用自然语言查询Google Sheets：n8n模板实战

中小型团队几乎都有一张关键 spreadsheet：客户名单、项目进度或订单表。所有答案都在里面，但要把答案取出来，却往往需要打开表格、筛选、排序，甚至做透视表。n8n 模板库中有一个热门工作流，把聊天框放在 Google Sheets 前面，让团队成员用大白话直接提问。

n8n Talk to Your Google Sheets

问题：答案就在表里，但取出来要花15分钟

想象周一早会，合伙人问：“哪些客户有风险？”“谁在11月续约？”总得有人打开表格、筛选、排序，可能还要建透视表，再把结果贴到聊天里。客户经理每周要重复十几次。提问的人往往最不熟悉筛选菜单，于是要么等别人回复，要么凭记忆做决定。

真正的成本不是表格本身，而是围绕它的打断。每个“快速问题”都会把一个人从工作中拉出来，而且等答案到达时已经过时了。

变化：像问同事一样问表格

n8n 模板库第 7639 号模板在 Google Sheet 前面放了一个聊天框。你用平实英语输入问题，AI agent 读取行数据，几秒内给出答案。在用于教学的客户名单中，以下问题效果良好：

“哪些客户处于 At Risk？”返回 Northwind Insurance 和 Riverbend Accounting。
“哪些客户在11月续约？”返回 Atlas Logistics Co 和 Northwind Insurance。
追问“这两个中哪个有风险？”也能工作，因为模板包含记忆节点，能记住对话。

无需筛选、无需公式、无需等同事。合伙人提问，表格回答。

n8n 模板 7639 中的 AI agent 是一个工具调用型 agent。 所谓工具调用（Tool Calling），是指大语言模型在生成回答时，可以主动决定调用某个外部函数或数据源，并把返回结果纳入自己的推理。在这个工作流里，Google Sheets 的 Get Row(s) 操作被注册为一个名为 Analyze Data 的工具，agent 看到用户问“哪些客户处于 At Risk”时，会先判断需要读取表格，再发起一次 Get Row(s) 调用，拿到行数据后再组织自然语言答案。

这一点很关键：模型本身并不“知道”表格内容，它只是在需要时去查。因此 agent 的能力边界由你给它挂了多少工具决定。模板只挂了只读的 Get Row(s)，所以它只能查、不能改。如果把 Append、Update 等写操作也挂成工具，agent 同样会调用，风险随之上升。

它是如何搭建的（五个节点）

该模板共有五个工作节点：

Chat with Your Data — 聊天触发器，接收你的消息。
Talk to Your Data — AI agent，决定如何处理问题。
OpenAI Chat Model — agent 思考所用的大脑。
Memory — 保存对话，让追问有意义。
Analyze Data — 设为 Get Row(s) 的 Google Sheets 工具，agent 借此读取表格。

注意 Analyze Data 只读。该模板中的 agent 无法修改你的表格，这正是首次在真实客户数据上部署时想要的效果。

Memory 节点在 n8n 中用于在多次对话轮次之间保存上下文。没有它，每一轮提问都是孤立的，agent 无法理解“这两个中哪个有风险？”里的“这两个”指什么。Memory 通常按会话 ID（session ID）分区存储，聊天触发器会为每个对话分配一个标识，因此不同用户的追问不会互相串台。

需要留意的是，Memory 只保存对话历史，不保存表格数据。每次提问时，agent 仍然要重新调用 Get Row(s) 去读表，所以表格里的最新数据总能被看到，但上下文窗口会被历史消息占用。如果对话很长，可以配置只保留最近若干轮，避免提示词膨胀导致成本和延迟上升。

设置阶段：两个连接

模板无法携带任何人的密钥，因此打开时凭据为空。两步即可完成。

连接 OpenAI。 打开 OpenAI Chat Model 节点，选择你的 OpenAI 凭据。如果没有，在 OpenAI API Keys 页面创建密钥，在 Billing 下充值，把密钥粘贴到 n8n 的新凭据中。模板使用 gpt-4.1-nano，最便宜的模型，练习成本几乎可以忽略。如果模型列表加载不出来，把 “From list” 小框切到 “By ID”，手动输入模型名。

连接你的表格。 打开 Analyze Data，选择拥有该 spreadsheet 的 Google 账户的 Google Sheets 凭据，然后选 Document 和 Sheet tab。两个容易踩的坑：用不同 Google 账户的凭据不会列出你的 spreadsheet；表需要第 1 行是列名，数据从第 2 行开始。点击 Execute step。如果输出面板显示每行一条记录且带有列名，agent 也能读取。

gpt-4.1-nano 是 OpenAI 面向高吞吐、低延迟场景的小型模型，定位类似早期的 gpt-3.5-turbo 或 gpt-4o-mini：单价低、速度快，适合做工具调用和结构化抽取这类“不需要深度推理”的任务。用它跑本文这种读表问答，单次成本通常不到一分钱，练习阶段几乎可以忽略。

代价是复杂推理和长上下文表现弱于大模型，所以当问题涉及多步计算或跨表关联时，换用更强的模型往往比重写提示词更有效。n8n 的 OpenAI Chat Model 节点支持在“From list”和“By ID”之间切换：列表模式从 OpenAI 拉取可用模型名，网络或账户权限异常时可能为空，此时切到“By ID”手动填写模型标识即可绕过。

必须知道的坑：核对总数

这是我很庆幸实际测试而不是想当然的部分。我让 agent 计算某位客户经理 Active 客户的总月费。它列出了正确的三行：2,500、1,800 和 1,900。然后说总数是 5,200。真实总数是 6,200。

语言模型擅长找到正确的行，在算术上则不太可靠。模型每次运行也可能不同，所以我的答案错了，你的答案可能对，反之亦然。对业务来说规则很简单：用 agent 查找和列出，在向客户重复总数或写入报告之前，自己（或用表格公式）加总。如果让 agent 展示它的行，核对只需十秒。

计数和列表类问题（“谁”“哪些”“何时”）是甜蜜点。金额总数值得人工核对。

语言模型在算术上不可靠，根源在于它处理的是 token 而不是数字。 模型看到的“2500”会被切分成若干 token，它并不是在做十进制加法，而是根据训练中见过的模式预测下一个 token。因此模型能准确地把金额从表格里“抄”出来，却在求和、平均、百分比这类运算上容易出错，而且同一个问题换一次运行结果就可能不同。

缓解办法有三类：一是让 agent 把用到的行先列出来，人工十秒核对；二是把求和交给表格公式或专门的 Calculator 工具，让模型只负责选行、不负责算数；三是在提示词里明确要求“涉及金额总数时必须列出计算过程”。但最稳妥的仍然是把 AI 当作查找和列出的助手，最终数字由人或确定性程序确认。

成本与预期

设置时间： 有密钥后约 8 分钟。
运行成本： nano 模型非常便宜，典型问题成本极低。
风险： 低，因为 agent 只读。不要与不该看到完整名单的人分享聊天，因为 agent 能读取指向的每一行。

要让其他人使用，需要发布工作流。那是单独的步骤，值得在发布前决定谁有访问权限。

在哪里练习

上述工作流共有 22 个步骤，分三部分：连接 OpenAI、连接表格、向数据提问。作者将其转化为免费互动课程，在 n8n 编辑器的练习副本中运行，使用虚构数据，因此不会触及真实账户，也不会产生费用。

完整课程见：n8n: Talk to Your Google Sheets with ChatGPT。

如果你已有客户列表、任务列表或订单表，这是让它变成全团队可查询的最快方式之一。从你被问得最多的那张表开始。