Steg 2: anslut Apify och konfigurera scraping-indata

Dessa noder startar LinkedIn-jobbscrapern och läser dataset-resultaten för vidare bearbetning.

1. Öppna Launch LinkedIn Scraper och ställ in customBody till den angivna JSON-indatan, inklusive LinkedIn Jobs-URL:en och "count": 100.
2. I Retrieve Dataset Records ställer ni in resource till Datasets, limit till 110 och datasetId till ={{ $json.defaultDatasetId }}.
3. Inloggningsuppgifter krävs: anslut era Apify-inloggningsuppgifter i Launch LinkedIn Scraper och Retrieve Dataset Records.

Steg 3: filtrera och normalisera företagsregister

Det här avsnittet filtrerar fram små företag, tar bort dubbletter, exkluderar HR-relaterade branscher och rensar företagsdomäner.

1. I Check Company Size säkerställer ni att villkoret använder ={{ $json.companyEmployeesCount }} med operation lt och rightValue 250.
2. I Deduplicate Companies ställer ni in compare till selectedFields och fieldsToCompare till companyName.
3. I Exclude HR Industries säkerställer ni att de två notContains-kontrollerna för Human Resources och Staffing and Recruiting använder ={{ $json.industries }}.
4. Behåll koden i Finalize Company Info som den är för att extrahera domain och kapsla in data under company.
5. I Verify Domain Presence kontrollerar ni att exists-kontrollen använder ={{ $json.company.domain }}.
6. Ställ in Limit Company Batch till maxItems 5 för att styra hur många företag som bearbetas per körning.

Limit Company Batch skickar utdata parallellt till både Combine Data Streams och Apollo People Search.

Steg 4: hämta person- och e-postdata från Apollo

Dessa noder hämtar beslutsfattare och e-postadresser från Apollo och förbereder sedan data för sammanslagning.

1. I Apollo People Search ställer ni in url till https://api.apollo.io/api/v1/people/search och behåller jsonBody med {{ $json.company.domain }} inuti q_organization_domains_list.
2. Inloggningsuppgifter krävs: anslut era httpHeaderAuth-inloggningsuppgifter i Apollo People Search.
3. Behåll den angivna JavaScript-koden i Clean Person Records för att platta ut och avduplicera personer samtidigt som data kapslas in under person.
4. I Apollo Email Lookup ställer ni in url till https://api.apollo.io/v1/people/match och jsonBody till ={"id":"{{ $json.person.personId }}"} .
5. Inloggningsuppgifter krävs: anslut era httpHeaderAuth-inloggningsuppgifter i Apollo Email Lookup.
6. Behåll JavaScript-koden i Clean Email Payload för att kapsla in resultaten under email.

Clean Person Records skickar utdata parallellt till både Apollo Email Lookup och Combine Data Streams.

Steg 5: slå ihop företag-, person- och e-postdata

Det här steget slår ihop tre strömmar till en enda lead-profil för infogning i sheet.

1. I Combine Data Streams ställer ni in numberInputs till 3 för att slå ihop företag-, person- och e-postdata.
2. Behåll JavaScript-koden i Assemble Lead Profile för att mappa person.personId till email.id och lägga till företagsfält.

Steg 6: anslut Google Sheets och lägg till leads

Lead-profiler läggs till i ert Google Sheet och laddas sedan om för e-postgenerering.

1. I Append Leads to Sheet ställer ni in operation till append, documentId till ert sheet-ID och sheetName till gid=0.
2. Verifiera att kolumnmappningarna använder uttryck som ={{ $json.email }}, ={{ $json.companyName }} och ={{ $json.personLinkedInUrl }}.
3. Inloggningsuppgifter krävs: anslut era Google Sheets-inloggningsuppgifter i Append Leads to Sheet.
4. I Retrieve Leads Sheet väljer ni samma documentId och sheetName för att läsa tillbaka de senaste raderna.
5. Inloggningsuppgifter krävs: anslut era Google Sheets-inloggningsuppgifter i Retrieve Leads Sheet.

Append Leads to Sheet skickar utdata till Retrieve Leads Sheet för att starta flödet för e-postberikning.

Steg 7: validera rader och förbered batchar för AI

Dessa kontroller säkerställer att endast giltiga leads utan befintliga e-postmeddelanden bearbetas och begränsar batchstorleken.

1. I Validate Email & Content bekräftar ni villkoren: ={{ $json.Subject }} är tomt, ={{ $json["Email Body"] }} är tomt och ={{ $json.Email }} innehåller @.
2. I Batching Filter behåller ni villkoret ={{ $json.row_number }} gt 83 för att styra bearbetningsbatchar.

Steg 8: konfigurera AI-generering av e-post

AI-kedjan skapar ämnesrad och brödtext med Gemini och säkerställer ett strukturerat svar.

1. I AI Email Composer behåller ni prompttexten och variabler som {{ $json.Company }}, {{ $json['Job Title'] }} och {{ $json.Occupation }}.
2. Öppna Gemini Chat Engine och anslut den till AI Email Composer som språkmodell.
3. Öppna Structured Output Extractor och behåll jsonSchemaExample som definierar subject och email_body.
4. Inloggningsuppgifter krävs: anslut era Google Gemini-inloggningsuppgifter i Gemini Chat Engine.

Structured Output Extractor är ansluten som output parser för AI Email Composer—säkerställ att inloggningsuppgifter läggs till i Gemini Chat Engine, inte i parsern.

Steg 9: skriv tillbaka genererade e-postmeddelanden till Google Sheets

Den genererade ämnesraden och e-posttexten skrivs tillbaka till sheetet med e-postadress som matchningsnyckel.

1. I Write Email Back to Sheet ställer ni in operation till update och använder matchingColumns Email.
2. Mappa kolumner med uttryck: ={{ $('Batching Filter').item.json.Email }}, ={{ $json.output.subject }} och ={{ $json.output.email_body }}.
3. Inloggningsuppgifter krävs: anslut era Google Sheets-inloggningsuppgifter i Write Email Back to Sheet.

Steg 10: testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att bekräfta att scraping, berikning, AI-generering och sheet-uppdateringar fungerar från början till slut.

1. Klicka på Execute Workflow på Manual Start Trigger för att köra ett live-test.
2. Verifiera att Append Leads to Sheet lägger till nya rader och att Write Email Back to Sheet uppdaterar Subject och Email Body.
3. Kontrollera att Limit Company Batch bara bearbetar 5 företag och att parallella grenar fyller både Combine Data Streams och Apollo People Search.
4. När resultaten ser korrekta ut, ställ om arbetsflödet till Active för produktionsanvändning.