你想用 AI Agent 自動化分析資料、建立客服或私人助理，但不知道該把資料放在哪裡嗎？在這篇文章裡，我會用 n8n 帶你一步步建構 RAG 系統，並透過「AI Agent,supabase,n8n」的實測，比較向量資料庫（Supabase）與 Google Sheet 對相同資料的差異，讓你少走彎路、快速上手。

問題陳述與背景介紹

RAG（檢索增強生成）是把外部資料庫的內容先檢索，再交給大語言模型生成回覆的系統。這可以讓你的 AI Agent 更精準、即時且客製化。但不同類型的資料庫在「語意理解」與「精準數字運算」上各有優劣：向量資料庫擅長語意與模糊查詢；Google Sheet 擅長精準的數字計算與排序。本文示範如何用 n8n 把 AI Agent 連接到兩種資料庫（Supabase 與 Google Sheet），並分析實測結果與最佳架構建議。

什麼是 RAG？為什麼需要資料庫？

簡單說，R = Retrieval（檢索）、A = Augmented（增強）、G = Generation（生成）。在你送問題給大語言模型之前，先從你自己的資料庫抓取相關內容，這樣回覆會包括你公司或個人的最新資料（例如最新財報、產品資訊或客戶資料）。使用 RAG 可以提升：

• 準確性：針對你的內部資料給出正確答案
• 即時性：可以灌入近期資料（新品、公告等）
• 成本效率：避免大語言模型去亂檢索，節省 token
• 客製化：適合客服與私人助理等場景

向量資料庫 vs Google Sheet — 特性比較

向量資料庫（Supabase）：語意理解強、可處理大量文件與 PDF、支援相似度搜尋；缺點是數字精確查詢弱、消耗更多 token；適合自然語言查詢、文件與多媒體檔案。

檔案下載：

Google Sheet：精準數值查詢與排序快速、成本低、易管理；缺點是語意模糊查詢能力弱，難以處理非結構化文件或大量文本語義檢索；適合篩選、排序、數字運算、簡單資料表。

實作步驟：用 n8n 建構 AI Agent（精簡流程）

以下是從零開始在 n8n 建立 AI Agent 的實用步驟（以影片示範為基礎）：

1. 新增觸發器：使用 Chat Message（手動測試或 webhook）。
2. 加入 AI Agent 節點並連結你的 OpenAI API（或其他 LLM）。
3. 設定記憶（Simple Memory）與系統提示（Prompt），告訴 Agent 它的角色與任務。
4. 資料來源 A：Google Sheet（匯入 Excel 轉成 Google 試算表，使用 GetRows 節點讀取）。
5. 資料來源 B：Supabase（建立 pgvector table，使用 SQL Editor 建表，然後在 n8n 用 Document 節點上傳並做 embedding）。
6. 解析器：使用 OpenAI（small model）或類似工具把文件拆分並產生 embedding 上傳至 Supabase。
7. 觸發查詢流程：若問題為精確數字或排序（如「本益比最小」），直接查 Google Sheet；若為自然語言或模糊查詢（如「便宜又有成長」），先查向量庫取得上下文，再讓 LLM 生成回答。

實測案例與結果（影片中的三個關鍵實驗）

影片使用同一份「AI 智能股票系統」資料，分別以 Google Sheet 與 Supabase 各做一次 RAG 實驗，重點實驗如下：

• 案例一 — 本益比最小的個股（精確數字題）
  向量資料庫回覆錯誤（耗時 23 秒，答案：太設），Google Sheet 回答正確（耗時 21 秒，答案：富華新，PE=2.94）。說明：向量搜尋對精確數字的判斷較弱。
• 案例二 — 「便宜又有成長」的公司（模糊語意題）
  向量資料庫使用自定義指標（如 PSR）給出更貼近業務邏輯的推薦（耗時 36 秒）；Google Sheet 給出較通用、模型常識性的答案（耗時 30 秒）。說明：向量庫在整合自定義指標與語意理解上更靈活。
• 案例三 — 打錯字的容錯（例如「合作多」）
  向量資料庫能從語意層面理解錯字並解釋概念；Google Sheet 則較傾向字面匹配，結果可能不正確。說明：向量庫在容錯與語意推理上有明顯優勢。

 

實用技巧：資料庫何時用向量資料庫？何時用 Google Sheet？（以及最佳結合策略）

你可以用以下簡單決策流程：

1. 問題是「精確數字/排序/篩選」？ → 優先查 Google Sheet（或關聯式 DB）。
2. 問題是「語意模糊/自然語言/文件搜尋/錯字容錯」？ → 優先查向量資料庫（Supabase）。
3. 最佳做法：混合架構。先用向量資料庫理解使用者語意，再到 Google Sheet 做精確數字驗證與排序，最後把兩者結果交給 LLM 生成最終回覆。

具體操作建議（步驟化）

1. 建立資料池：把文件、PDF、指標說明放入向量資料庫；把結構化數據（數字欄位）放入 Google Sheet。
2. 在 n8n 中設計路由邏輯：語意判斷節點 → 若為數字查 Sheet → 否則查 Supabase。
3. 上傳向量時只做一次，同步後若要更新先清除舊資料，再批次上傳新資料以避免重複。
4. 選擇合適的解析模型（small 可節省成本，large 適用於大檔案或更精準的語意拆分）。

常見問題（FAQ）

1. 我可以把所有資料都放到向量資料庫嗎？

可以，但不建議。向量庫擅長語意搜尋，但對精準數字篩選與排序表現不如結構化表格。最佳做法是「文件放向量庫，數字放表格」。

2. Supabase 免費能用多久？

Supabase 提供免費2個Project，但如一段時間沒使用，Project會被暫停，實際配額與限制請以 Supabase 官方方案為準。

3. 如何避免向量資料庫資料重複上傳？

上傳前務必清空舊 table，或設計 id 檢查與去重機制。示範中如果沒有先清空會導致行數倍增（如 857 → 1714）。

4. 我該選哪個模型來解析文件？

若文件不大且追求成本效益，選 small model 即可；若文件很長或你需要更精準的語意拆分，可使用 large model。

總結

總結來說，AI Agen用向量資料庫當資料庫擅長理解「人話」，用Google Sheet 當資料庫擅長處理「精準數字」。真正聰明的做法不是二選一，而是把兩者結合，先用向量資料庫理解問題，再用 Google Sheet 做精確篩選，最後由 LLM 生成回覆。