Schritt 1: Manuelles Triggern des Workflows
Der Workflow beginnt mit dem „When clicking \“Test workflow\““ Knoten, der eine manuelle Auslösung des Workflows ermöglicht. Dies geschieht, wenn der Benutzer auf den passenden Button klickt.
Schritt 2: Holen Sie sich das Menü dieser Woche
Der nächste Knoten „Get This Week’s Menu“ vom Typ HTTP Request sendet eine Anfrage an die HelloFresh API, um die Rezepte für die aktuelle Woche abzurufen. Die URL wird dynamisch basierend auf dem aktuellen Jahr und der Kalenderwoche erstellt.
Schritt 3: Extrahieren Sie verfügbare Kurse
Der Knoten „Extract Available Courses“ ist vom Typ Code und verwendet JavaScript, um die von der API erhaltenen Daten zu verarbeiten. Hier werden die
genutzten Kurse (Rezepte) aus den abgerufenen Daten extrahiert und die ersten 10 Rezepte zurückgegeben.
Schritt 4: Extrahieren Sie Serverdaten
Der „Extract Server Data“ Knoten vom Typ HTML extrahiert spezifische Daten aus dem HTML-Inhalt der Antwort. Er sucht nach einem bestimmten script-Tag, der die Rezeptdaten enthält und bereitet sie für die Verarbeitung vor.
Schritt 5: Kursmetadaten abrufen
Dieser Knoten „Get Course Metadata“ vom Typ Set dient dazu, wichtige Metadaten über die Rezepte festzulegen. Hier werden verschiedene Eigenschaften wie Name, Küche, Kategorisierung, Tags, Nahrungsinformationen usw. zugewiesen, um sie in den folgenden Schritten verwenden zu können.
Schritt 6: Rezept abrufen
Der „Get Recipe“ Knoten ankündigt die HTTP Request Methode, um die vollständigen Rezeptdetails anhand der URL, die im vorherigen Schritt festgelegt wurde, abzurufen. Diese Informationen werden später benötigt.
Schritt 7: Embeddings mit Mistral Cloud
In diesem Schritt wird der „Embeddings Mistral Cloud“ Knoten verwendet, um Vektoren für das Rezept zu generieren, die zur Empfehlung verwendet werden. Der Knoten nutzt die API von Mistral Cloud, um diese Transformation durchzuführen.
Schritt 8: Standard-Datenladegerät
Der „Default Data Loader“ Knoten lädt die Daten in die Qdrant-Datenbank, die für die Verarbeitung durch maschinelles Lernen vorbereitet werden, indem er die notwendigen Metadaten enthält.
Schritt 9: Mischen der Kurs- und Rezeptdaten
Der Knoten „Merge Course & Recipe“ bringt die Ergebnisse der Kursmetadaten und des Rezepts zusammen, um eine kombinierte Ansicht zu erstellen, die nachfolgenden Knoten zur Verfügung steht.
Schritt 10: Vorbereitung von Dokumenten
Hier wird der Knoten „Prepare Documents“ verwendet, um die Rezeptdaten in einem standardisierten Format zu erstellen, das für die weiteren Schritte der Datenverarbeitung und der Empfehlungssysteme benötigt wird.
Schritt 11: Vektorisierung der Rezepte
Der Knoten „Qdrant Vector Store“ ist für das Einfügen der vektorisierten Rezepte in die Qdrant-Datenbank verantwortlich, sodass sie für die Empfehlungsalgorithmen zur Verfügung stehen.
Schritt 12: Chat Trigger für die KI-Agent
Der „Chat Trigger“ Knoten ermöglicht die Interaktion mit dem AI-Agenten, der Empfehlungen auf Grundlage der vom Benutzer angegebenen Vorlieben generiert. Es wird ein spezifischer Webhook eingerichtet, um die Benutzeranfragen zu verarbeiten.
Schritt 13: Verantwortlichkeit der Rezepterstellung
Das „Extract Recipe Details“ beinhaltet das Extrahieren des Bildmaterials und der Content-Details des Rezepts, die für die Empfehlungen wichtig sind. Hier wird HTML zur Identifikation nötiger Elemente verwendet.
Schritt 14: Qdrant Empfehlen API verwenden
Der „Qdrant Recommend API“ Knoten ist zuständig für die Anwendung der Empfehlungstechnik, um den Benutzer basierend auf seinen Vorlieben Rezeptvorschläge zu machen.
Schritt 15: Abrufen von Rezepten aus der Datenbank
Der Knoten „Get Recipes From DB“ wird verwendet, um empfohlene Rezepte aus der SQLite-Datenbank abzurufen, basierend auf den Einschätzungen des Nutzers.
Schritt 16: Ergebnisse zurückgeben
Schließlich aggregiert der „Get Tool Response“ Knoten die Ergebnisse der vorherigen Empfehlungen. Diese Daten sind für den Benutzer verfügbar.
Ergebnis
Am Ende dieses Workflows erreicht der Benutzer eine nahtlose Ausgabe von Rezeptempfehlungen, die personalisiert sind und auf aktuellen Daten basieren. Der Workflow ist ideal für Nutzer, die HelloFresh nutzen und Empfehlungen für wöchentliche Menüs suchen.