Du känner igen känslan: du ska precis skicka ett outreach-mejl, men du saknar kontext. Så du öppnar fem flikar, skummar profiler, tappar tråden och skriver ändå en generisk inledning eftersom tiden är slut.
Den här automatiseringen för OpenRouter Sheets briefs slår hårdast mot outreach-specialister, men även insamlare och kampanjteam känner av det. Du får konsekventa, researchbaserade prospektbriefar i HTML, loggade i Google Sheets så att du faktiskt kan använda dem.
Den här guiden förklarar vad arbetsflödet gör, vad du behöver och hur du anpassar det till dina egna outreach-mål utan att förvandla veckan till ett researchmaraton.
Så fungerar den här automatiseringen
Här är hela arbetsflödet du kommer att sätta upp:
n8n Workflow Template: OpenRouter till Google Sheets: prospektbriefar klara
flowchart LR
subgraph sg0["Inbound Workflow Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Inbound Workflow Trigger", pos: "b", h: 48 }
n1@{ icon: "mdi:cog", form: "rounded", label: "Run Sub-Workflow (Configure ..", pos: "b", h: 48 }
n2@{ icon: "mdi:robot", form: "rounded", label: "Compose Research Report", pos: "b", h: 48 }
n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Assign HTML Output", pos: "b", h: 48 }
n4@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine", pos: "b", h: 48 }
n2 --> n3
n1 --> n2
n4 -.-> n2
n0 --> n1
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n2 ai
class n4 aiModel
Varför det här spelar roll: personligt outreach tar för lång tid
Bra outreach kräver mycket research. Du kollar någons roll, senaste inlägg, företagsnyheter, kanske en gemensam kontakt och försöker sedan göra en naturlig första rad som inte känns krystad. Gör du det för tio prospekt har du bränt större delen av en förmiddag och ärligt talat har du fortfarande inget repeterbart system. Det värsta är den mentala belastningen: växla mellan LinkedIn, webbplatser, nyhetsbrev, gamla anteckningar och sedan börja från ett tomt dokument igen. När du har bråttom smyger sig misstag in också (fel företagsnamn, inaktuell roll, den klassiska).
Det växer snabbt. Här är var det vanligtvis brister.
- Du gör research som är “tillräckligt bra”, vilket ger svagare krokar och mer ghosting.
- Anteckningar sprids över flikar och dokument, så du kan inte återanvända insikter senare i uppföljningar.
- Identitetsförväxlingar händer när namn är vanliga eller profiler är ofullständiga.
- Även när du hittar bra kontext tar det ytterligare 10 minuter per prospekt att göra en korrekt formaterad brief.
Vad du bygger: prospektbriefar som i praktiken skriver sig själva
Det här arbetsflödet tar en uppsättning prospektindata (namn, URL:er och ditt outreach-mål) och skapar en strukturerad HTML-brief som du kan använda direkt. Det startar när ett annat arbetsflöde (eller ett formulär, en kalkylradsrad eller en manuell körning) triggar det med prospektuppgifter. Sedan kör det ett underarbetsflöde med “Multi-tool Research Agent” som samlar signaler från prospektets närvaro online och korsverifierar identitet så att du inte skriver till fel person. Därefter genererar OpenRouter en polerad rapport: viktig bakgrund, sannolika intressen, vinklar kring gemensamma kontakter, samtalsöppnare och föreslagna engagemangstaktiker. Till sist tilldelar arbetsflödet HTML-utdata till ett korrekt formaterat fält så att det är enkelt att lagra, skicka eller klistra in i din outreach-process.
I praktiken triggar du arbetsflödet med prospektuppgifter. Underarbetsflödet gör det stökiga researcharbetet via HTTP-förfrågningar och enrichment-logik, och OpenRouter gör om det till en läsbar brief. Sedan loggar och delar du den via Google Sheets (och kan även mejla den).
Det du bygger
| Det som automatiseras | Det du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att du researchar 15 prospekt i veckan. Manuell hantering, även en “snabb” genomgång, tar kanske 20 minuter per person mellan profiler, webbplatser och anteckningar, vilket blir cirka 5 timmar per vecka. Med det här arbetsflödet lägger du omkring 5 minuter på att mata in namn, URL:er och ditt mål, och väntar sedan på att briefen genereras och hamnar i Google Sheets. Du granskar fortfarande innan du skickar (det ska du), men oftast får du tillbaka större delen av de 5 timmarna.
Innan du börjar
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- OpenRouter för att generera prospektbriefen via chatt.
- Google Sheets för att logga, dela och följa upp briefar.
- OpenRouter API-nyckel (hämta den från din OpenRouter-dashboard).
Kunskapsnivå: Medel. Du kopplar in autentiseringsuppgifter, importerar ett underarbetsflöde och mappar några fält utan att skriva kod.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
En inkommande trigger tar emot prospektuppgifter. Det här arbetsflödet är byggt för att anropas av ett annat arbetsflöde, så du kan trigga det från en formulärinsändning, en ny rad i ett kalkylark eller en manuell “körning” som skickar in namn och URL:er.
Ett research-underarbetsflöde körs först. Underarbetsflödet “Multi-tool Research Agent” samlar signaler via HTTP-förfrågningar och enrichment-steg och returnerar sedan strukturerad kontext som du kan lita på mer än slumpmässigt surfande.
OpenRouter gör rå kontext till en användbar brief. Arbetsflödet sätter ihop rapportinnehållet (samtalsöppnare, kopplingspunkter, föreslagna taktiker) och formaterar det som en HTML-rapport så att det är lätt att skanna och klistra in i outreach.
Slutlig HTML tilldelas för lagring och delning. Därefter kan du logga den i Google Sheets, skicka den via e-post eller routa den dit teamet jobbar i vardagen.
Du kan enkelt ändra research-prompten så att den matchar din ton, och sedan routa utdata till Gmail, Slack eller ett CRM utifrån dina behov. Se hela implementeringsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: Konfigurera triggern för inkommande arbetsflöde
Det här arbetsflödet startar när ett annat arbetsflöde anropar det och skickar prospektinformation till triggerns indata.
- Lägg till och öppna Inbound Workflow Trigger.
- Bekräfta att indatafälten finns för Prospect Name, Prospect Linkedin URL, Prospect Twitter URL, Prospect Instagram URL, Outreach Goal, Prospector Name, Prospector Linkedin URL, Prospector Twitter URL och Prospector Instagram URL.
- Spara arbetsflödet så att indata blir tillgängliga för det anropande arbetsflödet.
Steg 2: Anslut underarbetsflödet
Arbetsflödet lämnar över insamling av research till ett underarbetsflöde och skickar ett strukturerat research-direktiv.
- Öppna Run Sub-Workflow (Configure Required).
- Välj målarbetsflödet i Workflow (workflowId är för närvarande tomt).
- I Workflow Inputs, behåll chatInput som den långa direktivsträngen (den innehåller uttryck som
{{ $('Inbound Workflow Trigger').item.json['Prospect Name'] }}). - Behåll sessionId inställt på
{{ (Math.random().toString(36).substring(2) + Date.now().toString(36)) }}för att generera en unik research-session per körning. - Verifiera att Run Sub-Workflow (Configure Required) är kopplad från Inbound Workflow Trigger.
⚠️ Vanlig fallgrop: Om Workflow inte är valt i Run Sub-Workflow (Configure Required) kommer arbetsflödet att misslyckas eftersom inget underarbetsflöde körs.
Steg 3: Konfigurera AI-generatorn för rapporten
Research-resultaten omvandlas till en HTML-rapport med hjälp av LLM-kedjan och OpenRouter-chatmodellen.
- Öppna Compose Research Report och bekräfta att Prompt Type är inställt på
define. - Behåll prompten i Text som angivet (den innehåller uttryck som
{{ $('Inbound Workflow Trigger').item.json['Prospect Name'] }},{{ $('Inbound Workflow Trigger').item.json['Prospector Name'] }}och{{ $json.output }}). - Säkerställ att OpenRouter Chat Engine är ansluten som språkmodell för Compose Research Report.
- Inloggningsuppgifter krävs: Anslut era openRouterApi-inloggningsuppgifter i OpenRouter Chat Engine.
- Bekräfta att OpenRouter Chat Engine använder modellen
anthropic/claude-sonnet-4.
Tips: AI-inloggningsuppgifter konfigureras i OpenRouter Chat Engine, inte i Compose Research Report.
Steg 4: Konfigurera HTML-utdata
Det sista steget paketerar LLM-svaret i ett rent HTML-fält för vidare användning nedströms.
- Öppna Assign HTML Output.
- Lägg till en tilldelning med Name inställt på
HTML. - Ställ in Value till
{{ $('Compose Research Report').item.json.text }}så att den genererade rapporten lagras i ett enda HTML-fält.
Steg 5: Testa och aktivera ert arbetsflöde
Kör ett manuellt test för att validera dataflödet och bekräfta att HTML-utdata skapas.
- Från det överordnade arbetsflödet, trigga Inbound Workflow Trigger med exempelvärden för prospekt- och prospector-fälten.
- Verifiera att Run Sub-Workflow (Configure Required) returnerar research-data i
$json.output. - Bekräfta att Compose Research Report genererar en giltig HTML-sträng i
text. - Kontrollera Assign HTML Output efter fältet
HTMLsom innehåller den slutliga rapporten. - Aktivera arbetsflödet så att det kan anropas av andra arbetsflöden i produktion.
Felsökningstips
- OpenRouter-autentiseringsuppgifter kan löpa ut eller klistras in fel. Om det skapar fel, kontrollera först OpenRouter API-nyckeln i n8n Credentials och bekräfta att ditt konto fortfarande har åtkomst.
- Om du använder Wait-noder eller externa research-anrop varierar behandlingstiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din varumärkeston tidigt, annars kommer du redigera utdata för alltid.
Snabba svar
Cirka 30 minuter när ditt underarbetsflöde och dina autentiseringsuppgifter är klara.
Nej. Du mappar mest fält och kopplar konton i n8n.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in kostnader för OpenRouter API-användning, som vanligtvis är små per brief men beror på vilken modell du väljer.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du troligen. De flesta team börjar med att justera prompten “Compose Research Report” så att den matchar deras ton och vilken typ av bevis de bryr sig om (senaste inlägg, finansiering, rekrytering, community-engagemang). Du kan också byta OpenRouter-modell i noden “OpenRouter Chat Engine” om du vill ha snabbare eller mer högkvalitativ text. Vanliga anpassningar är att lägga till en kort sektion för “första mejlutkastet”, ändra HTML-layouten för varumärkesprofilering och skriva olika briefmallar för olika kampanjer.
Oftast är det ett problem med API-nyckeln eller med modellåtkomst. Skapa en ny OpenRouter-nyckel, uppdatera den i n8n Credentials och kör sedan om ett enskilt testprospekt för att bekräfta. Om det fungerar ibland och fallerar under belastning kan du slå i rate limits, eller så returnerar ditt research-underarbetsflöde tom kontext, vilket gör att prompten fallerar på märkliga sätt.
Om du kör egen drift finns ingen exekveringsgräns (det beror på din server och API-gränser). På n8n Cloud beror dina månatliga körningar på planen, och de flesta små team kan utan problem köra tiotals till hundratals briefar per vecka. Den större begränsningen är oftast externa research-anrop och LLM:ens svarstid, så att batcha prospekt är okej, men förvänta dig inte omedelbara resultat för jättelistor.
Ofta, ja, eftersom det här arbetsflödet drar nytta av underarbetsflöden, förgrening och mer flexibel hantering av prompt/data. n8n är också enklare att bygga ut när du vill lägga till identitetskontroller, batchning eller fler researchkällor. Zapier eller Make kan fortfarande fungera om du bara behöver ett enkelt “formulär in, text ut”-flöde, men de blir krångliga när du introducerar en research-agent och rikare formatering. Om du är osäker, prata med en automationsexpert och beskriv din exakta process.
När detta väl rullar slutar prospektresearch vara en daglig flaskhals. Arbetsflödet tar hand om det repetitiva jobbet, och du kan fokusera på att skriva meddelanden som låter som en riktig människa.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.