Schluss mit Prompt-Coding: Einen selbstkorrigierenden KI-Agenten mit n8n & Supabase bauen

Wir brauchen eine Datenbank, die die „semantische Bedeutung" einer Anforderung versteht, nicht nur Keyword-Matching.

1. Erstellen Sie ein Projekt bei Supabase.
2. Navigieren Sie zum SQL Editor und führen Sie das folgende Setup-Skript aus.

-- 1. Vector Extension aktivieren
create extension if not exists vector;

-- 2. Speichertabelle erstellen
create table examples (
  id uuid primary key,
  content text,        -- Die "User Requirement" (was gesucht wird)
  metadata jsonb,      -- Der vollständige Kontext (Empfehlung + Erklärung)
  embedding vector(1024)  -- MUSS deinen eingebeteten Model Ausmaßen entsprechen
);

-- 3. Ähnlichkeitssuchfunktion erstellen
create or replace function relevant_examples (
  query_embedding vector(1024),
  match_threshold float,
  match_count int
)
returns table (
  id uuid,
  content text,
  metadata jsonb,
  similarity float
)
language plpgsql
as $$
begin
  return query
  select
    examples.id,
    examples.content,
    examples.metadata,
    1 - (examples.embedding <=> query_embedding) as similarity
  from examples
  where 1 - (examples.embedding <=> query_embedding) > match_threshold
  order by examples.embedding <=> query_embedding
  limit match_count;
end;
$$;

Anstatt Vektoren direkt zu verwalten, verwenden wir n8ns interne Data Tables als unser CMS.

1. Erstellen Sie in n8n eine Data Table namens Website Recommendation Examples.
2. Fügen Sie drei String-Spalten hinzu:
   • requirements (Das Eingabeszenario)
   • recommendation (Die korrekte Ausgabe)
   • explanation (Die „Chain of Thought")

Seed-Daten: Fügen Sie 10-15 unterschiedliche Beispiele hinzu.

• Zeile 1: „Einfaches Portfolio für einen Fotografen" → „Squarespace"
• Zeile 2: „Multi-Vendor-Marktplatz wie Airbnb" → „Bubble oder Sharetribe"

Wir benötigen einen Workflow, der die n8n-Tabelle überwacht und den Supabase-Vektorspeicher aktualisiert. Dadurch wird sichergestellt, dass die KI neue „Lektionen“ automatisch lernt, sobald diese hinzugefügt werden.

1. Auslöser: Zeitplan (täglich)
2. Zeilen abrufen (n8n-Tabelle): Alle Zeilen abrufen, die updatedAt aktuell sind (z. B. die letzten 48 Stunden).
3. Elemente durchlaufen: Bearbeiten Sie jeweils ein Beispiel.
4. Alte Version löschen (Supabase):
   Entscheidender Schritt Bevor Sie das aktualisierte Beispiel hinzufügen, löschen Sie bitte alle vorhandenen Zeilen mit der gleichen ID, um Duplikate zu vermeiden.
5. Dokument hinzufügen (Supabase Vector Store):
   • Modell: text-embedding-3-large
   • Abmessungen:1024
   • Mapping Daten:
     • Seiteninhalt → requirements (Das ist es, was wir einbetten).
     • Metadaten → Das vollständige Objekt zuordnen (id, recommendation, explanation).

Dies ist der Live-Agent, der auf Benutzeranfragen antwortet.

1. Auslöser: Chat oder Webhook (Input: user_requirements)
2. Abrufen (Supabase Vector Store):
   • Operation: Get Many (Abrufen sortierter Dokumente).
   • Abfrage: {{ $trigger.user_requirements }}
   • Limit: 4
   • Funktions Name: relevant_examples
3. Formatkontext (Code Node): Nimm die 4 JSON-Ergebnisse und wandle sie in einen String um.
4. LLM Chain (OpenAI GPT-4):

System Prompt:

Sie sind ein Experte für Webseitenempfehlungen.
Um Ihnen die Beantwortung der Benutzeranfrage zu erleichtern, finden Sie hier Beispiele dafür, wie wir ähnliche Anfragen in der Vergangenheit bearbeitet haben:

{{ $json.formatted_examples }}

Analysieren Sie die Anfrage des Nutzers anhand dieser Präzedenzfälle:
Benutzeranfrage: {{ $trigger.user_requirements }}