前言：AI 自動化時代的來臨

隨著 AI 技術的快速發展，AI 自動化工具逐漸成為各個領域提升效率和創新的利器。n8n 作為一個強大的自動化工具，能夠串聯各種應用程式和服務，自動執行資料擷取、處理、檔案管理等重複性任務。Supabase 則是一個開源的後端平臺，提供資料庫、身份驗證、儲存等功能，方便快速建立和部署應用程式。結合 n8n 和 Supabase，我們可以打造出一個強大的 AI 自動化系統，為學習和工作帶來巨大改變。

透過 AI 自動化，我們可以將原本耗費大量時間和精力的任務，如資料整理、分析和報告生成，交由 AI 自動完成，從而釋放時間和精力，專注於更具價值的工作。此外，AI 自動化還能幫助我們快速學習和掌握新知識和技能，提升學習效率和競爭力。例如，利用 AI 自動化工具建立 AI 知識庫，整合各種學習資料和資源，透過 AI 輔助學習，快速掌握所需知識和技能。總之，AI 自動化時代的到來，為我們提供了前所未有的機會，讓我們更有效率地工作和學習，創造更美好的未來。

案例介紹：AI 知識庫與財務報表分析

在本篇文章中，我們將展示如何利用 n8n 和 Supabase 建立一個自動化系統，以 AI 知識庫為例，專注於企業財務報表的分析。我們可以將各公司的財務報表（如 PDF 檔案）儲存到 Google Drive，並透過 n8n 工作流程自動下載、提取文字內容、轉換成向量表示，並儲存到 Supabase 的向量資料庫中。建立好 AI 知識庫後，我們可以利用 AI Agent 進行對話式互動，例如詢問特定公司在特定時間段的財務表現、營收狀況、主要風險等，AI Agent 能根據知識庫中的資料快速提供所需資訊。

這個案例的應用範圍非常廣泛，不僅限於財務報表分析，還可應用於會議記錄、學習資料、研究論文等領域。只要將相關資料儲存到 AI 知識庫中，我們就能透過 AI Agent 快速查找和分析所需資訊，提升工作效率和學習效果。例如，在學習過程中，我們可以將課程講義、課堂筆記、相關論文等資料儲存到 AI 知識庫中，並透過 AI Agent 提問和查找，快速掌握學習重點和解決學習問題。總之，AI 知識庫的建立能幫助我們更有效率地管理和利用資訊，提升學習和工作效率。

n8n 工作流程解析

n8n 的核心概念是工作流程（Workflow），它允許我們將不同的節點（Node）串聯起來，形成一個自動化的流程。每個節點代表一個特定的動作，例如擷取資料、處理資料、儲存資料等等。在我們的 AI 知識庫案例中，我們使用了以下幾個重要的節點：

• Google Drive 節點：用於偵測 Google Drive 中是否有新的檔案被新增或更新。
• 檔案下載節點：用於下載 Google Drive 中的檔案。
• PDF 提取節點：用於提取 PDF 檔案中的文字內容。
• Embedding 節點：用於將文字內容轉換成向量表示，以便儲存到向量資料庫中。
• Supabase 節點：用於將資料儲存到 Supabase 資料庫中。
• 檔案移動節點：用於將已處理的檔案移動到指定的資料夾。

透過這些節點的組合，我們可以建立一個自動化的工作流程，自動化執行資料擷取、處理和儲存的過程。例如，當 Google Drive 中新增一個新的財務報表 PDF 檔案時，n8n 工作流程會自動觸發，下載檔案、提取文字內容、轉換成向量表示，並儲存到 Supabase 資料庫中。同時，n8n 工作流程也會將已處理的檔案移動到指定的資料夾，確保資料庫中的資料是最新的。

Supabase 資料庫與向量資料庫

Supabase 提供了兩種主要類型的資料庫：傳統的結構化資料庫（如 PostgreSQL）和向量資料庫。結構化資料庫適合儲存具有明確欄位和關聯性的資料，例如客戶資料和產品資訊。而向量資料庫則適合儲存向量表示的資料，如文字內容和圖片的向量表示。在我們的 AI 知識庫案例中，我們使用 Supabase 的 PostgreSQL 作為結構化資料庫，儲存使用者提問的紀錄和對話歷史，同時使用 Supabase 的向量資料庫儲存財務報表內容的向量表示。

向量資料庫的優勢在於能夠快速進行相似性搜尋。當使用者提問時，AI Agent 會將問題轉換成向量表示，並在向量資料庫中搜尋與問題最相似的向量，從而找到相關資訊。例如，當使用者詢問「Nvidia 最近的營收狀況如何？」時，AI Agent 會將這個問題轉換成向量表示，並在向量資料庫中搜尋最相似的向量，找到相關的財務報表內容並提供給使用者。這種相似性搜尋的方式，能夠幫助我們快速找到相關資訊，提升 AI Agent 的搜尋效率。

RAG AI Agent 與 OpenAI 模型整合

RAG（Retrieval-Augmented Generation）是一種結合資訊檢索與生成模型的技術，能夠讓 AI Agent 根據外部資料庫中的資訊生成更準確且相關的回覆。在我們的 AI 知識庫案例中，我們運用 RAG AI Agent 來整合 Supabase 資料庫與 OpenAI 模型。RAG AI Agent 的功能是根據使用者的問題，從 Supabase 資料庫中檢索相關資訊，並將這些資訊傳遞給 OpenAI 模型，使其能夠根據這些資訊生成更精確且相關的回覆。

OpenAI 模型是一個大型語言模型，能夠理解和生成自然語言。在我們的案例中，OpenAI 模型負責根據 RAG AI Agent 提供的資訊，生成對使用者的回覆。例如，當使用者詢問「Nvidia 最近的營收狀況如何？」時，RAG AI Agent 會從 Supabase 資料庫中檢索相關的財務報表內容，並將這些內容傳遞給 OpenAI 模型。OpenAI 模型會根據這些內容，生成一個關於 Nvidia 最近營收狀況的回覆，並提供給使用者。透過 RAG AI Agent 與 OpenAI 模型的整合，我們能夠讓 AI Agent 根據外部資料庫中的資訊生成更準確且相關的回覆，提升 AI Agent 的智慧化程度。

Financial Metrics 工具與外部 API 整合

除了 Supabase 資料庫中的資訊，我們還需從外部資料來源擷取財務指標、股票價格等資訊。為此，我們可利用 n8n 的 HTTP Request 節點呼叫外部 API。在本案例中，我們使用 Financial Modeling Prep 的 API 來擷取財務指標。Financial Modeling Prep 提供大量財務資料，如營收、每股盈餘、本益比等，有助於全面分析公司財務狀況。

為使 AI Agent 能理解和使用 Financial Modeling Prep API 的資料，我們需在 n8n 工作流程中設定相關參數，如股票代碼、需擷取的指標等。當使用者提問時，AI Agent 會判斷是否需從 Financial Modeling Prep API 擷取資料，若需，則呼叫 API 並擷取相關資料，整合到回覆中。例如，當使用者詢問「Nvidia 的本益比是多少？」時，AI Agent 會從 Financial Modeling Prep API 擷取 Nvidia 的本益比資料，並整合到回覆中，提供給使用者。透過 Financial Metrics 工具和外部 API 的整合，AI Agent 可獲得更豐富的資訊，提升其功能和應用範圍。

AI Agent 對話式互動與應用場景

在建立好 AI 知識庫後，我們可以透過 AI Agent 進行對話式互動，詢問我們關心的問題。AI Agent 會根據 Supabase 資料庫和外部 API 中的資訊，生成相關的回覆。例如，我們可以詢問「Nvidia 最近的營收狀況如何？」、「Microsoft 最近面臨哪些營運挑戰？」、「Apple 未來的發展趨勢如何？」等問題。AI Agent 會根據我們的提問，從資料庫中檢索相關資訊，並生成完整的回覆。

在這個過程中，OpenAI 模型扮演了重要角色，它負責理解我們的提問，並根據資料庫中的資訊生成回覆。此外，我們還可以利用 OpenAI 模型的自然語言處理能力，讓 AI Agent 理解更複雜的提問，例如「請分析 Nvidia 在過去一年中營收成長的趨勢」。AI Agent 可以根據資料庫中的資訊，分析 Nvidia 過去一年的營收成長趨勢，並生成完整的分析報告。透過 AI Agent 的對話式互動，我們可以更輕鬆地獲取和分析所需的資訊，提升工作效率和決策品質。

總結：打造專屬的 AI 知識庫

透過 n8n 和 Supabase，我們能夠輕鬆建立一個 AI 知識庫，並利用 AI Agent 進行對話式互動，快速獲取和分析所需資訊。這個 AI 知識庫可應用於多種場景，如財務報表分析、會議記錄、學習資料等。透過 AI 自動化，我們能將時間和精力投入到更具創造性和策略性的工作中，提升工作效率和學習效果。

在建立 AI 知識庫的過程中，我們需仔細設計 n8n 的工作流程，確保資料能被正確擷取、處理和儲存。此外，選擇合適的資料庫和模型，如 Supabase 和 OpenAI，確保 AI Agent 能理解和使用這些資料。最後，我們需不斷優化和調整 AI Agent 的功能，如增加新工具、調整模型參數等，確保 AI Agent 能滿足我們的需求。相信透過不斷學習和實踐，我們能打造出一個更強大的 AI 知識庫，為我們的學習和工作帶來更大效益。