做过企业自动化的人应该都有体会:业务系统越老,越难接进新平台。我在帮一个客户把 n8n 和他们的核心业务系统打通时,就遇到了 FileMaker。这个数据库在上面跑着十几年的客户资料、报价记录、财务对账,但 n8n 的节点列表里根本没有 FileMaker 官方节点。我一开始也以为要自己从零写一个符合 n8n 规范的自定义节点,结果研究了一天后发现,根本不用那么复杂——FileMaker 自带一套完整的 Data API,n8n 的 HTTP Request 节点就能把它吃进来,再配合 AI Agent 节点,就能让大模型直接查询和操作 FileMaker 里的数据。这篇文章就把整个接入思路、代码封装、以及我在实际项目里踩过的坑完整记录下来,给同样需要把 n8n 智能体和 FileMaker 这类垂直数据库打通的朋友一个可参考的路线。
1. 为什么我在 n8n 里接 FileMaker:没有官方节点反而是一条更稳的路
很多人第一反应是:n8n 没有 FileMaker 节点,是不是就不能用了?其实这正是我一开始的误区。n8n 的节点生态的确很丰富,但没有任何一个平台的官方集成能覆盖所有私有化软件。 真正务实的做法是看目标系统有没有暴露 API,而不是看 n8n 有没有现成节点。
FileMaker 在这一点上做得相当好。从 FileMaker 16 开始,FileMaker Server 就内置了 Data API,只需要在服务器管理后台启用,就能通过 HTTP 调用数据库的增删改查,甚至执行 FileMaker 脚本。这意味着:
- 不需要在 FileMaker 服务器上安装额外插件;
- 不需要开放的 ODBC/JDBC 端口;
- 只需要一个能访问 FileMaker Server 的 HTTP 地址和一组账号密码。
对比一下其他方案:ODBC/JDBC 在公网环境下暴露 2399 端口本身就是安全隐患,而且 n8n 对 JDBC 的支持很弱,几乎只能靠 Code 节点硬写;而 Data API 走的是标准的 443 HTTPS 端口,认证方式也很简单,非常适合 n8n 这种以 HTTP 为中心的自动化平台。
我在项目中遇到的实际场景是这样的:客户销售团队用 FileMaker 管理客户和订单,管理层希望在钉钉群里直接问"上海地区的未回款订单有多少",或者"张伟名下有多少个活跃客户"。这些数据都在 FileMaker 里,没有现成的报表接口,更不可能让 AI 直接连数据库。于是我决定在 n8n 里构建一个智能体工作流:AI Agent 收到问题后,把意图解析成"查询客户"或"查询订单"的动作,再通过这些动作去调用 FileMaker Data API,最后把结果用自然语言返回给用户。
这个方案里,FileMaker 并不需要以"官方节点"的形式存在,它只需要成为一个大模型可以调用的工具。 而 n8n 的 Workflow Tool 和 Code Tool 恰恰就是干这个的。所以整篇文章的落点,不是教你怎么写一个标准化的 n8n 自定义节点,而是教你怎么通过 API 封装 + 工具描述,让 FileMaker 在你的 n8n 智能体里变得像本地节点一样好用。
如果你只是想跑通一个最简单的查询,看完第 3 节就够了;如果目标是让 AI Agent 自己决定什么时候查 FileMaker、怎么查,那你需要重点看第 4 节。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. FileMaker Data API 的 15 分钟 Token 和三类核心调用
要把 FileMaker 接进 n8n,先得吃透它 Data API 的调用方式。我最初上手时以为它和普通的 REST API 一样,用 API Key 或者 OAuth 认证,结果发现完全不是——它采用的是"先获取临时会话 Token,再带 Token 访问资源"的模式。
2.1 会话认证:Token 的获取与过期机制
获取 Token 的端点是:
code复制POST /fmi/data/vLatest/databases/{数据库名}/sessions
请求体是 JSON:
json复制{
"userName": "n8n_service",
"password": "your_password"
}
请求成功后,响应体大致长这样:
json复制{
"response": {
"token": "a1b2c3d4e5f6..."
},
"messages": [
{
"code": "0",
"message": "OK"
}
]
}
拿到这个 token 之后,后续所有请求都在 HTTP 头里带上:
code复制Authorization: Bearer a1b2c3d4e5f6...
这里有个特别容易踩坑的细节:Token 默认有效期只有 15 分钟。 如果你在 15 分钟内没有再次调用该 Token,它就失效了。但 FileMaker Server 允许在配置里调整这个时间,最长可以设到 60 分钟。即便如此,对于一个 AI Agent 来说,多轮对话可能持续超过 15 分钟,那你不能简单地"获取一次 Token 然后复用到底",而需要在每次请求前都检查 Token 是否过期,或者干脆每次请求都重新获取。
我一开始偷懒,把这个 Token 存在 n8n 的静态变量里,结果智能体运行了不到十几分钟就开始报 401。后来我改用了一种更稳妥的方式:写一个统一的请求函数,每次执行时都先尝试用现有 Token 请求,如果收到 401 或 FileMaker 返回 952 错误码,就重新登录获取新 Token,再重试一次请求。这个思路在后文封装工具时会具体展开。
2.2 读取布局数据:查询的骨架
FileMaker 的数据是存在"布局"(Layout)里的,Data API 不能直接查底层表,只能查询布局。这在刚开始可能让人不习惯,但好处是:你可以为 API 调用专门设计一个布局,只暴露需要的字段,天然做了数据隔离。
读取记录的端点:
code复制GET /fmi/data/vLatest/databases/{数据库名}/layouts/{布局名}/records?_limit=50&_offset=0
返回格式:
json复制{
"response": {
"data": [
{
"fieldData": {
"客户名称": "上海华诚贸易
