Steg 2: anslut OpenAI- och MCP-inloggningsuppgifter

Koppla in de inloggningsuppgifter som krävs för AI-generering och åtkomst till MCP-verktyg.

1. Öppna OpenAI Dialogue Model och välj Credential Required: Anslut era openAiApi-inloggningsuppgifter.
2. Öppna OpenAI Tool Matcher och välj Credential Required: Anslut era openAiApi-inloggningsuppgifter.
3. Öppna MCP Tools Catalog och välj Credential Required: Anslut era mcpClientApi-inloggningsuppgifter.
4. Öppna Execute MCP Action och välj Credential Required: Anslut era mcpClientApi-inloggningsuppgifter.

Steg 3: konfigurera agenten, minnet och verktygsbryggan

Konfigurera agentens språkmodell, minne och verktygsgränssnitt för underarbetsflöden.

1. Öppna Agent Coordinator och säkerställ att den är ansluten till OpenAI Dialogue Model som språkmodell.
2. Anslut Conversation Buffer till Agent Coordinator som AI-minne.
3. Öppna Run Sub-Workflow (Configure Required) och ställ in Workflow till det underarbetsflöde ni vill köra.
4. I Run Sub-Workflow (Configure Required) ställer ni in query till {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('query', `The usual query from AI.`, 'string') }} och session_id till {{ $json.sessionId }}.

Credential Required: För AI-under-noder som Conversation Buffer, Run Sub-Workflow (Configure Required), Store Chat Memory och Session Memory Buffer ska inloggningsuppgifter (om de behövs) läggas till på den överordnade Agent Coordinator, inte på under-noden.

Steg 4: konfigurera verktygsmatchning och routningslogik

Matcha användarförfrågningar mot MCP-verktyg och routa därefter baserat på om ett verktyg och nödvändiga detaljer finns.

1. I Incoming Tool Request behåller ni indata query och session_id enligt definition.
2. Säkerställ att Incoming Tool Request är ansluten till MCP Tools Catalog, därefter till OpenAI Tool Matcher och sedan till Check Tool Match.
3. I OpenAI Tool Matcher behåller ni jsonOutput aktiverat och använder den befintliga systemprompten; den använder {{ $('Incoming Tool Request').item.json.query }} och {{ $json.tools.toJsonString() }}.
4. I Check Tool Match bekräftar ni att villkoret kontrollerar {{ $json.message.content.name }} notContains none.
5. I Compose No-Match Reply ställer ni in message till No matching tool för den falska grenen.
6. I Check Missing Details bekräftar ni att villkoret kontrollerar {{ $json.message.content.additional_info_needed }} notContains none.
7. I Map Missing Info ställer ni in needed_more_info_from_the_user till {{ $json.message.content }} för grenen med saknad information.

Steg 5: konfigurera MCP-exekvering och minnesloggning

Kör det valda MCP-verktyget, lagra resultaten i minnet och fånga utdata.

1. I Execute MCP Action ställer ni in toolName till {{ $json.message.content.name }}.
2. Ställ in operation till executeTool och toolParameters till {{ $json.message.content.parameters.toJsonString().toLowerCase() }}.
3. I Store Chat Memory behåller ni mode inställt på insert och ställer in meddelandet till {{ $('Execute MCP Action').item.json.toJsonString() }}.
4. I Session Memory Buffer ställer ni in sessionKey till {{ $('Incoming Tool Request').item.json.session_id }} och sessionIdType till customKey.
5. I Capture MCP Result ställer ni in mode till raw och jsonOutput till {{ $('Execute MCP Action').item.json.result }}.

Steg 6: testa och aktivera ert arbetsflöde

Verifiera flödet från början till slut och aktivera det för produktion.

1. Klicka på Execute Workflow och skicka ett exempelmeddelande via Chat Intake Trigger.
2. Bekräfta att flödet följer Incoming Tool Request → MCP Tools Catalog → OpenAI Tool Matcher → Check Tool Match → Check Missing Details → Execute MCP Action → Store Chat Memory → Capture MCP Result.
3. Verifiera att lyckade körningar visar ett giltigt JSON-svar i Capture MCP Result eller lämplig fallback i Compose No-Match Reply eller Map Missing Info.
4. När ni är nöjda växlar ni arbetsflödet till Active.