Вернуться назад
Как подключить AI-агента к базе данных через REST API
Руководства

Как подключить AI-агента к базе данных через REST API

Попробовать бесплатно
10 минут

Вы спрашиваете AI-ассистента: «Какие заявки ещё не обработаны?». Он уверенно отвечает, предлагает связаться с клиентами и составляет план работы. Но есть проблема — он не знает, сколько заявок действительно находится в вашей системе.

Обычная языковая модель не имеет доступа к вашим клиентам, заказам и задачам. Она может объяснить, как работать с этими данными, но не сможет самостоятельно получить их без подключения к внешним инструментам. Чтобы AI-агент приносил пользу в реальных процессах, ему нужен доступ к актуальной информации.

Разберём, как это устроено, чем отличаются RAG и работа с базой через API, а затем на примере Табрики подключим AI-агента к данным и научим его обрабатывать заявки.

Почему одного промпта недостаточно

Представим небольшую компанию, в которой менеджеры работают с клиентскими заявками. Каждый день появляются новые обращения, меняются статусы заказов, назначаются ответственные сотрудники. Вся информация хранится в таблицах.

Компания хочет использовать AI-ассистента, который сможет отвечать на вопросы: сколько новых заявок поступило сегодня, какие клиенты ожидают ответа, кто работает над конкретным заказом и можно ли создать задачу для сотрудника. Для человека с доступом к базе это обычные операции, но для языковой модели всё сложнее.

Языковые модели обучаются на больших массивах информации. Благодаря этому они умеют анализировать текст, писать код и решать множество других задач. Но знания модели не равны актуальным данным вашей компании. Например, AI может знать, как устроена CRM, но не знает, что клиент Иван Петров вчера оставил заявку на разработку сайта. Этой информации не было в его обучающих данных, а через несколько минут она вообще может измениться.

Даже подробный системный промпт не решит проблему. Инструкции могут объяснить агенту, что нужно делать с заявками, но сами заявки от этого не появятся. Если попросить модель ответить без предоставления необходимых данных, она может сформировать правдоподобный, но неверный ответ. Например, сообщить о 12 необработанных заявках, хотя в реальной базе их 27.

Поэтому важно разделять две задачи: получение достоверных данных и их анализ с помощью AI. Первая решается подключением к источнику информации, вторая — возможностями языковой модели.

Как AI-агент работает с внешними данными

AI-агент — это система, в которой языковая модель может не только генерировать ответы, но и использовать инструменты для выполнения задач. Например, запрашивать данные из CRM, находить клиентов, подготавливать письма или создавать задачи.

При этом сама модель обычно не обращается к базе напрямую. Между ней и данными находится приложение или система автоматизации, которая выполняет запросы и контролирует действия.

Чем отличаются знания модели, RAG и REST API

Не все данные одинаковы. Где-то нужен поиск по документам, а где-то — точное значение конкретного поля. Поэтому важно понимать разницу между тремя подходами.

Подход Как работает Для чего подходит
Знания модели Использует информацию, полученную при обучении, и текущий контекст Общие вопросы, объяснения, генерация текста
RAG Находит подходящие фрагменты во внешних источниках и передаёт их модели Документы, инструкции, базы знаний
REST API Запрашивает и изменяет структурированные данные через программный интерфейс CRM, заявки, заказы, задачи, каталоги

RAG (Retrieval-Augmented Generation) — подход, при котором модель получает дополнительную информацию из внешних источников перед формированием ответа. Например, если пользователь спрашивает о правилах возврата товара, RAG может найти соответствующий раздел внутренней инструкции.

Но если нужно узнать точную стоимость заказа или изменить статус заявки, удобнее обратиться непосредственно к системе, в которой хранится информация. Здесь и пригодится REST API.

Как устроена архитектура AI-агента

В упрощённом виде взаимодействие выглядит так:

Пользователь
    |
    v
AI-агент
    |
    v
Выбор инструмента
    |
    v
Приложение / n8n
    |
    v
REST API
    |
    v
База данных
    |
    v
Результат запроса
    |
    v
AI-агент
    |
    v
Ответ пользователю

Допустим, пользователь пишет: «Покажи все новые заявки за сегодня». AI-агент определяет, что ему нужен список записей, выбирает подходящий инструмент, а приложение выполняет запрос к базе данных. В ответ приходит список заявок с датами, статусами и другими полями. Модель анализирует полученные сведения и формирует ответ на основе реальной информации.

Это принципиальное отличие от обычного диалога с AI: ответ опирается на данные из подключённой системы, а не на предположения модели.

0 ₽ — и это не демо‑доступ

Бесплатный тариф навсегда:
3 пользователя, 500 записей, 5 МБ данных таблиц, 50 МБ файлов и 1 000 API-запросов в месяц.

Зарегистрироваться →

Подготовка базы данных для AI-агента

Прежде чем подключать AI, стоит разобраться, где и как будут храниться данные. Для примера создадим небольшую систему обработки заявок с помощью Табрики — облачной платформы для работы со структурированными данными. Она позволяет создавать таблицы, связывать записи и работать с ними через REST API.

Для такого сценария не потребуется разрабатывать собственную административную панель или писать отдельные методы для хранения заявок. Если раньше вы не работали с Табрикой, рекомендуем сначала прочитать руководство по созданию CRM и базы данных без кода.

Создаём базу данных

Зарегистрируйтесь в Табрике, создайте организацию и новую базу данных под названием «Управление заявками». Внутри создадим три таблицы: «Клиенты», «Заявки» и «Задачи».

Таблица «Клиенты»

Поле Тип Пример
Имя Текст Иван Петров
Email Email ivan@example.com
Телефон Текст +7 900 000-00-00
Компания Текст Альфа

Таблица «Заявки»

Поле Тип Пример
Название Текст Разработка сайта
Клиент Связь с записью Иван Петров
Описание Длинный текст Нужен корпоративный сайт
Статус Одиночный выбор Новая
Приоритет Одиночный выбор Высокий
Дата создания Дата и время 19.11.2026 10:00

Таблица «Задачи»

Поле Тип Пример
Название Текст Связаться с клиентом
Заявка Связь с записью Разработка сайта
Статус Одиночный выбор К выполнению
Срок Дата 20.11.2026

Каждая таблица отвечает за свою сущность. Клиент хранится один раз, его заявки связываются с соответствующей записью, а задачи — с конкретными заявками. Такая структура удобна не только сотрудникам, но и автоматизациям: агенту проще находить нужную информацию, когда она организована предсказуемым образом.

Если у вас уже есть клиентская база в Excel, переносить записи вручную необязательно. В Табрике предусмотрен импорт XLSX, CSV и других форматов с автоматическим определением типов полей. Подробнее об этом рассказали в статье «Как перенести Excel в базу данных: импорт в Табрику».

Для быстрого старта также можно воспользоваться готовым шаблоном CRM, в котором уже предусмотрена структура для работы с клиентами и сделками.

Определяем возможности агента

Не стоит предоставлять AI возможность изменять любые данные без ограничений. Для начала достаточно нескольких операций: найти клиента по email, получить список новых заявок, посмотреть информацию о конкретном обращении, создать заявку и подготовить задачу для менеджера.

Последние две операции изменяют данные, поэтому для них понадобится отдельный механизм подтверждения или заранее определённые правила выполнения.

Подключение AI-агента через REST API

В Табрике для каждой таблицы доступен REST API. Через него можно получать записи, создавать новые, обновлять существующие и удалять их.

Метод Назначение
GET Получение записей
POST Создание записи
PATCH Обновление отдельных полей
DELETE Удаление записи

В нашем примере понадобятся GET и POST. Если вы только начинаете работать с программными интерфейсами, в документации Public API подробно описаны методы, параметры запросов, фильтрация и примеры ответов.

Создаём API-токен

Откройте настройки организации в Табрике и перейдите во вкладку API. Создайте токен доступа. Доступны два уровня прав: только чтение и чтение с записью. Для первых тестов достаточно первого варианта.

Токен передаётся в HTTP-заголовке:

Authorization: Bearer <ваш_токен>

Не добавляйте токен в системный промпт и не отправляйте его пользователю в ответах AI. Он должен храниться на стороне приложения или в защищённых настройках системы автоматизации.

Получаем список заявок

Предположим, что ID базы данных — 82, а ID таблицы заявок — 142. Чтобы запросить записи, используем GET:

GET https://api.tabrica.ru/public/v1/databases/82/tables/142/records
Authorization: Bearer <ваш_токен>

Сервер возвращает JSON с данными таблицы. Упрощённый пример ответа:

{
  "message": "success",
  "data": {
    "records": [
      {
        "id": 101,
        "Название": "Разработка сайта",
        "Статус": "Новая",
        "Приоритет": "Высокий"
      },
      {
        "id": 102,
        "Название": "Настройка CRM",
        "Статус": "В работе",
        "Приоритет": "Средний"
      }
    ],
    "total": 2,
    "limit": 25,
    "offset": 0
  }
}

Это демонстрационный ответ в формате response_format=names. Фактическое содержимое зависит от структуры таблицы и параметров запроса. Теперь агент может работать с реальными записями, а не абстрактными примерами.

Фильтруем данные

Допустим, агент должен найти только новые заявки. Для этого в API Табрики предусмотрен параметр where.

GET /public/v1/databases/82/tables/142/records?where=(Статус,eq,Новая)&response_format=names

Здесь Статус — название поля, eq — оператор «равно», а Новая — искомое значение. Параметр response_format=names позволяет получать поля с понятными названиями. В реальном HTTP-клиенте параметры запроса должны быть корректно закодированы в URL.

Также можно добавлять сортировку, ограничивать количество записей и выбирать только необходимые поля:

GET /public/v1/databases/82/tables/142/records?limit=25&fields=Название,Статус,Приоритет&response_format=names

Это полезно для AI-агентов, поскольку не требуется передавать модели большой объём лишней информации. При этом важно учитывать постраничную выдачу: первые 25 записей не обязательно составляют полный результат запроса.

Для удобства разработчиков в Табрике также есть визуальный конструктор REST API: он помогает составлять запросы, настраивать фильтры, выбирать поля и получать готовые примеры кода.

Создаём новую заявку

Теперь научим систему не только читать данные, но и создавать записи. Для этого используется POST. Пример тела запроса:

{
  "data": {
    "Название": "Разработка интернет-магазина",
    "Описание": "Клиенту нужен сайт с каталогом товаров",
    "Статус": "Новая",
    "Приоритет": "Средний"
  }
}

Отправляем данные на адрес таблицы:

POST /public/v1/databases/82/tables/142/records
Authorization: Bearer <ваш_токен>
Content-Type: application/json

Если запрос прошёл успешно, Табрика возвращает HTTP 201 Created и идентификатор новой записи. Его можно использовать для дальнейших операций — например, чтобы добавить задачу, связанную с заявкой.

Для POST потребуется токен с правами на запись. Перед отправкой также нужно проверить обязательные поля и допустимые значения.

Теперь у нас есть всё необходимое: база для хранения информации и API, через который внешний агент может взаимодействовать с записями.

Не уверены, подойдёт ли Табрика для вашего проекта?

Проведём бесплатную консультацию и поможем определить, подойдёт ли Табрика для вашего проекта.

Написать в Telegram →

Практический пример: AI-агент обрабатывает обращение клиента

Представим, что компания получает обращения через Telegram-бота. Клиент пишет: «Здравствуйте! Хотим заказать сайт-каталог примерно на 200 товаров. Подскажите, с чего начать».

Наша задача — автоматически обработать сообщение, проверить наличие клиента в базе и создать заявку для менеджера. Для реализации используем n8n — инструмент автоматизации, который позволяет соединять AI-модели, HTTP API и другие сервисы.

При этом писать HTTP-запросы вручную необязательно. У Табрики есть собственные Community Nodes для n8n, которые позволяют работать с записями через готовые действия и использовать Табрику как инструмент AI Agent. Об установке и возможностях интеграции мы подробно рассказали в статье «Табрика + n8n: подключаем таблицы к любым сервисам без кода».

Как выглядит процесс

Клиент пишет в Telegram
          |
          v
       n8n
          |
          v
    AI анализирует
       сообщение
          |
          v
  Определяет параметры
       заявки
          |
          v
  Поиск клиента через
    ноду Табрики
          |
          v
    Клиент найден?
       /       \
      Да       Нет
      |         |
      |    Создать клиента
      |         |
      +----+----+
           |
           v
   Создать заявку
     в Табрике
           |
           v
  Подготовить задачу
     менеджеру
           |
           v
  Подтверждение /
  разрешённая запись
           |
           v
   Ответ клиенту

Это пример внешней автоматизации, а не встроенная функция Табрики.

Этап 1. Анализируем сообщение

n8n получает входящее сообщение из Telegram и передаёт текст AI-модели. Она определяет тип обращения, извлекает название услуги, описание, бюджет и сроки, если клиент их указал.

Пример результата:

{
  "request_type": "new_lead",
  "service": "Сайт-каталог",
  "description": "Каталог примерно на 200 товаров",
  "budget": null,
  "deadline": null,
  "needs_clarification": true
}

Модель не должна придумывать недостающие сведения. Если клиент не назвал бюджет, значение остаётся пустым. Это важное правило для автоматизации: AI извлекает информацию из сообщения, а не заполняет неизвестные поля предположениями.

Этап 2. Проверяем клиента

Перед созданием новой карточки нужно проверить, существует ли клиент в базе. Для этого используем ноду Табрики с операцией Get Many, которая получает записи с нужными фильтрами.

Если у нас есть email, можно искать по нему. Если обращение пришло через Telegram, лучше заранее предусмотреть поле для Telegram ID. Поиск только по имени ненадёжен: у нескольких клиентов могут быть одинаковые имена.

Для создания или обновления клиента подойдёт операция Create or Update. Она ищет существующую запись по выбранному полю: если запись найдена, обновляет её, если нет — создаёт новую. Это позволяет избежать дублирования клиентов при повторных обращениях.

Этап 3. Создаём заявку и задачу

После проверки клиента система формирует новую запись в таблице «Заявки» через операцию Create. В ней сохраняются описание обращения, источник, статус и связь с клиентом.

AI может предложить приоритет заявки, но окончательное значение лучше определять понятными правилами. Например, если компания считает обращения с короткими сроками высокоприоритетными, это условие следует закрепить в автоматизации.

Затем аналогичным образом создаётся задача «Уточнить бюджет и сроки по сайту-каталогу», связанная с новой заявкой. Назначение сотрудника можно реализовать отдельным правилом — например, по очереди или по направлению работы.

Этап 4. Отвечаем клиенту

После успешного создания заявки клиент получает сообщение: «Спасибо! Мы получили ваше обращение по сайту-каталогу. Чтобы подготовить предложение, уточните, пожалуйста, желаемые сроки и примерный бюджет».

Если запись не была создана из-за ошибки, система не должна утверждать обратное. В таком случае обращение лучше передать сотруднику через резервный канал.

В результате вместо простого чат-бота, который только отвечает на сообщения, мы получаем систему, способную анализировать обращения, проверять клиентов, создавать заявки, формировать задачи и передавать результаты менеджерам. При этом сотрудники продолжают работать с данными через привычный табличный интерфейс Табрики.

Как подключить Табрику к AI Agent в n8n

Для реализации описанного сценария можно использовать готовый пакет n8n-nodes-tabrica. Он содержит ноду для работы с данными и триггер для запуска сценариев при появлении новых записей.

Устанавливаем ноды Табрики

В самостоятельно размещённой версии n8n откройте Settings → Community Nodes → Install и укажите название пакета:

n8n-nodes-tabrica

После установки создайте учётные данные для подключения к Табрике. В поле Base URL укажите https://api.tabrica.ru, а в API Token вставьте токен из настроек организации.

В облачной версии n8n возможность установки Community Nodes зависит от верификации пакета и ограничений платформы.

Какие операции доступны

Операция Назначение
Get Many Получение записей с фильтрами и сортировкой
Get Получение записи по ID
Create Создание записи
Update Изменение существующей записи
Create or Update Поиск и создание или обновление записи
Delete Удаление записи
Count Подсчёт записей, в том числе по фильтру

Для нашего примера достаточно операций Get Many, Create и Create or Update. Если агенту нужно подсчитать количество заявок, удобнее использовать Count, а не загружать весь список записей и считать их с помощью языковой модели.

Подключаем ноду к AI-агенту

Нода Табрики поддерживает использование в качестве инструмента AI Agent в n8n. Это означает, что агент может самостоятельно выбирать подходящую операцию в рамках доступных ему инструментов.

Например, пользователь пишет: «Найди клиента по email и покажи его активные заявки». Агент выбирает инструмент поиска, получает необходимые записи и формирует ответ. Для создания заявки можно предоставить отдельный инструмент с соответствующей операцией.

Однако для строго последовательной обработки обращений зачастую удобнее обычный сценарий автоматизации: модель извлекает данные, а n8n выполняет заранее определённые действия. Это делает поведение системы более предсказуемым.

Подробная инструкция по установке, настройке и примеры автоматизаций: «Интеграция Табрики с n8n: Community Nodes».

Безопасность: какие данные можно доверить AI-агенту

Подключение AI к рабочей базе данных требует контроля доступа, особенно если система обрабатывает персональные данные клиентов, финансовую информацию или внутренние документы компании.

Разделяйте права на чтение и запись

Если агенту нужно только отвечать на вопросы о заказах, ему достаточно токена с правами на чтение. Нет необходимости предоставлять доступ на изменение записей.

Для процессов, которые создают заявки или задачи, используйте отдельный токен с правами на запись. Если нужна более тонкая модель разрешений — например, чтобы агент мог создавать заявки, но не удалять их, — ограничения следует реализовать в промежуточном приложении или сценарии автоматизации.

Подробнее о возможностях управления доступом можно узнать в документации Табрики.

Передавайте только необходимые данные

Допустим, агенту нужно узнать статус заказа. Для ответа достаточно номера заказа, статуса и даты обновления. Передавать модели полный профиль клиента с телефоном, адресом и внутренними заметками необязательно.

Используйте фильтрацию и выбор полей на уровне API. Это уменьшает объём обрабатываемых данных и снижает риск случайного раскрытия информации.

При использовании внешнего AI-провайдера также необходимо оценить, допускается ли передача ему соответствующих сведений с учётом требований к персональным данным.

Подтверждайте важные действия

Не каждое действие AI должно выполняться автоматически. Чтение заявок и поиск клиентов обычно можно разрешить без дополнительного подтверждения. Создание черновиков и задач — выполнять по заранее установленным правилам. А удаление записей, изменение финансовой информации и массовое обновление данных лучше подтверждать вручную.

Также важно проверять аргументы инструментов: модель может ошибиться с идентификатором записи или выбрать неправильное действие.

Обрабатывайте ошибки API

В реальной работе запросы не всегда завершаются успешно. Например, код 401 означает проблему с авторизацией, 403 — недостаточно прав, 404 — ресурс не найден, 429 — превышен лимит запросов, а 500 указывает на внутреннюю ошибку сервера.

В автоматизации необходимо обрабатывать подобные ситуации, предусмотреть повторные попытки там, где они безопасны, и исключить случайное создание дубликатов. Особенно это важно для POST-запросов: если ответ потерялся, нельзя бесконечно повторять создание записи без проверки результата.

Для диагностики в Табрике доступны история API-запросов и журнал аудита действий. Подробнее об их назначении и возможностях можно узнать в разделе обновлений Табрики.

Когда нужен RAG, а когда достаточно REST API

Распространённая ошибка при проектировании AI-систем — использовать одну технологию для всех типов данных. Например, помещать весь список клиентов в векторную базу и пытаться искать точные номера заказов через семантический поиск.

Векторный поиск полезен, когда нужно найти информацию по смыслу, но он не гарантирует полноту выборки и точное совпадение с конкретной записью. Поэтому выбор зависит от задачи.

Задача Подход
Найти инструкцию по возврату RAG
Узнать статус конкретной заявки REST API
Подсчитать количество новых заказов REST API
Ответить на вопрос по внутренним документам RAG
Создать задачу менеджеру REST API
Найти похожие обращения клиентов по смыслу Семантический поиск / RAG
Подготовить ответ с учётом истории клиента и правил компании REST API + RAG

Нередко оптимальная система использует оба подхода. Например, клиент спрашивает: «Можно ли отменить заказ № 153, если он уже передан в доставку?».

Агенту нужны два источника: API для получения актуального статуса заказа и база знаний для поиска правил отмены. На основе этих данных AI сможет сформировать ответ, учитывающий конкретную ситуацию и правила компании.

Доступ к базе не заменяет RAG, а RAG не заменяет точные операции с данными. Это разные инструменты, которые дополняют друг друга.

Сколько вы переплачиваете Airtable за «лишние строки»?

Посчитали за вас: команда из 5 человек с 200к записей экономит вместе с Табрикой до 48 000 ₽ в год.

Зарегистрироваться →

Частые вопросы

Можно ли подключить ChatGPT к базе данных?

Да. Для этого обычно используют API языковой модели и промежуточное приложение, которое предоставляет модели инструменты для обращения к базе данных. Модель выбирает действие, приложение выполняет запрос и передаёт результат обратно. Реализовать подключение можно с помощью Python, JavaScript, n8n или других инструментов.

Обязательно ли использовать векторную базу данных?

Нет. Если агент работает с клиентами, заказами, статусами и другими структурированными записями, обычная база данных с REST API часто подходит лучше. Векторный поиск имеет смысл добавлять для поиска по смыслу среди документов и текстовых материалов.

Может ли AI самостоятельно изменять данные?

Да, если подключённый инструмент поддерживает нужную операцию и приложение разрешает её выполнение. Однако предоставлять модели полный доступ к базе без проверок не рекомендуется. Лучше ограничить набор доступных действий и предусмотреть подтверждение для чувствительных операций.

Нужно ли писать код для интеграции Табрики с n8n?

Нет. Можно установить готовые Community Nodes Табрики и использовать их в сценариях автоматизации. Ноды поддерживают получение, создание, изменение, удаление и подсчёт записей, а также работу в качестве инструмента AI Agent.

Нужен ли собственный сервер для подключения AI-агента?

Не всегда. Можно использовать облачную базу данных и инструмент автоматизации, например n8n. Если требуются сложная бизнес-логика, собственная авторизация или дополнительные проверки безопасности, может понадобиться отдельное серверное приложение.

Подходит ли Табрика для хранения данных AI-агента?

Табрика подходит для структурированных данных: клиентов, заявок, задач, результатов обработки, статусов и другой информации, представимой в таблицах. Доступ осуществляется через REST API, а сотрудники могут работать с теми же записями в интерфейсе платформы. Для специализированного векторного поиска или хранения больших документов могут потребоваться дополнительные инструменты.

С чего начать

Для первого AI-агента не нужно проектировать сложную архитектуру с десятками инструментов. Достаточно выбрать один процесс, в котором доступ к актуальным данным действительно важен. Например, обработку клиентских заявок.

Создайте таблицы, определите разрешённые действия и настройте подключение через REST API или готовые ноды Табрики для n8n. После этого подключите языковую модель, которая будет решать, какие данные нужны для ответа или выполнения задачи. Проверяйте каждый этап отдельно: сначала чтение, затем фильтрацию, создание записей и обработку ошибок.

Главная идея проста: языковая модель отвечает за понимание запроса и работу с информацией, а база данных остаётся источником актуальных записей. Так AI перестаёт быть просто собеседником и становится частью рабочего процесса.

В Табрике можно создать базу с таблицами, настроить поля и получить REST API для интеграции с AI-агентом, ботом или системой автоматизации. Начать можно бесплатно — с одной базы и одного небольшого сценария.

Создать базу данных в Табрике

Продолжить чтение

Похожие статьи