Mit Ihrer Datenbank per KI chatten

Was Sie bauen

Eine Chat-Oberfläche, in der jeder in Ihrem Team Fragen stellen kann wie „Wer waren im letzten Quartal unsere 10 umsatzstärksten Kunden?“ und eine Antwort aus Ihrer Datenbank erhält, ohne SQL zu schreiben. Ein KI-Agent liest das Datenbankschema, schreibt die SQL-Abfrage, führt sie aus und erklärt das Ergebnis.

Das folgt der n8n-Vorlage „Chat with PostgreSQL database“; derselbe Ansatz funktioniert mit MySQL, SQLite und anderen SQL-Datenbanken.

Aufbau des Workflows

Node	Aufgabe
Chat Trigger	Hier stellen Nutzer ihre Fragen
AI Agent	Entscheidet, welche Werkzeuge aufgerufen werden
OpenAI Chat Model (oder ein anderes Modell)	Schreibt das SQL und die endgültige Antwort
Simple Memory	Kontext über mehrere Nachrichten („jetzt nur für Deutschland“)
Tool: Get DB schema and tables list	Listet die Tabellen auf, damit der Agent weiß, was existiert
Tool: Get table definition	Spalten und Typen einer bestimmten Tabelle
Tool: Execute SQL query	Führt die vom Agenten geschriebene Abfrage aus

Die Postgres-Tools sind Postgres-Nodes, die als Agenten-Werkzeuge eingesetzt werden, jeweils mit einer klaren Beschreibung ihrer Funktion.

Sicherheit zuerst: ein Nur-Lese-Benutzer

Verbinden Sie einen KI-Agenten niemals mit einem Admin-Konto mit Ihrer Datenbank. Legen Sie einen eigenen Benutzer an, der nur lesend auf die benötigten Tabellen zugreifen darf:

CREATE USER ai_reader WITH PASSWORD 'strong-password';
GRANT CONNECT ON DATABASE shop TO ai_reader;
GRANT USAGE ON SCHEMA public TO ai_reader;
GRANT SELECT ON orders, customers, products TO ai_reader;

Noch besser: Verbinden Sie ihn mit einem Lese-Replikat oder einer Reporting-Kopie statt mit der Produktivdatenbank.

Tipps für die Systemnachricht

• „Führe nur SELECT-Abfragen aus. Ändere niemals Daten.“
• „Prüfe immer das Schema, bevor du eine Abfrage schreibst.“
• „Begrenze die Ergebnisse auf 100 Zeilen, außer der Nutzer möchte mehr.“
• „Erkläre die Antwort in einfacher Sprache und zeige die wichtigsten Zahlen in einer Tabelle.“
• Fügen Sie geschäftliche Definitionen hinzu: „Umsatz bedeutet orders.total mit status = 'paid'.“

Bessere Antworten erhalten

• Ergänzen Sie Kommentare zu Tabellen und Spalten in der Datenbank; das Schema-Tool kann sie zurückgeben.
• Legen Sie Views für häufige Fragen an (zum Beispiel monthly_revenue), damit das Modell einfachere Abfragen schreibt.
• Protokollieren Sie jede Frage, das erzeugte SQL und das Ergebnis zur Kontrolle.

Wo es passt

• Ops- und Vertriebsteams, die für einfache Zahlen auf Analysten warten.
• Gründer, die schnelle Antworten aus ihrer Produktdatenbank wollen.

Für komplexes Reporting sind Dashboards weiterhin besser; der Chat ist für spontane Fragen gedacht.

Verwandte Artikel

• RAG-Chatbot über Dokumente (für unstrukturierten Text)
• Lokale LLMs mit Ollama betreiben, damit die Daten vollständig privat bleiben