet, Utility: Modify Rule Sheet och Utility: Remove Rule Sheet med korrekta värden för Document ID och Sheet Name.
- Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter i alla fyra Google Sheets-verktygsnoder.
⚠️ Vanlig fallgrop: Verktygsnoderna för Google Sheets och Postgres är AI-verktyg som är anslutna till Primary Assistant Agent. De anropas bara när assistenten bedömer att de behövs, så säkerställ att verktygsbeskrivningarna stämmer med ert avsedda beteende.
Steg 6: Testa och aktivera ert arbetsflöde
Validera att regler hämtas, kombineras och används i assistentens svar, och att verktygsanrop fungerar när de triggas.
- Klicka på Test workflow och skicka ett chattmeddelande till Incoming Chat Trigger.
- Verifiera att Fetch Rules from DB returnerar regeltext och att Aggregate Rules skickar ut en
rules-array. - Bekräfta att Primary Assistant Agent returnerar ett svar och inkluderar regler i sin systemprompt.
- Testa verktygsanrop genom att instruera assistenten att lägga till eller ändra regler och verifiera resultat i Postgres/Sheets.
- När allt är validerat, växla arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- Postgres-autentiseringar kan löpa ut eller kräva specifika behörigheter. Om saker skapar fel, kontrollera först dina n8n-credential-inställningar och databas-användarens åtkomst till tabellen.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er varumärkesröst tidigt, annars kommer du redigera output för alltid.
Vanliga frågor
Cirka 30 minuter om du redan har din databas eller ditt Sheet redo.
Nej. Du kopplar konton och väljer rätt tabell eller Sheet. Det mesta av jobbet är att namnge agenten och testa några exempelregler.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis testperiod på n8n Cloud. Cloud-planer börjar på $20/månad för högre volym. Du behöver också räkna in kostnader för Anthropic API-användning, som beror på hur långa dina chattar och regler är.
Två alternativ: n8n Cloud (hanterat, enklast setup) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det är ett av de bästa användningsområdena för den här setupen. Arbetsflödet använder redan ett agent-fält (standard är ”TestAgent”) i noderna ”Fetch Rules from DB” och insert/query-verktygsnoderna, och Google Sheets-utility-noderna kan göra samma sak. Skapa separata regelrader per agentnamn och duplicera sedan chatt-endpointen eller skicka agentvärdet från ditt UI. Vanliga anpassningar är separata röster för support vs. marknad, striktare efterlevnadsregler för reglerade svar och olika formateringsregler för Slack jämfört med e-post.
Oftast beror det på utgångna autentiseringar eller att databasanvändaren saknar behörighet till tabellen agent_rules. Skapa om autentiseringen (eller uppdatera lösenord/connection string) och bekräfta sedan att arbetsflödesnoderna ”Fetch Rules from DB”, ”Insert Rule to DB” och ”Run Rule DB Query” alla pekar på den uppdaterade autentiseringen. Om du använder Supabase, kontrollera också att projektet är vaket och att policies för row-level security inte blockerar läsningar eller skrivningar.
Några hundra regler fungerar bra för de flesta team, men håll dem tajta så att du inte blåser upp varje systemmeddelande.
Ofta ja, eftersom det här mönstret kräver mer än enkla ”när X så Y”. Du hämtar en dynamisk regeluppsättning, aggregerar den, slår ihop den med chattinput och ger agenten verktyg för att skriva tillbaka ändringar till lagringen. n8n hanterar den typen av förgreningar och tool-calling snyggt, och du kan self-hosta för hög volym utan att räkna varje litet steg. Zapier eller Make kan fortfarande fungera om du bara vill ha en lättviktig ”lägg detta textblock först”-lösning och du aldrig planerar att redigera regler automatiskt. Om du är osäker, prata med en automationsexpert och kvalitetssäkra bästa väg för ditt team.
När dina regler finns på ett ställe slutar agenten ”gissa” och börjar låta som ditt team. Sätt upp det en gång och lägg sedan den återvunna granskningstiden på arbete som faktiskt driver saker framåt.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.