1. When chat message received

• Typ: Chat Trigger
• Funktion: Dieser Node fungiert als Auslöser, wenn eine Chat-Nachricht empfangen wird.
• Einstellungen: Es ist keine besondere Konfiguration erforderlich, aber der Node ist auf einen Webhook eingestellt, um Nachrichten zu empfangen.

2. AI Agent

• Typ: KI-Agent
• Funktion: Dieser Node interpretiert die Benutzeranfrage und führt die entsprechenden SQL-Abfragen aus.
• Einstellungen:
  • Agent: openAiFunctionsAgent – definiert den Agenten, der SQL-Anfragen bearbeitet.
  • Systemnachricht: Legt den Kontext für die Interaktion mit der DB fest, um Anfragen korrekt zu verarbeiten.

3. OpenAI Chat Model

• Typ: OpenAI Chat Model
• Funktion: Verwendet ein KI-Modell, um auf Benutzeranfragen zu antworten.
• Einstellungen:
  • Modell: gpt-4o-mini – die ausgewählte KI-Engine für die Verarbeitung der Anfragen.

4. Get Table Definition

• Typ: PostgreSQL Tool
• Funktion: Ermöglicht es, die Struktur einer bestimmten Tabelle in der Datenbank abzurufen.
• Einstellungen:
  • Abfrage: Eine SQL-Abfrage, die Informationen über die Spalten und Datentypen einer Tabelle abruft, basierend auf den vom Benutzer bereitgestellten Werten.

5. Execute SQL Query

• Typ: PostgreSQL Tool
• Funktion: Führt die vom AI-Agenten generierte SQL-Abfrage aus.
• Einstellungen:
  • Abfrage: Die SQL-Abfrage wird anhand von Benutzereingaben erstellt.

6. Get DB Schema and Tables List

• Typ: PostgreSQL Tool
• Funktion: Holt sich alle Tabellen und deren Schemas aus der Datenbank.
• Einstellungen:
  • Abfrage: Eine SQL-Anweisung, die alle Basistabellen der Datenbank abruft, die nicht in den Systemkatalogen sind.

7. Chat History

• Typ: Speicherpuffer für KI
• Funktion: Speichert den Verlauf der Chatnachrichten für zukünftige Kontexte.
• Einstellungen: Keine spezifischen Einstellungen erforderlich.

8. Sticky Notes

• Typ: Sticky Note
• Funktion: Bietet Anweisungen und Informationen zu den ersten Schritten für den Benutzer.
• Einstellungen: Bemalung und Abmessungen variieren, um unterschiedliche Hinweise zu geben.

Ergebnis

Mit diesem Workflow können Benutzer über ein Chat-Interface effizient mit einer PostgreSQL-Datenbank interagieren. Sie können Abfragen stellen und Antworten in Echtzeit erhalten, dank der Integration fortschrittlicher KI-Technologien und direkter Datenbankabfragen.

Für den Download des Workflows klicken Sie hier: Download Link

In diesem Workflow verwenden wir n8n und die OpenAI API, um SQL-Abfragen basierend auf einem gegebenen Schema zu generieren. Jeder Knoten hat eine spezifische Rolle, um die Abfragegeneration zu erleichtern und die Datenverarbeitung zu optimieren.

Node-Erklärung

1. OpenAI Chat Model

• Typ: @n8n/n8n-nodes-langchain.lmChatOpenAi
• Zweck: Verwendet das GPT-4 Modell von OpenAI zur Generierung von Abfrageantworten basierend auf dem Schema.
• Parameter: Temperatur eingestellt auf 0.2, was die Diversität der generierten Antworten steuert. Eine niedrigere Temperatur führt zu konsistenteren Antworten.
• Credentials: Erfordert eine OpenAI API-Verbindung.

2. Window Buffer Memory

• Typ: @n8n/n8n-nodes-langchain.memoryBufferWindow
• Zweck: Speichert den Kontext von Konversationen oder Abfragen für einen besseren Verlauf.
• Parameter: Kontextfensterlänge von 10, was die Anzahl der gespeicherten Konversationen angibt.

3. No Operation, do nothing

• Typ: n8n-nodes-base.noOp
• Zweck: Ein Knoten, der keine Operationen ausführt, oft als Platzhalter.

4. List all tables in a database

• Typ: n8n-nodes-base.mySql
• Zweck: Listet alle Tabellen in der Datenbank auf.
• Parameter: Führt die Abfrage „SHOW TABLES;“ aus. Dies ist wichtig, um alle verfügbaren Tabellen zu identifizieren.
• Credentials: Benötigt eine Verbindung zu einer MySQL-Datenbank.

5. Extract database schema

• Typ: n8n-nodes-base.mySql
• Zweck: Extrahiert das Schema der angegebenen Tabelle.
• Parameter: „DESCRIBE {{ $json.Tables_in_tttytdb2023 }};“. Diese Abfrage benötigt den Tabellennamen, den wir vorher erfasst haben.

6. Add table name to output

• Typ: n8n-nodes-base.set
• Zweck: Fügt den Tabellennamen zur Ausgabe hinzu, um später darauf zugreifen zu können.
• Parameter: Zuweisung des aktuellen Tabellennamens in einer neuen Variablen.

7. Convert data to binary

• Typ: n8n-nodes-base.convertToFile
• Zweck: Konvertiert die gesammelten Schema-Daten in ein binäres JSON-Format.
• Parameter: Die Operation ist „toJson“.

8. Save file locally

• Typ: n8n-nodes-base.readWriteFile
• Zweck: Speichert die konvertierten JSON-Daten lokal in einer Datei.
• Parameter: Definiert den Dateinamen „./chinook_mysql.json“.

9. Extract data from file

• Typ: n8n-nodes-base.extractFromFile
• Zweck: Extrahiert die JSON-Daten aus der lokal gespeicherten Datei.
• Parameter: Die Operation ist „fromJson“.

10. Chat Trigger

• Typ: @n8n/n8n-nodes-langchain.chatTrigger
• Zweck: Startet den Workflow, wenn eine Nachricht vom Nutzer empfangen wird.
• Parameter: Enthält Optionen für den Chat.

11. AI Agent

• Typ: @n8n/n8n-nodes-langchain.agent
• Zweck: Nimmt die Eingabe des Benutzers und erstellt eine SQL-Abfrage, wenn nötig.
• Parameter: Verwendet das Datenbankschema zur SQL-Generierung und weist auf die Eingabe des Benutzers hin.

12. Combine schema data and chat input

• Typ: n8n-nodes-base.set
• Zweck: Kombiniert das Datenbankschema mit der Benutzereingabe für die Abfragegenerierung.

13. Load the schema from the local file

• Typ: n8n-nodes-base.readWriteFile
• Zweck: Lädt das Schema aus der vorher gespeicherten Datei.

14. Extract SQL query

• Typ: n8n-nodes-base.set
• Zweck: Extrahiert die SQL-Abfrage aus der Antwort des KI-Agenten.
• Parameter: Verwendet einen regulären Ausdruck, um die Abfrage zu filtern.

15. Check if query exists

• Typ: n8n-nodes-base.if
• Zweck: Überprüft, ob die generierte SQL-Abfrage nicht leer ist.

16. Run SQL query

• Typ: n8n-nodes-base.mySql
• Zweck: Führt die SQL-Abfrage in der Datenbank aus.
• Credentials: Erforderlich ist eine Verbindung zur MySQL-Datenbank.

17. Format query results

• Typ: n8n-nodes-base.set
• Zweck: Formatiert die Abfrageergebnisse für die Ausgabe in einem lesbaren Format.

18. Prepare final output

• Typ: n8n-nodes-base.set
• Zweck: Erstellt die endgültige Ausgabe für den Chat, einschließlich Ergebnis und Antwort des Agenten.

Ergebnis

Dieser Workflow ermöglicht es, SQL-Abfragen basierend auf einem Datenbankschema zu generieren, diese auszuführen und die Ergebnisse dem Benutzer in einer Chat-Sitzung anzuzeigen. Durch den Einsatz von n8n und OpenAI wird der Prozess automatisiert und vereinfacht erheblich.

Für den Download des Workflows klicken Sie bitte hier: Download Link

In diesem Workflow wird ein KI-Agent erstellt, der mit Hilfe von OpenAI und MongoDB funktioniert. Benutzer können Chatnachrichten senden, auf die die KI mit Filmempfehlungen reagiert. Der Workflow ist in mehrere Schritte unterteilt, die wir hier im Detail untersuchen werden.

Node 1: OpenAI Chat Model

Typ: @n8n/n8n-nodes-langchain.lmChatOpenAi

Funktion: Dieser Node verwendet das OpenAI-Modell, um die Chatnachrichten zu verarbeiten. Er agiert als Schnittstelle zwischen dem Benutzer und der KI.
Einstellungen: Die Parameter wurden offen gelassen, um eine flexible Interaktion mit dem Modell zu ermöglichen.
Warum: Offene Parameter ermöglichen es dem Workflow, sich an verschiedene Arten von Chat-Anfragen anzupassen.

Node 2: MongoDBAggregate

Typ: n8n-nodes-base.mongoDbTool

Funktion: Dieser Node führt eine Aggregation in der MongoDB-Datenbank durch, um Filme mit einer Bewertung von 5 zu finden.
Einstellungen: Der Query-Parameter ist so konfiguriert, dass er auf die vom OpenAI-Modell generierte Aggregationspipeline zugreift.
Warum: Dadurch wird sichergestellt, dass die Datenbankabfrage dynamisch angepasst wird, um den Benutzeranforderungen gerecht zu werden.

Node 3: Window Buffer Memory

Typ: @n8n/n8n-nodes-langchain.memoryBufferWindow

Funktion: Hier wird ein Puffer für den Kontext der letzten 10 Bildschirminhalte eingerichtet. Dies hilft der KI, bei der Bearbeitung fortlaufender Konversationen relevant zu bleiben.
Einstellungen: Der Kontextfensterlängen-Parameter ist auf 10 festgelegt.
Warum: Ein kurzer Puffer hilft der KI, die vorherigen Interaktionen nachzuvollziehen, was zu relevanteren Antworten führt.

Node 4: When chat message received

Typ: @n8n/n8n-nodes-langchain.chatTrigger

Funktion: Dieser Node wird aktiviert, wenn eine Chatnachricht vom Benutzer empfangen wird. Er fungiert als Auslöser für den Workflow.
Einstellungen: Der Node ist so konfiguriert, dass er als Webhook funktioniert und öffentliche Nachrichten annimmt.
Warum: Indem der Node als Webhook arbeitet, kann er in Echtzeit auf Benutzeranfragen reagieren.

Node 5: insertFavorite

Typ: @n8n/n8n-nodes-langchain.toolWorkflow

Funktion: Dieser Node ermöglicht es, einen Film als Favoriten in der MongoDB-Datenbank zu speichern, nachdem der Benutzer dies bestätigt hat.
Einstellungen: Der Workflow ID-Parameter verweist auf einen anderen Workflow, der verknüpft ist und das Speichern der Favoriten regelt.
Warum: Die Trennung von Einfügen und Aggregation ermöglicht ein besser organisiertes Workflow-Management.

Node 6: AI Agent – Movie Recommendation

Typ: @n8n/n8n-nodes-langchain.agent

Funktion: Dieser Node verwaltet die Interaktion zwischen dem Benutzer und den anderen Nodes, indem er die Chatnachricht analysiert und gegebene Werkzeuge anwendet,
Einstellungen: Die Parameter umfassen die Eingabeaufforderung für den Assistenten und definieren die Funktionen, die er ausführen kann.
Warum: Dies zentralisiert die Logik und macht den Workflow effizienter.

Node 7: Sticky Note

Typ: n8n-nodes-base.stickyNote

Funktion: Dieser Node dient dazu, im Workflow Informationen zusammenzufassen und zu visualisieren. Inhalt zur KI-Agent-Funktionalität wird hier bereitgestellt.
Einstellungen: Inhalt ist statisch und beschreibt die Funktion des gesamten Workflows.
Warum: Hilft dabei, die Struktur des Workflows auf einen Blick zu erklären.

Node 8: Sticky Note1

Typ: n8n-nodes-base.stickyNote

Funktion: Ähnlich wie der vorherige, bietet dieser Node einen Überblick über den Prozessablauf im Workflow.
Einstellungen: Inhalt beschreibt, dass Nachrichten von dem Chat-Modell verarbeitet werden.
Warum: Fördert das Verständnis für den Ablauf und die Logik des Workflows.

Ergebnis

Der MongoDB Agent-Workflow ermöglicht es Benutzern, Filmempfehlungen anzufordern und ihre Lieblingsfilme zu speichern, indem er moderne KI-Technologien nutzt. Die Integration von OpenAI und MongoDB ermöglicht eine dynamische und interaktive Erfahrung für die Benutzer. Durch die flexiblen Einstellungen und Parameter kann der Workflow an die spezifischen Bedürfnisse der Anwendung angepasst werden.

Download Link: Hier herunterladen

Dieser Workflow ermöglicht die automatisierte Transkription von Meetings, indem er eine Kombination aus n8n, OpenAI und einer Datenbank verwendet. Dies verbessert die Produktivität und Klarheit in der Kommunikation.

Node Erläuterungen

1. OpenAI1

• Typ: OpenAI (Langchain)
• Funktion: Dieser Node wird verwendet, um mit der OpenAI API zu kommunizieren und aus den transkribierten Daten ein Dialog zu generieren.
• Einstellungen:
  • text: Verarbeitet transkribierte Dialogteile basierend auf der Aktualisierungsdaten und sortiert sie.
  • memory: Speichert Threads zur späteren Verwendung.
  • threadId: Holt die Thread-ID aus dem vorherigen Workflow-Schritt.

2. Insert Transcription Part

• Typ: Postgres
• Funktion: Aktualisiert die Datenbank mit neuen Transkriptionen.
• Einstellungen: führt eine SQL-Abfrage aus, die die bestehende Transkriptionsdaten mit neuen Dialogen aktualisiert und das Datum der letzten Aktualisierung speichert.

3. Create Note

• Typ: Postgres
• Funktion: Erstellt einen Notizdatensatz in der Datenbank.
• Einstellungen: SQL-Abfrage zur Aktualisierung oder Erstellung einer neuen Notiz mit dem Inhalt.

4. Create Recall bot

• Typ: HTTP Request
• Funktion: Erstellt einen neuen Recall-Bot über eine API-Anfrage.
• Einstellungen: POST-Anfrage an die Recall API mit Meeting-URL und Transkriptionsoptionen.

5. Create OpenAI thread

• Typ: HTTP Request
• Funktion: Erstellt einen Thread in OpenAI.
• Einstellungen: POST-Anfrage mit Authentifizierung und Header-Parametern für OpenAI API.

6. Create data record

• Typ: Supabase
• Funktion: Erstellt einen Datensatz mit den IDs des OpenAI-Threds und Recall-Bots.
• Einstellungen: Definiert die Felder, die in der Supabase-Datenbank gespeichert werden:
• openai_thread_id
• recall_bot_id
• meeting_url

7. Scenario 1 Start – Edit Fields

• Typ: Set
• Funktion: Bearbeitet die Eingabewerte, um die Meeting-URL festzulegen.
• Einstellungen: Setzt die Meeting-URL für nachfolgende Nodes.

8. Scenario 2 Start – Webhook

• Typ: Webhook
• Funktion: Empfängt Webhook-Anfragen mit Transkriptionsdaten.
• Einstellungen: POST-Methode, um Transkriptionsdaten zu empfangen.

9. If Jimmy word

• Typ: If
• Funktion: Prüft, ob das Wort „Jimmy“ im Transkript aufgetaucht ist.
• Einstellungen: Bedingungen für die Überprüfung des Inhalts der Transkription.

Ergebnis

Durch die Verwendung dieser Workflow wird eine umfassende Lösung zur Automatisierung der Transkription von Meetings geschaffen. Die Ergebnisse sind präzise und ermöglichen eine strukturierte Datenverwaltung für spätere Analysen.

Der Download-Link für den Workflow ist hier: Download Workflow

In diesem Workflow kombinieren wir mehrere Nodes, um die Gewinnberichte von Google zu analysieren. Hier ist eine Schritt-für-Schritt-Erklärung der einzelnen Nodes:

1. Pinecone Vector Store

Typ: Pinecone Vector Store

Zweck: Dieser Node wird verwendet, um Daten in einem Pinecone-Vektor-Store zu speichern. Hier speichern wir die Dokumente, die die Gewinnberichte enthalten.

Einstellungen:

• Mode: insert – Dies ermöglicht das Hinzufügen neuer Daten in den Vektor-Store.
• Pinecone Index: company-earnings – Der Index, in dem die Daten gespeichert werden.

2. Embeddings Google Gemini

Typ: Embeddings Google Gemini

Zweck: Diese Node erstellt Embeddings für die Gewinnberichte, die zur semantischen Suche im Vektor-Store verwendet werden.

Einstellungen:

• Model Name: models/text-embedding-004 – Dies ist das spezifische Modell von Google, das für die Erstellung von Embeddings genutzt wird.

3. Default Data Loader

Typ: Default Data Loader

Zweck: Diese Node lädt PDF-Dokumente, die die Gewinnberichte enthalten, zur weiteren Verarbeitung.

Einstellungen:

• Loader: pdfLoader – Der Loader, der verwendet wird, um PDF-Dokumente zu laden.
• Data Type: binary – Dies ist der Datentyp der geladenen Dateien.

4. Recursive Character Text Splitter

Typ: Recursive Character Text Splitter

Zweck: Diese Node teilt den geladenen Text in kleinere Abschnitte, um eine effiziente Analyse durchzuführen.

Einstellungen:

• Options: Keine speziellen Optionen eingestellt, der Standardmodus wird verwendet.

5. Loop Over Items

Typ: Split In Batches

Zweck: Diese Node durchläuft die geladenen Elemente in Batches, um die Verarbeitung zu optimieren.

Einstellungen:

• Options: Keine speziellen Optionen eingestellt.

6. When clicking ‘Test workflow’

Typ: Manual Trigger

Zweck: Dies ist der Trigger, der den Workflow manuell auslöst.

Einstellungen:

• Keine speziellen Einstellungen.

7. AI Agent

Typ: Agent

Zweck: Der AI-Agent analysiert die Daten und erstellt Berichte basierend auf den letzten drei Quartalen der Google-Gewinnberichte.

Einstellungen:

• Text: Definiert die Aufgabe des AI-Agenten, einschließlich der Anweisung zur Berichterstattung und Analyse.
• Options: Hier sind die Anweisungen für den Agenten enthalten, um relevante Daten aus den Vektor-Daten zu entnehmen.

8. Vector Store Tool

Typ: Tool Vector Store

Zweck: Dies ist ein Werkzeug, das es dem Agenten ermöglicht, aus dem Vektor-Store nützliche Informationen abzurufen.

Einstellungen:

• Name: company_financial_earnings_data_tool – Dies ist der Name des Werkzeugs.
• Description: Kurze Beschreibung des Zwecks des Werkzeugs.

9. Google Gemini Chat Model1

Typ: Chat Model Google Gemini

Zweck: Dieses Modell wird verwendet, um Dialoge für die Analyse und Antwortgenerierung zu ermöglichen.

Einstellungen:

• Model Name: models/gemini-2.0-flash-exp – Das spezifische Modell für die Chat-Interaktionen.

10. OpenAI Chat Model

Typ: OpenAI Chat Model

Zweck: Für die zusätzliche Verarbeitung von Daten durch OpenAI wird dieser Node verwendet.

Einstellungen:

• Options: Standardoptionen, die beibehalten werden.

11. Pinecone Vector Store (Retrieval)

Typ: Pinecone Vector Store

Zweck: Diese Node wird verwendet, um Informationen aus dem Vektor-Store abzurufen.

Einstellungen:

• Options: Keine speziellen Optionen eingestellt.
• Pinecone Index: company-earnings – Der Index, der verwendet wird, um Daten abzurufen.

12. Save Report to Google Docs

Typ: Google Docs

Zweck: Diese Node speichert den generierten Bericht in einem Google-Dokument.

Einstellungen:

• Operation: update – Aktualisiert das Dokument mit dem neuen Inhalt.
• Document URL: Gibt die URL des Google-Dokuments an, wo der Bericht gespeichert werden soll.

13. Embeddings Google Gemini (retrieval)

Typ: Embeddings Google Gemini

Zweck: Diese Node ermöglicht das Abrufen von Embeddings für zuvor gespeicherte Daten.

Einstellungen:

• Model Name: models/text-embedding-004 – Das speziellierte Modell für das Abrufen von Embeddings.

14. List Of Files To Load (Google Sheets)

Typ: Google Sheets

Zweck: Diese Node lädt die Liste der Dateien, die aus Google Drive verarbeitet werden müssen.

Einstellungen:

• Document ID: Identifiziert die Google-Tabelle, die die Dateilisten enthält.
• Sheet Name: Der Name des spezifischen Blatts innerhalb der Datei.

15. Download File From Google Drive

Typ: Google Drive

Zweck: Mit dieser Node wird die gewünschte Datei von Google Drive heruntergeladen.

Einstellungen:

• File ID: Identifiziert die spezifische zu ladende Datei.
• Operation: download – Die Datei wird heruntergeladen.

16. Sticky Note

Typ: Sticky Note

Zweck: Eine Notiz mit wichtigen Schritten zur Einrichtung des Workflows.

Inhalt: Hinweise zur Vorbereitung und Konfiguration der Google Cloud, APIs, Pinecone-Einstellungen usw.

Ergebnis

Dieser Workflow ermöglicht es, die Gewinnberichte von Google effektiv zu analysieren und die Ergebnisse in einem strukturierten Format zu präsentieren. Er liefert wertvolle Erkenntnisse über die finanziellen Leistungsfähigkeiten des Unternehmens und visualisiert diese in Google Docs.

Für weitere Informationen oder spezifische Analysen wenden Sie sich bitte an uns!

Download Link

Dieser Workflow zielt darauf ab, Bilder mithilfe einer API zu generieren. Der Benutzer sendet eine Anfrage an einen Webhook mit einem Prompt, der die gewünschte Bildbeschreibung enthält. Die API verarbeitet diesen Prompt und generiert das entsprechende Bild, das dann im Webbrowser angezeigt wird.

Node Details

1. Webhook

• Adı: Webhook
• Tipi: n8n-nodes-base.webhook
• Ne işe yaradığı: Bu node, dışarıdan gelen istekleri dinlemeye başlar. Webhook URL’si üzerinden gelen HTTP isteklerini alır.
• Ayarlar:
  • path: Webhook URL’nin imzalandığı yer. Bu, isteklerin dinleneceği yolu belirler.
  • responseMode: ResponseNode olarak ayarlandı. Bu, yanıtın bir düğüm aracılığıyla döneceği anlamına gelir.

2. Respond to Webhook

• Adı: Respond to Webhook
• Tipi: n8n-nodes-base.respondToWebhook
• Ne işe yaradığı: Bu node, gelen isteklere yanıt olarak işlendiğinde döndürülmesi gereken sonuçları belirler.
• Ayarlar:
  • respondWith: binary olarak ayarlandı, bu da dönecek verinin ikili formatta olacağını belirtir.

3. Sticky Note (Webhook Trigger)

• Adı: Sticky Note
• Tipi: n8n-nodes-base.stickyNote
• Ne işe yaradığı: Workflow’un başlangıcı olan Webhook URL’sinin etkinleştirildiğini belirtir.
• Ayarlar:
  • content: Kullanıcıları Webhook’un nasıl çalıştığı hakkında bilgilendiren not.

4. Sticky Note (Creating your Prompt-URL)

• Adı: Sticky Note1
• Tipi: n8n-nodes-base.stickyNote
• Ne işe yaradığı: Kullanıcıların, Webhook URL’sine nasıl prompt eklemesi gerektiğini açıklayan bilgi içerir.
• Ayarlar:
  • content: Kullanıcılara URL’nin nasıl oluşturulacağına dair adım adım açıklama.

5. Sticky Note (Starting the Workflow)

• Adı: Sticky Note2
• Tipi: n8n-nodes-base.stickyNote
• Ne işe yaradığı: Kullanıcıları Workflow’ı başlatmak için gereken adımları belirtir.
• Ayarlar:
  • content: Hangi URL’nin tarayıcıya yapıştırılması gerektiği hakkında bilgi verir.

6. OpenAI

• Adı: OpenAI
• Tipi: @n8n/n8n-nodes-langchain.openAi
• Ne işe yaradığı: Webhook üzerinden gelen input prompt’undan bir görüntü oluşturur.
• Ayarlar:
  • prompt: Özel olarak gelen input verilmiştir. ={{ $json.query.input }} ile doğrudan gelen istekteki input bilgisi kullanılır.
  • resource: image olarak ayarlandı, böylece API, bir görüntü ile dönüş yapar.

7. Sticky Note (Response)

• Adı: Sticky Note3
• Tipi: n8n-nodes-base.stickyNote
• Ne işe yaradığı: Kullanıcıya üretilen görüntünün tarayıcıda görüntülenebileceğini bildiren not.
• Ayarlar:
  • content: Görüntünün tarayıcıda nasıl görüntüleneceği konusunda bilgi içerir.

Ergebnis

Bu Workflow sayesinde, kullanıcılar kendi yazdıkları prompt’lara göre görseller üretebilirler. Gerekli URL’yi tarayıcıya girerek, üretilen görüntüyü anlık olarak görebilirler.

Dieser n8n-Workflow besteht aus mehreren Knoten, die zusammenarbeiten, um Text zu analysieren und die darin enthaltenen Fakten zu überprüfen. Jeder Knoten hat spezifische Aufgaben, die dazu beitragen, das endgültige Ziel zu erreichen – die Verarbeitung der Texteingabe und die Zusammenstellung von Informationen in einer strukturierten Form.

Knotenübersicht

1. Knoten: Code

• Typ: Code
• Funktion: Dieser Knoten verarbeitet den Eingabetext und teilt ihn in vollständige Sätze auf. Die Funktion stellt sicher, dass der Text nicht leer ist und zerlegt den Text an den Satzenden unter Beachtung von Datumsangaben und Auflistungen.
• Einstellungen: Die Parameter des Knotens umfassen den Modus runOnceForEachItem, was bedeutet, dass der Code für jedes Element in den Eingabedaten einmal ausgeführt wird. Der wichtige JavaScript-Code verarbeitet den Text entsprechend.

2. Knoten: Split Out1

• Typ: Split Out
• Funktion: Dieser Knoten trennt die Sätze, die im vorherigen Knoten erstellt wurden, und bereitet sie für die weitere Verarbeitung vor.
• Einstellungen: Der Zielbereich für die Trennung wird als claim festgelegt, und die Quelle, die gesplittet wird, ist das Feld sentences.

3. Knoten: Basic LLM Chain4

• Typ: LLM Chain
• Funktion: Nutzt ein KI-Modell zur Analyse von Ansprüchen im bereitgestellten Text. Es nimmt Sätze und Fakten entgegen, um deren Richtigkeit zu überprüfen.
• Einstellungen: Der Textparameter wird dynamisch aus der vorherigen Merge-Ausgabe erstellt, wobei sowohl Dokumentfakten als auch Ansprüche kombiniert werden.

4. Knoten: Ollama Chat Model

• Typ: LLM Chat
• Funktion: Dieser Knoten interagiert mit dem spezifischen KI-Modell, das für Chat-Anwendungen ausgelegt ist und zur Verarbeitung der Inhalte verwendet wird.
• Einstellungen: Der verwendete Modellname ist bespoke-minicheck:latest, und es sind keine zusätzlichen Optionen gesetzt, was die Basisparameter des Modells nutzt.

5. Knoten: When clicking ‘Test workflow’

• Typ: Manual Trigger
• Funktion: Dieser Knoten ermöglicht es dem Benutzer, den Workflow manuell zu starten, beispielsweise für Tests.
• Einstellungen: Keine spezifischen Parameter erforderlich.

6. Knoten: Edit Fields

• Typ: Set
• Funktion: Dieser Knoten definiert die Eingabefelder wie facts und text, die in den vorherigen Knoten verwendet werden.
• Einstellungen: Enthält spezifische Zuweisungen für die beiden Felder mit vorgegebenen Textinhalten für die Analyse.

7. Knoten: Merge

• Typ: Merge
• Funktion: Kombiniert die Datenströme, die von den vorangegangenen Knoten kommen, um eine einheitliche Struktur für die Ausgabe zu schaffen.
• Einstellungen: Der Modus ist auf combine eingestellt, und die Kombination erfolgt durch die Position der Daten.

8. Knoten: Filter

• Typ: Filter
• Funktion: Dieser Knoten filtert die Inhalte, um nur relevante Informationen für die weitere Verarbeitung zu behalten.
• Einstellungen: Die Bedingungen sind so konfiguriert, dass nur Sätze, die keine Fakten enthalten, erhalten bleiben.

9. Knoten: When Executed by Another Workflow

• Typ: Execute Workflow Trigger
• Funktion: Ermöglicht es anderen Workflows, diesen Workflow anzusprechen und Eingabewerte bereitzustellen.
• Einstellungen: Erwartet die spezifischen Eingaben facts und text.

10. Knoten: Aggregate

• Typ: Aggregate
• Funktion: Dieser Knoten aggregiert die gesammelten Daten, um eine Zusammenfassung der von der KI generierten Analysen zu erstellen.
• Einstellungen: Keine speziellen Einstellungen erforderlich, der Aggregationsmodus ist aggregateAllItemData.

11. Knoten: Merge1

• Typ: Merge
• Funktion: Ein weiterer Merge-Knoten zur Verbindung von Eingaben Darin gesammelter Informationen wird verarbeitet.
• Einstellungen: Die Einstellungen sind ähnlich wie im vorherigen Merge-Knoten.

12. Knoten: Basic LLM Chain

• Typ: LLM Chain
• Funktion: Dies ist die Haupt-KI-Analyse, die die gewonnenen Ergebnisse bewertet und in einem strukturierten Format präsentiert.
• Einstellungen: Verwendet spezifische Anweisungen zur Analyse der Daten und zur Erstellung einer zusammenfassenden Bewertung.

13. Knoten: Ollama Model

• Typ: LLM
• Funktion: Aktives KI-Modell für tiefere Analysen der Texteingaben, when only the factual components are relevant.
• Einstellungen: Verwendet das Modell qwen2.5:1.5b für erweiterte Verarbeitung.

14. Knoten: Sticky Notes

• Typ: Sticky Note
• Funktion: Dient zur Dokumentation und Erklärung des Workflows, erleichtert das Verständnis der einzelnen Schritte.
• Einstellungen: Textinhalte variieren zur Beschreibung der jeweiligen Prozesse.

Ergebnis

Dieser Workflow zeigt, wie n8n verwendet werden kann, um Texterfassungs- und Faktenprüfungsprozesse zu automatisieren, was eine wertvolle Ressource für Content-Moderation und Informationsvalidierung sein kann.

• Stickynote3 (Node-Typ: Sticky Note)
  Diese Notiz dient zur Erinnerung, dass die Benutzeranmeldeinformationen für Supabase durch den Benutzer ersetzt werden müssen, um die Workflow-Funktionalität korrekt herzustellen.
• Stickynote5 (Node-Typ: Sticky Note)
  In dieser Notiz sind die Vorbereitungs- und Einrichtungsschritte beschrieben. Sie umfasst das Erstellen von Konten für N8N, Supabase und OpenAI sowie die Konfiguration der Datenbankverbindung, die für die ordnungsgemäße Ausführung des Workflows notwendig ist.
• Stickynote6 (Node-Typ: Sticky Note)
  Diese Notiz informiert über die Verwendung des Workflows, der es Benutzern ermöglicht, auf eine PostgreSQL-Datenbank über einen KI-Agenten zuzugreifen. Die Hauptaufgabe ist es, SQL-Queries dynamisch zu generieren und die Daten interaktiv zu analysieren.
• Stickynote7 (Node-Typ: Sticky Note)
  Enthält einenLink zu einem 20-minütigen Video, das die Einrichtung des Workflows demonstriert, um den Benutzern zu helfen, die Funktionalität zu verstehen.
• When chat message received (Node-Typ: Chat Trigger)
  Dieser Node fungiert als Auslöser für den Workflow, der aktiviert wird, wenn eine Chatnachricht empfangen wird. Er ermöglicht es, mit dem KI-Agenten zu interagieren, sobald der Benutzer eine Nachricht sendet.
• OpenAI Chat Model (Node-Typ: Language Model)
  Hier wird das OpenAI-Chatmodell konfiguriert, um die vom Benutzer eingegebene Nachricht zu verarbeiten. Es verwendet die Anmeldedaten, um Anfragen an OpenAI zu senden und die Konversation zu steuern.
• DB Schema (Node-Typ: Postgres Tool)
  In diesem Node wird eine SQL-Abfrage ausgeführt, um eine Liste aller Tabellen in der PostgreSQL-Datenbank abzurufen. Die Abfrage lautet: SELECT table_schema, table_name FROM information_schema.tables WHERE table_type = 'BASE TABLE' AND table_schema = 'public';. Sie wird verwendet, um dem KI-Agenten Informationen über die Datenbankstruktur bereitzustellen.
• Get table definition (Node-Typ: Postgres Tool)
  Dieser Node führt eine SQL-Abfrage aus, um die Definition einer bestimmten Tabelle in der Datenbank abzurufen, einschließlich der Spaltennamen und -typen. Die Abfrage ermöglicht es, strukturelle Informationen über die Tabelle zu ziehen, sodass der KI-Agent gezielte Anfragen stellen kann.
• Sticky Note (Node-Typ: Sticky Note)
  Diese Notiz erinnert daran, den Prompt für den KI-Assistenten zu verfeinern, um verbesserte und präzisere Antworten auf Benutzeranfragen zu erhalten.
• AI Agent (Node-Typ: Agent)
  Hier wird der KI-Agent konfiguriert, der auf die Benutzeranfragen reagiert und die notwendigen SQL-Abfragen zur Datenbank ausführt, um die entsprechenden Daten zu liefern. Der Agent ist so programmiert, dass er die Anfragen versteht und SQL-Abfragen ausführt, um die richtigen Ergebnisse zu liefern.
• Run SQL Query (Node-Typ: Postgres Tool)
  Dieser Node führt benutzerdefinierte SQL-Abfragen aus, die durch den KI-Agenten generiert werden. Der Agent formuliert die Abfrage basierend auf dem, was er von den Benutzern hört, und dieser Node verarbeitet die Abfrage und gibt die Ergebnisse entsprechend zurück.

Ergebnis

Durch diesen Workflow können Benutzer eine PostgreSQL-Datenbank über einen KI-Agenten interaktiv steuern. Dabei wird es ermöglicht, SQL-Abfragen dynamisch zu generieren und die Interaktion mit der Datenbank zu vereinfachen, ohne tiefere SQL-Kenntnisse benötig zu haben. Die Unterscheidungen zwischen den verschiedenen Nodes tragen dazu bei, die gesamte Funktionalität zu strukturieren und den Benutzern eine einfache und intuitive Nutzung zu ermöglichen.

Generell zielt dieser Workflow darauf ab, die Programmierung zu erleichtern und den Zugang zu Daten für die Benutzer zu verbessern.

Dieser n8n-Workflow prüft eingehende E-Mails auf Termin-Anfragen und schlägt basierend auf der Verfügbarkeit im Google Kalender des Benutzers einen Termin vor. Der Workflow besteht aus mehreren Knoten, die jeweils spezifische Aufgaben ausführen.

1. Gmail Trigger

Typ: n8n-nodes-base.gmailTrigger
Funktionsweise: Dieser Knoten löst den Workflow aus, wenn eine neue ungelesene E-Mail in dem angegebenen Gmail-Konto eingeht. Der Benutzer erhält Benachrichtigungen nur für ungelesene E-Mails, während Spam- und Trash-Ordner ausgeschlossen sind.
Parameter:
– filters: sucht nach ungelesenen E-Mails.
– pollTimes: überprüft jede Minute auf neue Nachrichten.

2. Classify appointment

Typ: @n8n/n8n-nodes-langchain.chainLlm
Funktionsweise: Dieser Knoten analysiert die E-Mail, um festzustellen, ob sie eine Anfrage zur Terminvereinbarung enthält. Es wird ein Machine Learning-Modell verwendet, um die Aussage zu bewerten.
Parameter: prompt: Enthält eine Anfrage zur Klassifizierung der E-Mail als mögliche Termin-Anfrage oder nicht.

3. Is appointment request

Typ: n8n-nodes-base.if
Funktionsweise: Überprüft, ob die vorherige Analyse tatsächlich ergibt, dass es sich um eine Termin-Anfrage handelt. Wenn das der Fall ist, leitet der Workflow die Verarbeitung fort.
Parameter: conditions: Überprüfung, ob is_appointment wahr ist.

4. Google Calendar

Typ: n8n-nodes-base.googleCalendar
Funktionsweise: Dieser Knoten fragt den Google Kalender des Benutzers nach bestätigten Terminen ab. Dies geschieht, um die Verfügbarkeit des Benutzers zu überprüfen, bevor eine Antwort erstellt wird.
Parameter:
– options: Definiert den Zeitraum für die Abfrage (ab einem Tag in der Vergangenheit bis zu einem Monat in der Zukunft).

5. Filter only confirmed and with set time

Typ: n8n-nodes-base.filter
Funktionsweise: Filtert die abgerufenen Kalenderereignisse, so dass nur bestätigte Termine mit einem festgelegten Zeitpunkt berücksichtigt werden.
Parameter: conditions: Überprüft, ob der Status der Veranstaltung confirmed und der Startzeitpunkt nicht undefined ist.

6. Extract start, end and name

Typ: n8n-nodes-base.set
Funktionsweise: Extrahiert die Start- und Endzeiten sowie den Namen des Termins aus den gefilterten Ergebnissen.
Parameter:
– values: Eine Reihe von Zeitformatierungen für Start und Ende sowie die Zusammenfassung.
– keepOnlySet: Nur die gesetzten Werte aufbewahren.

7. Send Reply

Typ: n8n-nodes-base.gmail
Funktionsweise: Dieser Knoten sendet eine E-Mail als Antwort auf die ursprüngliche Anfrage. Dabei wird die generierte Antwort verwendet, die auf der Verfügbarkeit des Benutzers basiert.
Parameter:
– message: Die Antwort, die generiert wurde.
– replyToSenderOnly: Antwort nur an den Absender.

8. Mark as read

Typ: n8n-nodes-base.gmail
Funktionsweise: Markiert die E-Mail als gelesen, nachdem der Workflow die erforderlichen Informationen verarbeitet hat. Dies hilft, die E-Mails im Posteingang zu organisieren.
Parameter: messageId: Die ID der E-Mail, die als gelesen markiert werden soll.

Ergebnis

Dieser Workflow automatisiert den Prozess der Terminplanung, indem er E-Mails überwacht, Anfragen analysiert, die Verfügbarkeit überprüft und schließlich geeignete Antworten generiert. Die Nutzung von n8n für solche Automatisierungen spart Zeit und minimiert menschliche Fehler.

Der Workflow steht zum Herunterladen zur Verfügung: Hier herunterladen

In diesem Workflow interagiert ein KI-Agent mit verschiedenen Werkzeugen zur Informationsbeschaffung, wie Wikipedia und einem Wetter-API. Hier ist eine detaillierte Beschreibung der einzelnen Knoten:

Knoten 1: Sticky Note4

• Typ: n8n-nodes-base.stickyNote
• Funktion: Dieser Knoten dient als Notiz und speichert Informationen über den Verlauf der Konversation.
• Parameter:
  • Breite: 300
  • Höhe: 205
  • Inhalt: „Die Gesprächshistorie (letzte 20 Nachrichten) wird in einem Puffer gespeichert“

Knoten 2: On new manual Chat Message

• Typ: @n8n/n8n-nodes-langchain.manualChatTrigger
• Funktion: Dieser Knoten löst den Workflow aus, sobald eine neue manuelle Chat-Nachricht eingeht.
• Parameter: Keine spezifischen Parameter konfiguriert.

Knoten 3: Wikipedia

• Typ: @n8n/n8n-nodes-langchain.toolWikipedia
• Funktion: Dieser Knoten verwendet Wikipedia als Informationsquelle, um relevante Daten zu ziehen.
• Parameter: Keine spezifischen Parameter konfiguriert.

Knoten 4: Sticky Note3

• Typ: n8n-nodes-base.stickyNote
• Funktion: Eine weitere Notiz, die Informationen über die Tools enthält, die der Agent verwenden kann.
• Parameter:
  • Breite: 300
  • Höhe: 205
  • Inhalt: „Tools, die der Agent verwenden kann, um die Aufgabe zu erledigen“

Knoten 5: Sticky Note6

• Typ: n8n-nodes-base.stickyNote
• Funktion: Notiz über die Nutzung der verfügbaren Tools durch den Agenten.
• Parameter:
  • Breite: 422
  • Höhe: 211
  • Inhalt: „Der Konversationsagent wird die verfügbaren Tools nutzen, um auf den Prompt zu antworten.“

Knoten 6: Window Buffer Memory

• Typ: @n8n/n8n-nodes-langchain.memoryBufferWindow
• Funktion: Dieser Knoten speichert die letzten 20 Nachrichten in einem Puffer.
• Parameter:
  • Kontextfensterlänge: 20

Knoten 7: AI Agent

• Typ: @n8n/n8n-nodes-langchain.agent
• Funktion: Der KI-Agent verarbeitet die Eingaben und verwendet verschiedene Tools zur Beantwortung von Anfragen.
• Parameter:
  • Text: „={{ $json.input }}“ (Eingabetext des Benutzers)
  • Optionen:
    • Systemnachricht: „Sie sind ein hilfreicher Assistent …“ (die Konfiguration für den Agenten).
    • Prompt-Typ: define

Knoten 8: Weather HTTP Request

• Typ: @n8n/n8n-nodes-langchain.toolHttpRequest
• Funktion: Stellt eine Anfrage an die Wetter-API, um die aktuelle Temperatur basierend auf den gegebenen Koordinaten abzurufen.
• Parameter:
  • URL: https://api.open-meteo.com/v1/forecast
  • Query Parameter:
    • latitude: wird dynamisch von Eingaben geholt
    • longitude: wird dynamisch von Eingaben geholt
    • forecast_days: 1 Tag
    • hourly: Temperatur bei 2m

Knoten 9: Ollama Chat Model

• Typ: @n8n/n8n-nodes-langchain.lmChatOllama
• Funktion: Verwendet das Ollama-Modell, um Chat-Interaktionen zu verarbeiten.
• Parameter:
  • Modell: llama3.2:latest
  • Optionen: keine spezifischen Optionen definiert

Knoten 10: Sticky Note

• Typ: n8n-nodes-base.stickyNote
• Funktion: Eine Notiz zur Aktualisierung des Systemnachrichtenzwecks des KI-Agenten.
• Parameter:
  • Farbe: 4
  • Höhe: 240
  • Inhalt: „In Systemnachricht fügen Sie Folgendes hinzu…“ (Erklärung für den KI-Agenten)

Ergebnis

Mit diesem Workflow kann ein KI-Agent interagieren, um Informationen über Standorte und deren Wetterdaten zu sammeln, was die Antwortfähigkeit und Effizienz des Agenten erhöht.

Download Link

Hier herunterladen