Business WhatsApp AI RAG Chatbot

Dieses Workflow ermöglicht die Erstellung eines KI-gestützten Chatbots für WhatsApp, der Kundenanfragen in einem Elektronikgeschäft beantwortet.

Business WhatsApp AI RAG Chatbot

Die Website nutzt die Wordpress-Infrastruktur.

Server: Unser Server befindet sich in einem Unternehmen mit Sitz in Deutschland. Er hat eine hohe und schnelle Internetverbindung. Es gibt eine Generatorunterstützung für ununterbrochenen Strom.

Schritt-für-Schritt-Anleitung des Workflows

1. Respond to Webhook

Typ: n8n-nodes-base.respondToWebhook

Zweck: Diese Node reagiert auf eingehende Webhook-Anfragen.

Parameter: respondWith: "text", responseBody: "={{ $json.query['hub.challenge'] }}"

Erklärung: Diese Einstellungen ermöglichen es dem Workflow, zurück an den Sender der Webhook-Anfrage eine Bestätigung zu senden.

2. AI Agent

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

Zweck: Behandelt eingehende Kundenanfragen mit KI-Unterstützung, um genaue Informationen und Unterstützung zu bieten.

Parameter: Verwendung des KI-Agenten mit vorgegebenen Kommunikationsrichtlinien.

Erklärung: Der Agent antwortet basierend auf den vordefinierten Richtlinien, indem er Einblick in Produkte und technische Unterstützung bietet.

3. Sticky Note

Typ: n8n-nodes-base.stickyNote

Zweck: Dient zur Notiznahme im Visual Editor.

Parameter: width: 459, height: 485, content: "..."

Erklärung: этой заметки служит для пояснения этапов и действий в процессе Workflow.

4. OpenAI Chat Model

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

Zweck: Verwendung des OpenAI GPT-4 Modells, um Kundenanfragen zu bearbeiten.

Parameter: Modelloptionen mit model: { "value": "gpt-4o-mini" }

Erklärung: Bestimmtes KI-Modell wird ausgewählt, um qualitativ hochwertige Antworten zu liefern.

5. Manual Trigger

Typ: n8n-nodes-base.manualTrigger

Zweck: Manuelles Auslösen des Workflows.

Parameter: keine spezifischen Parameter.

Erklärung: Diese Node wird verwendet, um den Workflow bei Bedarf zu starten.

6. Qdrant Vector Store

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

Zweck: Speicherung von Vektoren in einer Qdrant-Datenbank.

Parameter: mode: "insert", qdrantCollection: { "value": "=COLLECTION" }

Erklärung: — Die Node ermöglicht das Einfügen von Vektoren in die Datenbank für spätere Anfragen.

7. Create Collection

Typ: n8n-nodes-base.httpRequest

Zweck: Erstellung einer neuen Datenkollektion in der Qdrant-Datenbank.

Parameter: POST-Anfrage zur URL https://QDRANTURL/collections/COLLECTION

Erklärung: Aufbau einer neuen Sammlungsstruktur in der Datenbank für Organisation und Zugriff.

8. Refresh Collection

Typ: n8n-nodes-base.httpRequest

Zweck: Aktualisierung der bestehenden Datenkollektion in Qdrant.

Parameter: POST-Anfrage zur URL https://QDRANTURL/collections/COLLECTION/points/delete

Erklärung: Entfernt alte Datenpunkten aus der Kollektion, um die Relevanz zu gewährleisten.

9. Get Folder

Typ: n8n-nodes-base.googleDrive

Zweck: Abrufen einer bestimmten Datei oder eines Ordners von Google Drive.

Parameter: Filter für driveId und folderId.

Erklärung: Sicherstellt, dass relevante Dateien an den Workflow übergeben werden.

10. Download Files

Typ: n8n-nodes-base.googleDrive

Zweck: Herunterladen von Dateien basierend auf der oben abgerufenen ID.

Parameter: fileId: "={{ $json.id }}"

Erklärung: Dies ist notwendig, um Inhalte für die Verarbeitung durch die KI zu gewinnen.

11. Embeddings OpenAI

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

Zweck: Umwandeln von Text in Vektoren durch das OpenAI-Modell.

Parameter:

options: {}

Erklärung: Wandelt Eingabetexte in eine mathematische Darstellung um.

12. Window Buffer Memory

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

Zweck: Zwischenspeichern von Eingabedaten während des Kontakts mit KI.

Parameter: keine spezifischen Parameter.

Erklärung: Bewahrt den Kontext vorangegangener Interaktionen.

13. Token Splitter

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

Zweck: Segmentieren von Texten in handhabare Stücke.

Parameter: chunkSize: 300, chunkOverlap: 30

Erklärung: Hilft dabei, große Texte zu verarbeiten, indem sie auf kleinere Einheiten aufgeteilt werden.

14. Others

Es gibt mehrere andere Sticky Note Nodes, die zur Dokumentation und Visualisierung der verschiedenen Schritte in diesem Workflow dienen.

Workflow-Ausgabe

Der finale Workflow ermöglicht es, einen voll funktionsfähigen WhatsApp-Kundenservice-Chatbot zu implementieren, der mithilfe von KI sofortige Antworten auf Kundenanfragen liefert. Durch die Nutzung von Qdrant zur Speicherung und Verarbeitung von Informationen wird die Effizienz und Benutzererfahrung wesentlich verbessert.

Für mehr Informationen und den direkte Download verfügbaren Workflow, klicken Sie hier.

Facebook
Twitter
LinkedIn

Andere Projekte