Google Sheets – Node Nordic – AI Konsult för företag

Telegram till Facebook: publicera inlägg med bekräftelse

Rickard Andersson — Thu, 22 Jan 2026 08:06:53 +0000

Att kopiera ett inlägg från Telegram till Facebook låter enkelt. Sedan gör du det fem gånger om dagen, blir avbruten mitt i, och inser att en “snabb” uppgift i tysthet åt upp en timme (och du glömde ändå att trycka på Publicera en gång).

Social media managers känner det här i hela kroppen. Det gör även en community manager som försöker hålla grupper aktiva. Och driver du ett litet företag är Telegram Facebook-automatisering en av de där tråkiga uppgraderingarna som betalar tillbaka direkt.

Det här arbetsflödet gör om ett Telegram-meddelande till ett Facebook-inlägg med Airtops no-code webbläsarautomatisering och skickar sedan en bekräftelse i Telegram så att du vet att det faktiskt gick live. Du får se vad det gör, vad du behöver och var team oftast snubblar.

Så fungerar automatiseringen

Hela n8n-arbetsflödet, från trigger till slutresultat:

n8n Workflow Template: Telegram till Facebook: publicera inlägg med bekräftelse

Click to explore

flowchart LR

    subgraph sg0["Telegram Update Flow"]
        direction LR
        n0["

Telegram Update Trigger"]
        n1["

Initialize Browser Session"]
        n2["

Open Browser Window"]
        n3@{ icon: "mdi:cog", form: "rounded", label: "Delay Before View", pos: "b", h: 48 }
        n4["

Retrieve Live Preview"]
        n5@{ icon: "mdi:cog", form: "rounded", label: "Pause Before Click", pos: "b", h: 48 }
        n6["

Select Composer Area"]
        n7@{ icon: "mdi:cog", form: "rounded", label: "Short Pause", pos: "b", h: 48 }
        n8["

Insert Message Text"]
        n9@{ icon: "mdi:cog", form: "rounded", label: "Brief Typing Delay", pos: "b", h: 48 }
        n10["

Press Next Button"]
        n11["

Confirm Publish Action"]
        n12["

Choose Minute Option"]
        n13["

Pick Comment Author"]
        n14["

Add Mention Text"]
        n15["

Send Telegram Confirmation"]
        n7 --> n8
        n9 --> n10
        n3 --> n4
        n5 --> n6
        n8 --> n9
        n14 --> n15
        n4 --> n5
        n2 --> n3
        n6 --> n7
        n1 --> n2
        n0 --> n1
        n10 --> n11
        n11 --> n12
        n12 --> n13
        n13 --> n14
    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
    classDef customIcon fill:none,stroke:none
    class n0,n1,n2,n4,n6,n8,n10,n11,n12,n13,n14,n15 customIcon

Problemet: korspostning är lätt att göra fel

Manuell korspostning fallerar på små, irriterande sätt. Du klistrar in text från Telegram i Facebook och formateringen ändras, radbrytningarna ser konstiga ut eller “tonen” ändras för att du skriver om i farten. Sedan kommer den verkliga mördaren: osäkerheten. Publicerades det, eller stängde du fliken för tidigt? Multiplicera det med flera kanaler, flera dagar och flera personer i ett team. Arbetet är repetitivt, men konsekvenserna är det inte. Missade inlägg tappar momentum och inkonsekventa inlägg urvattnar budskapet.

Det summeras snabbt. Här är var det oftast går snett i verkligheten.

Du lägger cirka 10 minuter per inlägg bara på att växla kontext, hitta inläggskompositören, klistra in och dubbelkolla.
Formateringen glider, vilket gör att ditt “samma budskap” i praktiken inte blir samma budskap.
Ett inlägg kan se “klart” ut men blir aldrig publicerat, och du upptäcker det först flera timmar senare.
Om någon annan hjälper till tappar du insyn, eftersom det saknas en pålitlig bekräftelseslinga.

Lösningen: Telegram → Facebook-publicering, hanterat i bakgrunden

Det här n8n-arbetsflödet lyssnar efter nya meddelanden som skickas till din Telegram-bot. När ett meddelande kommer in startar det en Airtop-webbläsarsession, öppnar Facebook och interagerar med publiceringsgränssnittet som en riktig person skulle göra. Det klickar in i inläggskompositören, lägger in din meddelandetext, väntar kort så att Facebook hinner uppdatera, och går sedan igenom publiceringsflödet. Om du vill kan det också lägga till extra text som en omnämning eller tagg-beteende (praktiskt när du vill ha en konsekvent CTA). När publiceringen är klar skickar arbetsflödet en tydlig bekräftelse tillbaka till Telegram så att du slipper gissa och kan gå vidare.

Arbetsflödet börjar med en Telegram Trigger, sedan öppnar Airtop ett webbläsarfönster och hämtar en livevy så att nästa åtgärder hamnar rätt. Några korta Wait-noder saktar ner precis tillräckligt för att vara pålitligt. Till sist får du ett Telegram-meddelande som bekräftar att Facebook-inlägget publicerades.

Vad du får: automatisering vs. resultat

Vad det här arbetsflödet automatiserar

Resultat du får

Det bevakar din Telegram-bot efter nya meddelanden och använder dem som färdigt innehåll att publicera.
Det öppnar Facebook i Airtop och navigerar automatiskt till inläggskompositören.
Det lägger in meddelandetexten, väntar och klickar sedan igenom publiceringen åt dig.
Det skickar ett bekräftelsemeddelande tillbaka i Telegram när publiceringen är klar.

Gör en manuell 10-minutersuppgift till cirka 1 minut av “skicka och klart”.
Färre missade inlägg, eftersom du får en tydlig publiceringsbekräftelse.
Mer konsekvent formulering mellan kanaler eftersom du återanvänder samma källmeddelande.
Mindre mental belastning, särskilt när du publicerar under en stressig dag.
En smidigare överlämning när en kollega hjälper till, eftersom du ser vad som gick live.

Exempel: så här ser det ut

Säg att du publicerar 2 uppdateringar per dag från Telegram till Facebook. Manuellt, anta cirka 10 minuter per inlägg (öppna Facebook, hitta inläggskompositören, klistra in, fixa formatering, publicera och sedan kontrollera att det funkade), vilket är ungefär 20 minuter per dag och cirka 2 timmar i veckan. Med det här arbetsflödet skickar du meddelandet till din Telegram-bot på under en minut, och sedan sköter Airtop publiceringen medan du fortsätter jobba. Det enda du “gör” är att kasta en blick på Telegram-bekräftelsen.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Självhostad lösning om du föredrar det (Hostinger fungerar bra)
Telegram-bot för att ta emot meddelandetriggern
Airtop för no-code webbläsarautomatisering av Facebook
Airtop API-nyckel (hämta den i din Airtop-dashboard)

Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in API-nycklar och gör en första inloggning i Facebook inne i Airtop.

Vill du inte sätta upp detta själv? Prata med en automationsspecialist (gratis 15-minuterskonsultation).

Så fungerar det

Ett Telegram-meddelande triggar allt. Arbetsflödet startar i samma ögonblick som din Telegram-bot tar emot ett nytt meddelande, så ditt “utkast” är helt enkelt det du skrev i Telegram.

Airtop öppnar Facebook i en kontrollerad webbläsarsession. n8n säger åt Airtop att initiera en session och öppna ett webbläsarfönster, och hämtar sedan en liveförhandsvisning så att nästa interaktioner klickar på rätt saker.

Små pauser gör det pålitligt. Några Wait-steg läggs in mellan åtgärder (klicka i kompositören, skriva text, trycka på nästa-knappen) eftersom Facebook-sidor kan ladda olika beroende på anslutningshastighet.

Inlägget publiceras och du får bevis. När arbetsflödet har genomfört publiceringssekvensen (inklusive valfria omnämnings-/kommentar-liknande åtgärder) skickar det en Telegram-bekräftelse så att du slipper gissa.

Du kan enkelt ändra utgående text för att lägga till en standard-CTA eller ett hashtag-block efter behov. Se hela implementeringsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera Telegram-triggern

Det här arbetsflödet startar när ett nytt meddelande kommer in i Telegram via Telegram Update Trigger.

Lägg till noden Telegram Update Trigger i ert arbetsflöde.
Låt Updates vara satt till * så att alla meddelandetyper fångas upp.
Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter (noden har för närvarande inga konfigurerade).

⚠️ Vanlig fallgrop: Om Telegram-boten inte är tillagd i er målchatt eller kanal kommer Telegram Update Trigger inte att ta emot uppdateringar.

Steg 2: Anslut webbläsarautomationssessionen

Airtop-sekvensen öppnar Facebook och förbereder skaparen för publicering.

Lägg till Initialize Browser Session och ställ in Profile Name till facebook samt Save Profile On Termination till true.
Lägg till Open Browser Window och ställ in URL till https://facebook.com med Resource satt till window.
Inloggningsuppgifter krävs: Anslut era Airtop-inloggningsuppgifter till alla Airtop-noder (10+ noder hanterar webbläsarsessionen, interaktioner och publiceringsåtgärder; inloggningsuppgifter saknas för närvarande).

Tips: Använd en dedikerad Airtop-webbläsarprofil för Facebook för att hålla inloggningscookies stabila mellan körningar.

Steg 3: Lägg till tidskontroller för att säkerställa att sidan är redo

Wait-noder säkerställer att Facebook-gränssnittet är helt inläst innan varje interaktion.

I Delay Before View ställer ni in Amount till 1.
I Pause Before Click ställer ni in Amount till 3.
I Short Pause ställer ni in Amount till 3.
I Brief Typing Delay ställer ni in Amount till 2.

⚠️ Vanlig fallgrop: Om Facebook laddar långsamt, öka dessa väntetider för att undvika missade klick eller ofullständig inmatning.

Steg 4: Konfigurera interaktionerna i Facebook-skaparen

Dessa Airtop-interaktionsnoder väljer skaparen, infogar Telegram-text och går igenom publiceringsflödet i tur och ordning.

I Retrieve Live Preview ställer ni in Resource till window och Operation till getLiveView.
I Select Composer Area ställer ni in Element Description till Что у вас нового,.
I Insert Message Text ställer ni in Text till ={{ $('Telegram Update Trigger').item.json.message.text }}, Resource till interaction och Operation till type.
I Press Next Button ställer ni in Element Description till далее.
I Confirm Publish Action ställer ni in Element Description till Опубликовать.
I Choose Minute Option ställer ni in Element Description till 1 мин.
I Pick Comment Author ställer ni in Element Description till Комментировать как.
I Add Mention Text ställer ni in Text till @все @подписчки och aktiverar Press Enter Key.

Tips: Den exakta UI-texten i Element Description måste matcha Facebook-gränssnittets språk (t.ex. ryska textetiketter som visas här).

Steg 5: Konfigurera Telegram-bekräftelsemeddelandet

Efter publicering skickar arbetsflödet ett bekräftelsemeddelande tillbaka till Telegram.

Lägg till Send Telegram Confirmation efter Add Mention Text.
Ställ in Text till ✅ Facebook: post published..
Ställ in Chat ID till ={{ $('Telegram Update Trigger').item.json.message.chat.id }}.
Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter (den här noden har för närvarande inga konfigurerade).

Steg 6: Testa och aktivera ert arbetsflöde

Verifiera hela flödet från Telegram till Facebook innan ni slår på det.

Klicka på Execute Workflow och skicka ett testmeddelande till er Telegram-bot för att trigga Telegram Update Trigger.
Bekräfta att Airtop öppnar Facebook, att skaparen väljs och att meddelandetexten infogas från Telegram.
Kontrollera att Facebook slutför publiceringsflödet och att Send Telegram Confirmation svarar med ✅ Facebook: post published..
När allt fungerar, växla arbetsflödet till Active för användning i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Airtop-inloggningsuppgifter kan löpa ut eller kräva specifika behörigheter. Om saker slutar fungera, kontrollera först status för API-nyckeln i din Airtop-dashboard samt behörigheter för anslutet workspace/session.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar med tomma svar.
Ändringar i Facebooks UI kan flytta knapptexter eller klickytor, särskilt runt kompositören. Om publicering plötsligt slutar fungera, gå tillbaka till Airtop-åtgärderna “välj kompositör” och “bekräfta publicering” och uppdatera selektorer/mål.

Vanliga frågor

Hur lång tid tar det att sätta upp den här Telegram Facebook-automatiseringen?

Cirka 30 minuter om din Telegram-bot och ditt Airtop-konto är redo.

Behöver jag kunna koda för att automatisera Telegram Facebook-automatisering?

Nej. Du kopplar mest konton och kopierar/klistrar in API-uppgifter. Den enda “manuella” delen är att logga in på Facebook i Airtop vid första körningen.

Är n8n gratis att använda för det här Telegram Facebook-automatiseringsarbetsflödet?

Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna in Airtop API-kostnader baserat på din användning.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhostning på en VPS. För självhostning är Hostinger VPS prisvärd och hanterar n8n bra. Självhostning ger obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här Telegram Facebook-automatiseringsarbetsflödet för att publicera i grupper i stället för på en sida?

Ja, men du justerar Airtop-åtgärderna som öppnar Facebook och klickar in i inläggskompositören så att de går till din grupp-URL och riktar in sig på gruppens kompositör. Vanliga anpassningar är att lägga till en standardrad för CTA, publicera till en annan destination (sida vs grupp) och lägga till en omnämnings-/tagg-snutt med åtgärden “Add Mention Text”.

Varför misslyckas min Airtop-anslutning i det här arbetsflödet?

Oftast är det en API-nyckel för Airtop som har gått ut eller roterats. Skapa en ny i Airtop, uppdatera sedan autentiseringsuppgiften i n8n och kör arbetsflödet igen. Om nyckeln är okej är nästa misstänkta sessionsstatus: Facebook kan ha loggat ut dig inne i Airtop, så arbetsflödet klickar på element som inte finns. Till sist förekommer rate limits och långsamma laddningar; att öka Wait-tiderna löser ofta “det funkade igår”-problem.

Hur många inlägg kan den här Telegram Facebook-automatiseringen hantera?

Om du självhostar n8n finns ingen körningsgräns (det beror främst på din server och Airtops kapacitet). I n8n Cloud beror gränsen på din plans månadsvisa körningar. I praktiken börjar de flesta team med några dussin inlägg per dag och skalar därifrån när Airtop-väntetiderna och Facebook-sessionen är stabila.

Är den här Telegram Facebook-automatiseringen bättre än att använda Zapier eller Make?

Ofta, ja, eftersom det här är webbläsarbaserad automatisering och inte en enkel “API skickar text”-integration. Zapier och Make är utmärkta när Facebook exponerar exakt åtgärd du behöver via en stödd connector, men publiceringsflöden kan vara kinkiga och UI-steg eller bekräftelser är svårare att garantera där. n8n ger dig också mer kontroll över väntetider, förgreningar och återförsök utan att du betalar per extra flödesväg. Nackdelen är att du får lägga lite mer tid på att göra det stabilt första dagen. Prata med en automationsspecialist om du vill ha hjälp att välja.

När det här väl rullar blir “publicera på Facebook” ett Telegram-meddelande som du ändå skulle ha skickat. Arbetsflödet tar hand om de repetitiva klicken och din bekräftelse dyker upp automatiskt.

The post Telegram till Facebook: publicera inlägg med bekräftelse first appeared on Node Nordic - AI Konsult för företag.

RSS + Telegram: kryptosammanfattningar på ryska

Rickard Andersson — Thu, 22 Jan 2026 08:05:34 +0000

Kryptonyheter rör sig snabbt, men ditt publiceringsflöde gör det förmodligen inte. Du skummar fem RSS-flöden, kopierar länkar, skriver om sammanfattningar, översätter, formaterar och landar ändå i dubbletter eller ett meddelande som spräcker Telegrams teckenbegränsning.

Den här automatiseringen för Telegram crypto digest träffar kanaladministratörer först, ärligt talat. Men marknadsansvariga som försöker hålla en community varm och grundare som kör lean känner av den också. Resultatet är enkelt: en konsekvent ryskspråkig digest som publiceras åt dig varannan till var tredje timme, utan manuell efterstädning.

Nedan ser du hur flödet hämtar nyheter, filtrerar bort bruset, använder OpenAI för att välja det som spelar roll och sedan publicerar Telegram-färdig rysk text som håller sig inom 4096 tecken.

Så här fungerar automatiseringen

Se hur detta löser problemet:

n8n Workflow Template: RSS + Telegram: kryptosammanfattningar på ryska

Click to explore

flowchart LR

    subgraph sg0["Scheduled Automation Flow"]
        direction LR
        n0@{ icon: "mdi:cog", form: "rounded", label: "CoinDesk Feed Reader", pos: "b", h: 48 }
        n1@{ icon: "mdi:cog", form: "rounded", label: "Cointelegraph Feed Reader", pos: "b", h: 48 }
        n2@{ icon: "mdi:cog", form: "rounded", label: "Decrypt Feed Reader", pos: "b", h: 48 }
        n3@{ icon: "mdi:cog", form: "rounded", label: "CryptoBriefing Feed Reader", pos: "b", h: 48 }
        n4@{ icon: "mdi:cog", form: "rounded", label: "Nulltx Feed Reader", pos: "b", h: 48 }
        n5@{ icon: "mdi:play-circle", form: "rounded", label: "Scheduled Automation Trigger", pos: "b", h: 48 }
        n6["

Combine Feed Streams"]
        n7["

Article Filter & Ranker"]
        n8["

News Array Builder"]
        n9@{ icon: "mdi:robot", form: "rounded", label: "Digest Copywriter", pos: "b", h: 48 }
        n10@{ icon: "mdi:robot", form: "rounded", label: "Market Insight Analyst", pos: "b", h: 48 }
        n11["

Message Chunker"]
        n12["

Telegram Channel Sender"]
        n13@{ icon: "mdi:brain", form: "rounded", label: "Primary GPT Model", pos: "b", h: 48 }
        n14@{ icon: "mdi:brain", form: "rounded", label: "Secondary GPT Model", pos: "b", h: 48 }
        n13 -.-> n10
        n14 -.-> n9
        n6 --> n7
        n4 --> n6
        n2 --> n6
        n0 --> n6
        n5 --> n0
        n5 --> n1
        n5 --> n2
        n5 --> n3
        n5 --> n4
        n9 --> n11
        n1 --> n6
        n11 --> n12
        n10 --> n9
        n3 --> n6
        n8 --> n10
        n7 --> n8
    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 n5 trigger
    class n9,n10 ai
    class n13,n14 aiModel
    class n7,n8,n11 code
    classDef customIcon fill:none,stroke:none
    class n6,n7,n8,n11,n12 customIcon

Utmaningen: publicera kryptodigests utan dagligt kaos

Att driva en Telegram-kanal låter enkelt tills du gör det varje dag. Du plockar rubriker från CoinDesk, Cointelegraph, Decrypt, CryptoBriefing och Nulltx och inser att hälften handlar om samma story med olika rubriker. Nu jämför du tidsstämplar, tar bort dubbletter, bestämmer vad som faktiskt är viktigt, översätter till ryska och skriver om allt så att det läser som en enda strukturerad digest i stället för fem ihopklistrade inlägg. Sedan vägrar Telegram skicka meddelandet eftersom det är för långt, så du börjar kapa. Igen.

Det blir mycket snabbt. Här är var det brukar fallera de flesta veckor.

Du tappar ungefär 1–2 timmar per digest-cykel bara på att samla in, skumma och avdubbla rubriker från flera flöden.
Viktiga nyheter försvinner i mängden eftersom ”vad som ska med” blir en sista-minuten-gissning, inte ett konsekvent redaktionellt val.
Formatering i Telegram-HTML är pilligt, så du postar antingen ren text eller lägger extra tid på att göra det läsbart.
Långa digests går över 4096 tecken, vilket leder till ful manuell uppdelning och ibland trasiga inlägg.

Lösningen: automatiserade ryska kryptodigests från RSS till Telegram

Det här flödet gör om spretiga RSS-rubriker till en strukturerad, Telegram-färdig digest som publiceras enligt schema. Det börjar med att läsa nya poster från fem välkända krypto-nyhetsflöden och slår sedan ihop allt till en ström. Därefter filtrerar det till de senaste 24 timmarna och tar bort dubbletter så att du inte publicerar samma narrativ två gånger. Sedan kliver OpenAI in med två tydliga ”roller”: en agent agerar marknadsanalytiker som väljer de mest betydelsefulla nyheterna och plockar bästa länken per händelse, och en annan agent skriver om den färdiga digesten på ryska med Telegram-kompatibel HTML-formatering. Till sist kontrollerar flödet meddelandelängden och delar upp texten i säkra block så att varje inlägg går igenom korrekt.

Flödet startar med en schemalagd trigger (standard är var 3:e timme). Det samlar in och rensar nyheterna, ber OpenAI att ranka och skriva och publicerar sedan digesten i din Telegram-kanal eller grupp automatiskt. Ingen copy-paste, ingen panikkapning på slutet.

Vad som förändras: före vs. efter

Det här elimineras

Effekten du märker

Manuell koll av fem RSS-sajter och kopiering av länkar till utkast.
Rensa dubbletter och gamla poster för hand varje publiceringscykel.
Översätta och skriva om till ryska samtidigt som du försöker hålla en konsekvent ton.
Dela upp långa Telegram-inlägg efter att de misslyckas att skickas.

De flesta team får tillbaka cirka 5 timmar per vecka när de publicerar flera digests.
Din kanal håller jämn nivå, även under intensiva dagar.
Färre missade nyheter eftersom rankningen sker på samma sätt varje körning.
Renare formatering med Telegram-vänlig HTML i stället för stökig klartext.
Betydligt färre ”meddelandet gick inte att skicka”-ögonblick när du slår i 4096-gränsen.

Effekt i verkligheten

Säg att du publicerar tre digests per dag och hämtar från fem RSS-flöden. Manuellt kan du lägga ungefär 10 minuter per flöde för att skumma, avdubbla och välja länkar (cirka 50 minuter), plus ytterligare 30 minuter för att översätta, formatera och dela upp för Telegram. Det är runt 1,5 timme per digest, eller cirka 4–5 timmar per dag. Med det här flödet lägger du cirka 10 minuter en gång på att sätta upp det, och sedan är varje körning mest väntan på bearbetning medan digesten publiceras automatiskt.

Krav

n8n-instans (testa n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger funkar bra)
Telegram för att publicera i din kanal/grupp.
OpenAI för att ranka, översätta och formatera digesten.
OpenAI API-nyckel (hämta den från din OpenAI-dashboard).

Svårighetsnivå: Nybörjare. Du kopplar in autentiseringar, klistrar in ett chat-ID och justerar prompts om du vill ha en annan ton.

Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).

Flödet i arbetsflödet

Ett schema triggar körningen. Varje par timmar (standard: 3) startar n8n flödet och hämtar nya poster från CoinDesk, Cointelegraph, Decrypt, CryptoBriefing och Nulltx.

Alla flöden slås ihop och rensas. Flödet kombinerar de separata RSS-strömmarna till en lista, filtrerar till de senaste 24 timmarna och avdubblar nyheter så att upprepad bevakning inte svämmar över din digest.

OpenAI väljer det som spelar roll och skriver digesten. En agent i rollen ”Market Insight Analyst” identifierar de viktigaste händelserna och väljer den starkaste artikeln per händelse. Därefter formaterar en ”Digest Copywriter”-agent allt på ryska med Telegram-kompatibel HTML så att det ser genomtänkt ut, inte autogenererat.

Meddelandet delas upp och publiceras i Telegram. Ett chunking-steg säkerställer att varje del ligger under Telegrams gräns på 4096 tecken, och sedan skickar Telegram-noden digesten till din konfigurerade kanal eller grupp.

Du kan enkelt ändra RSS-källorna så att de matchar din nisch (endast DeFi, L2:or, makro) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera den schemalagda automationstriggern

Det här arbetsflödet körs enligt ett schema och börjar med att hämta flera RSS-flöden parallellt.

Lägg till och öppna Scheduled Automation Trigger.
Ställ in schemaregeln så att den körs var 3:e timme genom att konfigurera Rule → Interval → Field till hours och Hours Interval till 3.
Bekräfta att triggern kopplar upp mot flödesläsarna. Scheduled Automation Trigger skickar utdata till CoinDesk Feed Reader, Cointelegraph Feed Reader, Decrypt Feed Reader, CryptoBriefing Feed Reader och Nulltx Feed Reader parallellt.

Steg 2: anslut RSS-flödeskällor

Fem RSS-flöden körs parallellt och slås ihop till en enda ström för bearbetning.

Konfigurera RSS-noderna (5 totalt) med deras URL:er: CoinDesk Feed Reader → https://www.coindesk.com/arc/outboundfeeds/rss/, Cointelegraph Feed Reader → https://cointelegraph.com/rss, Decrypt Feed Reader → https://decrypt.co/feed, CryptoBriefing Feed Reader → https://cryptobriefing.com/feed/ och Nulltx Feed Reader → https://nulltx.com/feed/.
Öppna Combine Feed Streams och ställ in Number of Inputs till 5.
Verifiera att varje flödesläsare är ansluten till Combine Feed Streams så att alla objekt slås ihop innan bearbetning.

Om ett flöde tillfälligt ligger nere körs sammanslagningen ändå, men ni kan få färre objekt i sammanfattningen.

Steg 3: konfigurera filtrering och förberedelse av array

Arbetsflödet filtrerar, avduplicerar och förbereder en konsoliderad array för AI-analysen.

Öppna Article Filter & Ranker och behåll den medföljande JavaScript-koden, som filtrerar till de senaste 24 timmarna och tar bort dubbletter.
Öppna News Array Builder och bekräfta att den returnerar ett enda objekt med data som innehåller nyhets-arrayen.
Säkerställ att Article Filter & Ranker ansluter till News Array Builder och därefter till Market Insight Analyst.

⚠️ Vanlig fallgrop: Ändra inte utdatanyckeln data i News Array Builder—AI-prompten förväntar {{$json.data}}.

Steg 4: konfigurera AI-analys och skriva sammanfattningen

Två AI-agenter analyserar och skriver sammanfattningen med anslutna OpenAI-modeller.

Öppna Primary GPT Model och välj modellen gpt-4o-mini.
Credential Required: Anslut era openAiApi-uppgifter i Primary GPT Model.
Öppna Secondary GPT Model och välj modellen gpt-4.1-mini.
Credential Required: Anslut era openAiApi-uppgifter i Secondary GPT Model.
I Market Insight Analyst ska ni behålla prompten och säkerställa att indatareferensen förblir {{ JSON.stringify($json.data, null, 2) }}. Primary GPT Model är ansluten som språkmodell för Market Insight Analyst—se till att uppgifter läggs till i Primary GPT Model, inte i agentnoden.
I Digest Copywriter ska ni behålla prompten som enbart är för HTML och bekräfta att indatareferensen förblir {{ $json.output }}. Secondary GPT Model är ansluten som språkmodell för Digest Copywriter—se till att uppgifter läggs till i Secondary GPT Model, inte i agentnoden.

Agenterna förväntar strikt HTML-utdata för Telegram; undvik att lägga till Markdown i prompterna.

Steg 5: konfigurera meddelandeuppdelning och leverans till Telegram

Sammanfattningen delas upp i Telegram-anpassade delar och skickas till er kanal.

Öppna Message Chunker och behåll JavaScript-koden som delar upp innehållet efter Telegram-gränsen på 4096 tecken.
Öppna Telegram Channel Sender och ställ in Chat ID till er kanal-ID (ersätt [YOUR_ID]).
Ställ in Text till uttrycket {{ $json.text }} för att skicka varje del.
Credential Required: Anslut era Telegram-uppgifter i Telegram Channel Sender.
Bekräfta att Telegram Channel Sender använder HTML-tolkning (noden är konfigurerad med parse_mode satt till HTML).

⚠️ Vanlig fallgrop: Om ert kanal-ID är felaktigt eller saknas kommer meddelanden inte att levereras även om arbetsflödet körs.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett manuellt test för att bekräfta dataflöde, AI-utdata och leverans till Telegram.

Klicka på Execute Workflow för att köra arbetsflödet manuellt från Scheduled Automation Trigger.
Verifiera att Combine Feed Streams tar emot objekt från alla RSS-källor parallellt.
Kontrollera att Market Insight Analyst ger utdata som en JSON-array och att Digest Copywriter ger utdata som HTML-formaterad sammanfattningstext.
Bekräfta att Telegram Channel Sender publicerar ett eller flera meddelanden i er kanal, uppdelade av Message Chunker.
När det fungerar, växla arbetsflödet till Active för att aktivera schemalagda körningar i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Saker att se upp med

Telegram-autentiseringar kan löpa ut eller sakna behörigheter. Om publiceringen misslyckas, kontrollera botens adminrättigheter i målkanalen/-gruppen och bekräfta chatId i noden Telegram Channel Sender först.
Om dina RSS-källor är långsamma eller inkonsekventa varierar bearbetningstiden. Öka väntetiden (eller lägg till en) om efterföljande noder kör innan alla flöden hunnit returnera poster.
Standardprompts i OpenAI-agenterna kan kännas generiska. Lägg in din varumärkesröst, föredragna termer och en kort stilguide tidigt, annars kommer du fortsätta skriva om ”nästan bra” digests.

Vanliga frågor

Hur snabbt kan jag implementera den här automatiseringen för Telegram crypto digest?

Cirka 5–10 minuter om din OpenAI-nyckel och Telegram-bot är klara.

Kan icke-tekniska team implementera den här Telegram crypto digest?

Ja. Ingen kodning krävs, men du behöver klistra in ditt Telegram chatId och koppla OpenAI- och Telegram-autentiseringarna.

Är n8n gratis att använda för det här flödet för Telegram crypto digest?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med OpenAI API-kostnader (oftast bara några dollar i månaden vid normal digest-volym).

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och klarar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

Hur anpassar jag den här Telegram crypto digest-lösningen till mina specifika utmaningar?

Du kan byta ut eller lägga till flöden genom att redigera RSS-läsarnoderna (CoinDesk, Cointelegraph och de andra) och sedan låta Merge-noden slå ihop dem. De flesta anpassningar görs i de två OpenAI-agenternas prompts: ändra ”Market Insight Analyst” så att den prioriterar din nisch (DeFi, memes, makro) och justera ”Digest Copywriter” så att den matchar din varumärkesröst, emoji-regler, länkstil eller striktare rysk terminologi. Om du vill ha färre inlägg, ändra schemaintervallet (standard är var 3:e timme).

Varför misslyckas min Telegram-anslutning i det här flödet?

Oftast handlar det om behörigheter eller fel chatId. Se till att din bot är admin i kanalen (med rätt att posta) och bekräfta sedan att du använder rätt identifierare (till exempel @your_channel) i noden Telegram Channel Sender. Om det fungerade en gång och sedan slutade, kontrollera autentiseringen i n8n igen och skapa om bot-token om det behövs. Rate limits är ovanliga för digests, men kan inträffa om du skickar för många chunks på en gång.

Vilken kapacitet har den här Telegram crypto digest-lösningen?

För de flesta kanaler är det i praktiken ”så ofta du vill”. I n8n Cloud beror kapaciteten på din plans månatliga körningar, medan self-hosting inte har någon fast körningsgräns (det beror på din server). Det här flödet publicerar normalt några Telegram-meddelanden per körning eftersom långa digests delas upp under 4096-teckensgränsen.

Är den här automatiseringen för Telegram crypto digest bättre än att använda Zapier eller Make?

Ofta, ja, eftersom detta inte är en enkel ”RSS in, meddelande ut”-uppgift. Du slår ihop flera flöden, kör anpassad filtrering/avdubbningslogik, använder sedan två AI-steg för rankning och skrivning och delar till sist upp texten för att hålla Telegrams gräns, vilket gör att förgreningar och anpassad kod spelar roll. n8n hanterar den typen av logik snyggt och kan self-hostas när volymen växer. Zapier eller Make kan fortfarande fungera om du förenklar flödet, men kostnaderna kan dra iväg när varje flödespost blir flera tasks. Prata med en automationsexpert om du vill ha hjälp att välja.

När detta väl är live finns din digest bara där, enligt schema, korrekt formaterad, på ryska, utan att du behöver sitta och vaka över den. Sätt upp det en gång och ta tillbaka din tid.

The post RSS + Telegram: kryptosammanfattningar på ryska first appeared on Node Nordic - AI Konsult för företag.

LinkedIn till Google Sheets: sekvenser klara att skicka

Rickard Andersson — Thu, 22 Jan 2026 08:04:10 +0000

Du har hittat rätt LinkedIn-profiler. Sedan börjar det stökiga: jaga en e-postadress, kopiera detaljer till ett kalkylark, skriva ett bra första mejl och sedan försöka komma ihåg fyra uppföljningar.

SDR:er känner det när kön växer. En grundare känner det när outreach blir ett kvällsjobb. Och ett byråteam fastnar i ”admin” i stället för att boka möten. Den här automationen för LinkedIn-outreach gör en profil-URL till en verifierad e-postadress och en 5-mejlssekvens som är redo att skickas, loggat strukturerat i Google Sheets.

Nedan ser du exakt vad arbetsflödet gör, vad du får i slutändan och var team oftast går bet första gången de sätter upp det.

Så fungerar automatiseringen

Hela n8n-arbetsflödet, från trigger till slutligt resultat:

n8n Workflow Template: LinkedIn till Google Sheets: sekvenser klara att skicka

Click to explore

flowchart LR

    subgraph sg0["Manual Launch Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Launch Trigger", pos: "b", h: 48 }
        n1@{ icon: "mdi:database", form: "rounded", label: "Retrieve Sheet Rows", pos: "b", h: 48 }
        n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Map Input Fields", pos: "b", h: 48 }
        n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Assign Access Details", pos: "b", h: 48 }
        n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Configure Email Template", pos: "b", h: 48 }
        n5@{ icon: "mdi:cog", form: "rounded", label: "Limit Record Count", pos: "b", h: 48 }
        n6@{ icon: "mdi:swap-vertical", form: "rounded", label: "Iterate Through Batches", pos: "b", h: 48 }
        n7@{ icon: "mdi:cog", form: "rounded", label: "Delay Processing", pos: "b", h: 48 }
        n8["

External API Request"]
        n9@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Branch Logic Check", pos: "b", h: 48 }
        n10["

Query Language Model"]
        n11["

LinkedIn Profile Request"]
        n12["

Transform Script"]
        n13@{ icon: "mdi:robot", form: "rounded", label: "Compose Email Chain", pos: "b", h: 48 }
        n14@{ icon: "mdi:database", form: "rounded", label: "Update Final Sheet", pos: "b", h: 48 }
        n15@{ icon: "mdi:database", form: "rounded", label: "Update Missing Email", pos: "b", h: 48 }
        n16@{ icon: "mdi:brain", form: "rounded", label: "Primary Chat Model", pos: "b", h: 48 }
        n17@{ icon: "mdi:robot", form: "rounded", label: "Parse Structured Output", pos: "b", h: 48 }
        n18@{ icon: "mdi:brain", form: "rounded", label: "Secondary Chat Model", pos: "b", h: 48 }
        n9 --> n10
        n9 --> n15
        n12 --> n13
        n7 --> n8
        n13 --> n14
        n5 --> n6
        n2 --> n3
        n8 --> n9
        n14 --> n6
        n10 --> n11
        n3 --> n4
        n6 --> n7
        n16 -.-> n17
        n18 -.-> n13
        n4 --> n5
        n1 --> n2
        n15 --> n6
        n17 -.-> n13
        n11 --> n12
        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 n13,n17 ai
    class n16,n18 aiModel
    class n9 decision
    class n1,n14,n15 database
    class n8,n11 api
    class n12 code
    classDef customIcon fill:none,stroke:none
    class n8,n10,n11,n12 customIcon

Problemet: LinkedIn-leads dör i glappen

LinkedIn-prospektering är sällan den svåra delen. Tidsläckan är allt efter att du har tagit URL:en: hitta en e-post som faktiskt fungerar, plocka fram några detaljer för personalisering och skriva uppföljningar som inte låter som mallar från 2017. Gör du det manuellt kommer du att ”spara tid” genom att hoppa över steg, vilket betyder att du skickar svagare mejl, missar uppföljningar eller tappar koll på vad som skickats. Och när ditt kalkylark blir rörigt slutar du lita på det. Då blir outreach ett halvfärdigt system som bränner timmar och i det tysta dödar svarsfrekvensen.

Det går snabbt att summera. Här är var det brukar fallera i verkligheten.

Att copy-pasta profilinfo till Google Sheets skapar dubbletter, stavfel och saknade fält som du upptäcker för sent.
E-postletande blir en tabbhoppande övning, och ”catch-all”-adresser smyger sig in i utskick och försämrar leveransbarheten.
Att skriva fem mejl per lead låter hanterbart tills du har 30 leads – då sjunker kvaliteten och allt ser likadant ut.
Uppföljningar glöms bort eftersom sekvensen finns i någons huvud, inte i ett system du kan granska och förbättra.

Lösningen: LinkedIn-URL → verifierad e-post + 5-mejlssekvens i Sheets

Det här arbetsflödet startar med en lista av LinkedIn-profil-URL:er i Google Sheets och gör varje rad till en komplett, outreach-klar post. Det läser leads där e-poststatus saknas, slår upp en professionell e-post via AnyMailFinder och sparar status (verifierad, catch-all eller saknas) så att du slipper gissa. Därefter berikas leaden med snabb research: företagskontext från Perplexity och profildata som skrapas via Apify. Kontexten kondenseras till en strukturerad sammanfattning, och OpenAI använder den för att skriva ett personligt intro-mejl plus fyra uppföljningar, alla med ämnesrader, i ett strikt strukturerat format så att ditt kalkylark förblir prydligt. Till sist skrivs allt tillbaka till Google Sheets med ett lägg-till-eller-uppdatera-upplägg, vilket hjälper dig att undvika dubbletter när du kör om batchar.

Arbetsflödet startas i n8n (manuell trigger) och hämtar direkt rader från ditt ark. Det bearbetar leads i batchar med valfria fördröjningar för att respektera API-gränser. När det är klart blir arket ett användbart mini-CRM: verifierad e-post, berikning, fem mejltexter och statusfält redo för sekvensering.

Det du får: automatisering vs. resultat

Det här automatiserar arbetsflödet

Resultat du får

Hämtar nya prospektrader från Google Sheets där e-poststatus är tom.
Hittar och märker upp professionella e-postadresser via AnyMailFinder (verifierad, catch-all eller saknas).
Berikar varje lead med Perplexity-research och Apify-baserad LinkedIn-profildata.
Skapar en 5-mejlssekvens (intro + 4 uppföljningar) med OpenAI och skriver tillbaka den till Sheets.

Gör en batch leads till outreach-klara rader på cirka 10–20 minuter i stället för en halv dag med adminjobb.
Färre studsar eftersom du kan filtrera på ”verifierad” innan du skickar.
Konsekvent personalisering utan att skriva om från noll varje gång.
Renare uppföljning på ett ställe, vilket gör iteration faktiskt möjlig.
En repeterbar pipeline som teamet kan köra varje vecka – inte en engångsinsats.

Exempel: så här ser det ut

Säg att du varje vecka lägger in 30 LinkedIn-profil-URL:er i ett Google Sheet. Manuellt tar det oftast runt 10 minuter per lead att hitta en e-post och validera den, och sedan ytterligare 15 minuter att skriva ett intro plus uppföljningar – totalt cirka 12 timmar. Med det här arbetsflödet markerar du raderna, kör det och låter det bearbeta i batchar med en kort fördröjning; din ”människotid” blir närmare 15 minuter för att ställa in din mall och granska resultatet. Även om bearbetningen tar ytterligare 30–60 minuter i bakgrunden får du ändå tillbaka din eftermiddag.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
Google Sheets för att lagra leads och resultat
AnyMailFinder för e-postsökning och status
OpenAI API-nyckel (hämtas i din OpenAI-dashboard)
Apify för att skrapa LinkedIn-profiluppgifter
Perplexity API-nyckel (hämtas i Perplexity API-inställningarna)

Kunskapsnivå: Medel. Du kopplar några API:er, mappar fält till dina kolumner i arket och testar först med en liten batch.

Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

Lead-intag från Google Sheets. Du kör arbetsflödet och det hämtar rader där fältet ”Email status” är tomt, så det jobbar bara med leads som fortfarande behöver berikas.

E-postsökning och validering. För varje LinkedIn-URL anropas AnyMailFinder via en HTTP-request, och arbetsflödet förgrenar sig beroende på vad som kommer tillbaka (verifierad, catch-all eller ingen e-post hittades).

Kontextinsamling för personalisering. Perplexity tar fram snabba företagsinsikter, Apify hämtar viktiga profildetaljer och ett transformationssteg strukturerar allt till en kort, användbar sammanfattning för AI-prompten.

Skapande av sekvens och strukturerad åter-skrivning. OpenAI producerar ett intro-mejl plus fyra uppföljningar med ämnesrader i ett strikt JSON-format, och därefter uppdaterar arbetsflödet raden i ditt Google Sheet med e-post, status och hela sekvensen.

Du kan enkelt justera grundmallen för mejlen så att den matchar ditt erbjudande och din tonalitet utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-implementeringsguide

Steg 1: Konfigurera den manuella triggern

Starta arbetsflödet med en manuell trigger så att ni kan testa hela pipelinen end-to-end.

Lägg till och verifiera att noden Manual Launch Trigger ligger först i arbetsflödet.
Koppla Manual Launch Trigger till Retrieve Sheet Rows för att börja hämta leaddata.

Steg 2: Anslut Google Sheets

Konfigurera Google Sheets-noderna som läser och skriver leadposter.

Öppna Retrieve Sheet Rows och välj kalkylarket och fliken som innehåller er leadlista.
Öppna Update Final Sheet och ställ in målkalkylark/flik för att lagra skapade e-postmeddelanden och leaduppdateringar.
Öppna Update Missing Email och ställ in målkalkylark/flik för utfall där e-postadress saknas.
Inloggningsuppgifter krävs: Anslut era Google Sheets-inloggningsuppgifter i Retrieve Sheet Rows, Update Final Sheet och Update Missing Email.

Steg 3: Ställ in datamappning och batchkontroll

Förbered indatafält och styr hur många poster som behandlas per körning.

I Map Input Fields mappar ni inkommande kolumner från Retrieve Sheet Rows till konsekventa fältnamn som används längre fram i flödet.
I Assign Access Details anger ni eventuella statiska värden som behövs för autentisering, kontoåtkomst eller organisationsmetadata.
I Configure Email Template definierar ni de fält i e-postmallen som ni vill skicka vidare till AI-kedjan.
I Limit Record Count anger ni maximalt antal poster att behandla per körning.
I Iterate Through Batches definierar ni batchstorlek och säkerställer att den loopar tillbaka efter Update Final Sheet och Update Missing Email.

Steg 4: Konfigurera extern berikning och förgrening

Berika leaddata och routa poster baserat på resultat.

Konfigurera Delay Processing för att sprida ut API-anrop före External API Request.
Konfigurera External API Request med er berikningsendpoint och nödvändiga headers/body.
I Branch Logic Check definierar ni villkor som avgör om leads går vidare till berikning och e-postskapande eller skickas till Update Missing Email.
Inloggningsuppgifter krävs: Lägg till nödvändiga API-inloggningsuppgifter eller headers i External API Request och LinkedIn Profile Request.

Säkerställ att era villkor i Branch Logic Check matchar output från External API Request. Fält som inte matchar kan routa alla poster till Update Missing Email.

Steg 5: Ställ in AI-berikning och e-postskapande

Använd AI för att berika profiler och generera e-posttext.

Konfigurera Query Language Model för att generera research-prompter för leadberikning.
Konfigurera LinkedIn Profile Request för att hämta profildata med detaljer från Query Language Model.
Använd Transform Script för att normalisera API-svar till en konsekvent struktur för e-postkedjan.
Konfigurera Compose Email Chain för att kombinera den transformerade leaddatan med era mallfält.
Anslut Secondary Chat Model som språkmodell för Compose Email Chain.
Anslut Primary Chat Model som språkmodell för Parse Structured Output, och säkerställ att Parse Structured Output är kopplad in i Compose Email Chain som output-parser.
Inloggningsuppgifter krävs: Anslut era OpenAI Chat-inloggningsuppgifter i Primary Chat Model och Secondary Chat Model.
Inloggningsuppgifter krävs: Anslut era Perplexity-inloggningsuppgifter i Query Language Model.

För AI-verktyg som Parse Structured Output lägger ni till inloggningsuppgifter på de överordnade AI-modellnoderna (Primary Chat Model och Secondary Chat Model), inte på själva parsern.

Steg 6: Konfigurera output-uppdateringar

Skriv tillbaka de färdiga e-postmeddelandena och utfallen till ert kalkylark.

I Update Final Sheet mappar ni e-postens outputfält från Compose Email Chain till era kolumner i arket.
I Update Missing Email mappar ni orsaker till misslyckande/hoppad över från Branch Logic Check till era spårningskolumner.
Bekräfta att loopen från Update Final Sheet och Update Missing Email går tillbaka till Iterate Through Batches.

Steg 7: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att verifiera dataflödet och AI-output, och aktivera sedan arbetsflödet för produktionsanvändning.

Klicka på Execute Workflow från Manual Launch Trigger för att testa med en liten batch.
Verifiera att Retrieve Sheet Rows hämtar poster och att Update Final Sheet eller Update Missing Email uppdaterar rätt rader.
Bekräfta att AI-output skrivs korrekt och att loopen via Iterate Through Batches behandlar förväntat antal poster.
När ni är nöjda växlar ni arbetsflödet till Active för att använda det i produktionskörningar.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Google Sheets-inloggningar kan gå ut eller kräva specifika behörigheter. Om det skapar fel: kontrollera först det anslutna Google-kontot och delningsinställningarna för arket.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er varumärkesröst tidigt, annars kommer du att redigera utdata i all evighet.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för LinkedIn-outreach?

Cirka 45 minuter om dina API-nycklar är klara.

Behöver jag kunna koda för att automatisera LinkedIn-outreach?

Nej. Du kopplar mest konton och mappar några fält i Google Sheets. Arbetsflödet hanterar redan logiken, inklusive förgrening för saknad e-post eller catch-all.

Är n8n gratis att använda för det här arbetsflödet för LinkedIn-outreach?

Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Molnplaner börjar på 20 USD/månad för högre volym. Du behöver också räkna in API-kostnader för OpenAI, Apify, Perplexity och AnyMailFinder (oftast några cent per lead, beroende på användning).

Var kan jag hosta n8n för att köra den här automationen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och klarar n8n bra. Egen hosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här arbetsflödet för LinkedIn-outreach för ett annat antal uppföljningar?

Ja, men då behöver du uppdatera både AI-prompten och mappningen mot arket. I arbetsflödet justerar du värdena i ”Configure Email Template” och prompten i ”Compose Email Chain” så att den spottar ut exakt det antal mejl du vill ha. Bekräfta sedan att ”Parse Structured Output” fortfarande matchar JSON-strukturen och att ”Update Final Sheet” skriver till rätt kolumner. Vanliga ändringar är att gå över till 3 uppföljningar, lägga till ett breakup-mejl eller byta till ett annat baserbjudande.

Varför fungerar inte min Google Sheets-anslutning i det här arbetsflödet?

Oftast beror det på fel Google-konto, att du saknar åtkomst till arket eller att namn på kalkylark/flik har ändrats efter att du kopplade det. Kontrollera inloggningen i n8n och bekräfta sedan att arket är delat med den Google-användaren. Om arbetsflödet kan läsa rader men inte uppdatera dem kan området (range) eller kolumnnamnen inte längre matcha det som noden ”Update Final Sheet” förväntar sig.

Hur många leads kan den här automatiseringen för LinkedIn-outreach hantera?

I praktiken kör de flesta team batchar på 25–200 leads åt gången för att hålla sig inom API-gränser, och schemalägger sedan en ny körning senare.

Är den här automatiseringen för LinkedIn-outreach bättre än att använda Zapier eller Make?

För berikning i flera steg och AI-skrivande är n8n oftast ett bättre val. Du kan göra förgreningslogik (verifierad vs. catch-all vs. saknas), batchning och strukturerad parsning utan att betala extra för varje ”väg”. Egen hosting är också en stor grej om du vill köra många leads utan att hålla koll på task-kvoter. Zapier och Make kan ärligt talat också fungera, men så fort du lägger till ”skrapa profil”, ”researcha företag” och ”generera en 5-mejlssekvens” blir byggena sköra och dyra. Om du är osäker, prata med en automationsexpert och få en rekommendation baserad på din leadvolym.

När det här väl är på plats slutar din LinkedIn-lista att vara ”research” och börjar bli pipeline. Arbetsflödet tar hand om de repetitiva delarna så att du kan fokusera på erbjudanden, targeting och svaren som faktiskt driver intäkter.

The post LinkedIn till Google Sheets: sekvenser klara att skicka first appeared on Node Nordic - AI Konsult för företag.

Telegram + WEEX: spotsignaler i ett tydligt svar

Rickard Andersson — Thu, 22 Jan 2026 08:02:47 +0000

Du ställer en enkel fråga som “BTC bullish eller bearish?” och plötsligt sitter du och jonglerar fem flikar, två grafer, ett nyhetsflöde och ett halvfärdigt meddelande som du inte vågar skicka eftersom det redan är inaktuellt. Det är det verkliga problemet. Det är inte analysen. Det är stressen.

Community managers inom trading känner av det när deras Telegram blir en nonstop “vad är nästa move?”-support. Marknadsansvariga i kryptoprojekt känner av det när de behöver snabb och konsekvent marknadskontext för innehåll. Och grundare som fortfarande håller koll på spotmarknaderna? Samma sak. Den här automatiseringen för WEEX Telegram signals ger dig en felfri brief som du faktiskt kan dela.

Du får se vad workflowet gör, vad det ersätter och hur du får igång det i n8n utan att det blir ett forskningsprojekt.

Så här fungerar automatiseringen

Se hur detta löser problemet:

n8n Workflow Template: Telegram + WEEX: spotsignaler i ett tydligt svar

Click to explore

flowchart LR

    subgraph sg0["Telegram Update Flow"]
        direction LR
        n0@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine", pos: "b", h: 48 }
        n1["

Telegram Update Trigger"]
        n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Assign Session Identifier", pos: "b", h: 48 }
        n3["

Chunk Long Telegram Text"]
        n4@{ icon: "mdi:robot", form: "rounded", label: "Quant Analysis Orchestrator", pos: "b", h: 48 }
        n5@{ icon: "mdi:wrench", form: "rounded", label: "Market News Sentiment Tool", pos: "b", h: 48 }
        n6@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine A", pos: "b", h: 48 }
        n7@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine B", pos: "b", h: 48 }
        n8@{ icon: "mdi:wrench", form: "rounded", label: "Spot Quant Subagent Tool", pos: "b", h: 48 }
        n9@{ icon: "mdi:cog", form: "rounded", label: "CoinTelegraph RSS Reader", pos: "b", h: 48 }
        n10@{ icon: "mdi:cog", form: "rounded", label: "CoinDesk RSS Reader", pos: "b", h: 48 }
        n11@{ icon: "mdi:web", form: "rounded", label: "NewsAPI Fetcher", pos: "b", h: 48 }
        n12@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine C", pos: "b", h: 48 }
        n13@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine D", pos: "b", h: 48 }
        n14@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine E", pos: "b", h: 48 }
        n15@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine F", pos: "b", h: 48 }
        n16@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine G", pos: "b", h: 48 }
        n17@{ icon: "mdi:wrench", form: "rounded", label: "Spot Raw Data Aggregator", pos: "b", h: 48 }
        n18@{ icon: "mdi:wrench", form: "rounded", label: "Spot 15m Indicator Tool", pos: "b", h: 48 }
        n19@{ icon: "mdi:wrench", form: "rounded", label: "Spot 1h Indicator Tool", pos: "b", h: 48 }
        n20@{ icon: "mdi:wrench", form: "rounded", label: "Spot 4h Indicator Tool", pos: "b", h: 48 }
        n21@{ icon: "mdi:wrench", form: "rounded", label: "Spot 1d Indicator Tool", pos: "b", h: 48 }
        n22@{ icon: "mdi:cog", form: "rounded", label: "NewsBTC RSS Reader", pos: "b", h: 48 }
        n23@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Engine H", pos: "b", h: 48 }
        n24@{ icon: "mdi:wrench", form: "rounded", label: "Spot REST Snapshot Tool", pos: "b", h: 48 }
        n25@{ icon: "mdi:memory", form: "rounded", label: "Spot Raw Data Memory", pos: "b", h: 48 }
        n26@{ icon: "mdi:memory", form: "rounded", label: "Spot REST Snapshot Memory", pos: "b", h: 48 }
        n27@{ icon: "mdi:web", form: "rounded", label: "Retrieve Single Ticker", pos: "b", h: 48 }
        n28@{ icon: "mdi:web", form: "rounded", label: "Retrieve 15m Candles", pos: "b", h: 48 }
        n29@{ icon: "mdi:web", form: "rounded", label: "Retrieve 15m Candles B", pos: "b", h: 48 }
        n30@{ icon: "mdi:wrench", form: "rounded", label: "Reasoning Step 15m", pos: "b", h: 48 }
        n31@{ icon: "mdi:wrench", form: "rounded", label: "Math Helper 15m", pos: "b", h: 48 }
        n32@{ icon: "mdi:wrench", form: "rounded", label: "Math Helper 1h", pos: "b", h: 48 }
        n33@{ icon: "mdi:wrench", form: "rounded", label: "Math Helper 1d", pos: "b", h: 48 }
        n34@{ icon: "mdi:wrench", form: "rounded", label: "Math Helper 4h", pos: "b", h: 48 }
        n35@{ icon: "mdi:web", form: "rounded", label: "Retrieve 1h Candles", pos: "b", h: 48 }
        n36@{ icon: "mdi:web", form: "rounded", label: "Retrieve 1h Candles B", pos: "b", h: 48 }
        n37@{ icon: "mdi:web", form: "rounded", label: "Retrieve 4h Candles", pos: "b", h: 48 }
        n38@{ icon: "mdi:web", form: "rounded", label: "Retrieve 4h Candles B", pos: "b", h: 48 }
        n39@{ icon: "mdi:web", form: "rounded", label: "Retrieve 1d Candles", pos: "b", h: 48 }
        n40@{ icon: "mdi:web", form: "rounded", label: "Retrieve 1d Candles B", pos: "b", h: 48 }
        n41@{ icon: "mdi:web", form: "rounded", label: "Retrieve Orderbook Depth", pos: "b", h: 48 }
        n42@{ icon: "mdi:web", form: "rounded", label: "Retrieve Recent Trades", pos: "b", h: 48 }
        n43["

Send Telegram Report"]
        n44@{ icon: "mdi:memory", form: "rounded", label: "Quant Orchestrator Memory", pos: "b", h: 48 }
        n45@{ icon: "mdi:memory", form: "rounded", label: "Spot Quant Memory", pos: "b", h: 48 }
        n46@{ icon: "mdi:memory", form: "rounded", label: "Spot 15m Memory", pos: "b", h: 48 }
        n47@{ icon: "mdi:wrench", form: "rounded", label: "REST Snapshot Reasoning", pos: "b", h: 48 }
        n48@{ icon: "mdi:wrench", form: "rounded", label: "Raw Data Merge Reasoning", pos: "b", h: 48 }
        n49@{ icon: "mdi:memory", form: "rounded", label: "Spot 1h Memory", pos: "b", h: 48 }
        n50@{ icon: "mdi:wrench", form: "rounded", label: "Spot 1h Reasoning", pos: "b", h: 48 }
        n51@{ icon: "mdi:memory", form: "rounded", label: "Spot 4h Memory", pos: "b", h: 48 }
        n52@{ icon: "mdi:wrench", form: "rounded", label: "Spot 4h Reasoning", pos: "b", h: 48 }
        n53@{ icon: "mdi:memory", form: "rounded", label: "Spot 1d Memory", pos: "b", h: 48 }
        n54@{ icon: "mdi:wrench", form: "rounded", label: "Spot 1d Reasoning", pos: "b", h: 48 }
        n55@{ icon: "mdi:memory", form: "rounded", label: "News Sentiment Memory", pos: "b", h: 48 }
        n30 -.-> n18
        n31 -.-> n18
        n32 -.-> n19
        n33 -.-> n21
        n34 -.-> n20
        n42 -.-> n24
        n11 -.-> n5
        n2 --> n4
        n39 -.-> n21
        n35 -.-> n19
        n37 -.-> n20
        n1 --> n2
        n28 -.-> n24
        n40 -.-> n24
        n36 -.-> n24
        n38 -.-> n24
        n0 -.-> n4
        n29 -.-> n18
        n6 -.-> n8
        n7 -.-> n5
        n12 -.-> n17
        n13 -.-> n18
        n14 -.-> n19
        n15 -.-> n20
        n16 -.-> n21
        n54 -.-> n21
        n27 -.-> n24
        n23 -.-> n24
        n4 --> n3
        n53 -.-> n21
        n50 -.-> n19
        n52 -.-> n20
        n46 -.-> n18
        n49 -.-> n19
        n51 -.-> n20
        n41 -.-> n24
        n5 -.-> n4
        n22 -.-> n5
        n48 -.-> n17
        n55 -.-> n5
        n10 -.-> n5
        n25 -.-> n17
        n44 -.-> n4
        n21 -.-> n8
        n18 -.-> n8
        n19 -.-> n8
        n20 -.-> n8
        n47 -.-> n24
        n9 -.-> n5
        n26 -.-> n24
        n45 -.-> n8
        n17 -.-> n8
        n24 -.-> n17
        n8 -.-> n4
        n3 --> n43
    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 n1 trigger
    class n4 ai
    class n0,n6,n7,n12,n13,n14,n15,n16,n23 aiModel
    class n5,n8,n17,n18,n19,n20,n21,n24,n30,n31,n32,n33,n34,n47,n48,n50,n52,n54 ai
    class n25,n26,n44,n45,n46,n49,n51,n53,n55 ai
    class n11,n27,n28,n29,n35,n36,n37,n38,n39,n40,n41,n42 api
    class n3 code
    classDef customIcon fill:none,stroke:none
    class n1,n3,n43 customIcon

Utmaningen: att göra rörig marknadsdata till ett användbart Telegram-svar

De flesta “marknadsuppdateringar” faller på tråkiga orsaker. Personen som skriver dem har bråttom, datan kommer från olika håll och slutmeddelandet blir antingen för vagt (“ser bullish ut”) eller för långt för att orka läsa i chatten. Sedan gör du om det en timme senare för att någon frågar om ett annat mynt, en annan tidsram eller “vad som förändrades”. Den mentala belastningen smyger sig också på. Du ifrågasätter hela tiden: kollade jag orderbokens djup, missade jag en nyhet som precis kom, vände RSI på 4h?

Det eskalerar snabbt. Här är var det brister i praktiken.

Du slösar cirka 20 minuter på att plocka fram pris, candles och indikatorer innan du ens börjar skriva meddelandet.
Olika tidsramar berättar olika historier, så din “sammanfattning” blir en intern debatt i stället för en tydlig signal.
Nyhetssentiment läggs på i slutet (om alls), vilket gör att din uppdatering missar det som folk bryr sig mest om.
Långa Telegram-svar kapas eller formateras dåligt, så råden ser slarviga ut även när analysen är stabil.

Lösningen: fråga i Telegram, få en WEEX spotmarknads-brief tillbaka

Det här workflowet gör Telegram till din “enda ingång” för spotmarknadsanalys på WEEX. En användare skickar en fråga (som “15m- och 4h-trender för SOL” eller “orderboksstruktur för ETH”), och n8n tilldelar en session så att samtalet hänger ihop. Därifrån skickar en AI-orkestrator vidare förfrågan till rätt verktyg: den kan hämta livepris och senaste avslut, hämta candles för 15m/1h/4h/1d och lägga till kontext från orderbokens djup. Den samlar också kryptonyheter från källor som CoinDesk och CoinTelegraph och använder sedan GPT-4o (eller DeepSeek Chat) för att översätta bruset till sentiment du kan förstå. Till sist sätter den ihop en felfri, lättläst Telegram-brief och skickar tillbaka den. Om meddelandet är långt delas det upp i delar så att leveransen i Telegram förblir pålitlig.

Workflowet startar med en fråga i Telegram. Därefter hämtas WEEX-marknadsdata och indikatorer för flera tidsramar och tolkas av agenten. Nyheter och sentiment läggs till, och slutresultatet levereras som en strukturerad rapport i Telegram som du kan vidarebefordra till en grupp utan att skriva om.

Vad som förändras: före vs. efter

Det här elimineras

Effekten du ser

Att manuellt kolla flera tidsramar i olika grafer och sedan försöka få ihop dem i ett enda meddelande.
Att copy-pasta livepris, candles och orderboksutdrag till Telegram och fixa formateringen efteråt.
Att skumma några kryptonyhetssajter och gissa vad som påverkar sentimentet.
Att skriva om samma “marknadsöversikt” varje gång någon frågar om en ny ticker.

De flesta team kapar en daglig “marknadsuppdatering” från cirka 1 timme till ungefär 10 minuter.
Signaler levereras i en konsekvent struktur, så din publik lär sig hur de ska läsa dem.
Du får 15m-, 1h-, 4h- och 1d-kontekst på ett ställe, vilket gör motsägelser tydliga i stället för förvirrande.
Orderbokens djup och senaste avslut ger en verklighetskontroll jämfört med beslut som bara bygger på indikatorer.
Uppdateringar blir enklare att vidarebefordra, återanvända i inlägg eller spara för senare genomgång.

Effekt i verkligheten

Säg att du publicerar två spotuppdateringar per dag i Telegram: en morgonrecap och en eftermiddagsavstämning. Manuellt kan du lägga cirka 10 minuter på att hämta indikatorer för flera tidsramar, ytterligare 10 minuter på att kolla orderbok och senaste avslut, plus 10 minuter på att skumma rubriker och skriva en läsbar sammanfattning. Det är cirka 30 minuter per uppdatering, eller ungefär 1 timme per dag. Med det här workflowet skickar du en fråga i Telegram (en minut), väntar på att agenten hämtar och utvärderar data (några minuter) och vidarebefordrar sedan den felfria briefen. Du får tillbaka större delen av timmen, och meddelandekvaliteten håller en jämn nivå.

Krav

n8n-instans (testa n8n Cloud gratis)
Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
Telegram-bot för att ta emot frågor och skicka svar
OpenAI (GPT-4o) eller DeepSeek Chat för att generera den slutliga marknadsbriefen
API-token för Telegram Bot (hämta den via @BotFather i Telegram)

Kunskapsnivå: Medel. Du kopplar konton, lägger in API-nycklar och testar några riktiga prompts i Telegram.

Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).

Workflow-flödet

Ett Telegram-meddelande triggar allt. Telegram Trigger lyssnar efter nya uppdateringar till din bot, så workflowet startar i samma ögonblick som någon ber om en spot-analys.

En session tilldelas, så agenten håller kursen. n8n skapar en sessionsidentifierare och skickar prompten till Quant Analysis Orchestrator, som använder minne så att följdfrågor inte känns lösryckta.

Marknadsdata, indikatorer och sentiment samlas in och utvärderas. HTTP Request-verktyg hämtar WEEX spotdata som tickers, candles (15m, 1h, 4h, 1d), orderboksdjup och senaste avslut. RSS- och nyhetshämtare tar in rubriker, och OpenAI:s chattmodeller sammanfattar det till en signal du faktiskt kan agera på.

En felfri Telegram-rapport levereras. Om outputen är lång delar workflowet upp den innan den skickas, vilket gör formateringen läsbar och minskar risken för misslyckade meddelanden.

Du kan enkelt justera promptstil och outputformat så att det matchar din tonalitet eller riskpolicy. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera Telegram-triggern

Det här arbetsflödet startar när ett Telegram-meddelande tas emot och använder det meddelandet som indata för analys.

Lägg till och öppna Telegram Update Trigger.
Ställ in Updates på message.
Inloggningsuppgifter krävs: anslut era telegramApi-inloggningsuppgifter.
Spara noden och låt n8n skapa webhook-URL:en för Telegram.

Steg 2: koppla Telegram-indata till sessionskontext

Arbetsflödet sparar chatt-ID och meddelandetext för efterföljande AI-bearbetning.

Öppna Assign Session Identifier.
Ställ in sessionId till {{ $json.message.chat.id }}.
Ställ in message till {{ $json.message.text }}.
Bekräfta kopplingen i huvudflödet: Telegram Update Trigger → Assign Session Identifier → Quant Analysis Orchestrator.

Tips: om Telegram-meddelanden innehåller kommandon eller symboler, behåll dem i råmeddelandet så att orchestratorn kan avgöra symbolkontexten.

Steg 3: konfigurera den primära AI-orchestratorn

Orchestratorn routar begäran till Spot- eller Futures-analys och anropar subagenter och verktyg.

Öppna Quant Analysis Orchestrator och ställ in Text till {{ $json.message }}.
Säkerställ att Prompt Type är define och behåll systemmeddelandet som angivet.
Bekräfta att OpenAI Chat Engine är ansluten som språkmodell för Quant Analysis Orchestrator.
Inloggningsuppgifter krävs: anslut era openAiApi-inloggningsuppgifter till OpenAI Chat Engine.
Obs: AI-minne och verktyg (t.ex. Quant Orchestrator Memory) ärver inloggningsuppgifter från den överordnade agenten.

Steg 4: konfigurera datakällor för nyheter och sentiment

Sentiment-subagenten slår ihop RSS-flöden och NewsAPI-resultat till ett enda kontextblock för marknaden.

Öppna Market News Sentiment Tool och bekräfta att systemmeddelandet och verktygsbeskrivningen är intakta.
Verifiera att RSS-verktygen är kopplade till den överordnade noden: CoinTelegraph RSS Reader, CoinDesk RSS Reader och NewsBTC RSS Reader.
Öppna NewsAPI Fetcher och ställ in URL till https://newsapi.org/v2/everything.
Ställ in frågeparametrar: q till {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('parameters0_Value', `name of crypto that is being searched`, 'string') }} och sortBy till popularity.
Inloggningsuppgifter krävs: anslut era httpHeaderAuth-inloggningsuppgifter i NewsAPI Fetcher.
Bekräfta att OpenAI Chat Engine B är ansluten som språkmodell för Market News Sentiment Tool; lägg till openAiApi-inloggningsuppgifter i OpenAI Chat Engine B.

⚠️ Vanlig fallgrop: RSS-verktygen och NewsAPI-verktyget är AI-subnoder. Lägg inte till inloggningsuppgifter i dessa subnoder; lägg i stället till inloggningsuppgifter i deras överordnade språkmodellnoder.

Steg 5: konfigurera Spot-dataaggregering och REST-hämtning

Spot-pipelinen hämtar snapshot-data, orderboksdjup, affärer och flera tidsramar för candles.

Öppna Spot Quant Subagent Tool och bekräfta systemmeddelandet som kräver anrop till REST-snapshot-, WebSocket-stream- och indikator-subagenter.
Bekräfta att OpenAI Chat Engine A är ansluten som språkmodell för Spot Quant Subagent Tool och lägg till openAiApi-inloggningsuppgifter där.
Öppna Spot Raw Data Aggregator och säkerställ att den använder verktygen Spot REST Snapshot Tool och Raw Data Merge Reasoning för normaliserade utdata.
Öppna Spot REST Snapshot Tool och behåll prompten för REST-baslinjer; notera att den använder {{minBars}} i systemmeddelandet för att styra candle-gränser.
Kontrollera URL:er för REST-verktyg (exempel): Retrieve Single Ticker använder {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('URL', `Request example\n\ncurl "https://contract-openapi.weex.com/api/spot/v1/market/ticker?symbol=BTCUSDT_SPBL"\n`, 'string') }}.
Verifiera att candle-verktygen är konfigurerade på liknande sätt, som Retrieve 15m Candles och Retrieve 1h Candles med de angivna WEEX REST-exempel-URL:erna.

Tips: flera HTTP-verktyg hanterar ticker, candles, orderbok och affärer (12+ noder). Konfigurera dem konsekvent i stället för att redigera var och en individuellt.

Steg 6: konfigurera indikatoragenter för flera tidsramar och resonemangsverktyg

Indikatorer genereras av dedikerade subagenter för tidsramarna 15m, 1h, 4h och 1d.

Verifiera att varje indikator-subagent finns: Spot 15m Indicator Tool, Spot 1h Indicator Tool, Spot 4h Indicator Tool, Spot 1d Indicator Tool.
Bekräfta att varje subagent har en ansluten språkmodell: OpenAI Chat Engine D (15m), OpenAI Chat Engine E (1h), OpenAI Chat Engine F (4h), OpenAI Chat Engine G (1d). Lägg till openAiApi-inloggningsuppgifter i varje engine.
Säkerställ att resonemangsverktyg och matematikhelpers är länkade: Reasoning Step 15m, Spot 1h Reasoning, Spot 4h Reasoning, Spot 1d Reasoning, samt Math Helper 15m, Math Helper 1h, Math Helper 4h och Math Helper 1d.
Behåll minnesnoder för kontinuitet: Spot 15m Memory, Spot 1h Memory, Spot 4h Memory, Spot 1d Memory och Spot Quant Memory.

⚠️ Vanlig fallgrop: minnes- och resonemangs-subnoder sparar inte inloggningsuppgifter. Säkerställ att inloggningsuppgifter i stället läggs till i de överordnade OpenAI chat engines.

Steg 7: konfigurera Telegram-utdata och uppdelning av meddelanden

Slutrapporten delas upp i delar för att undvika Telegrams längdbegränsningar och skickas sedan tillbaka till chatten.

Öppna Chunk Long Telegram Text och behåll jsCode som angivet (delar upp utdata i 4 000-teckens chunkar).
Öppna Send Telegram Report och ställ in Text till {{ $json.message }}.
Ställ in Chat ID till {{ $('Telegram Update Trigger').item.json.message.chat.id }}.
Inloggningsuppgifter krävs: anslut era telegramApi-inloggningsuppgifter i Send Telegram Report.

Tips: om ni anpassar rapportformatet, håll det under 4 000 tecken för att minimera antalet chunkar som skickas.

Steg 8: testa och aktivera ert arbetsflöde

Validera end-to-end-flödet från Telegram-indata till slutlig rapportutdata.

Klicka på Execute Workflow och skicka ett Telegram-meddelande som “BTC spot report”.
Bekräfta att exekveringsvägen kör: Telegram Update Trigger → Assign Session Identifier → Quant Analysis Orchestrator → Chunk Long Telegram Text → Send Telegram Report.
En lyckad exekvering ser ut som en formaterad Spot Market-rapport som levereras till er Telegram-chatt, eventuellt i flera chunkar.
När det är verifierat, växla arbetsflödet till Active för att aktivera kontinuerliga Telegram-uppdateringar.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Se upp med

Telegram-credentials kan löpa ut eller så kan webhooken vara felkonfigurerad. Om meddelanden slutar komma, kontrollera först webhook-statusen för Telegram Trigger och din bottoken.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in din tonalitet tidigt, annars kommer du redigera outputen för alltid.

Vanliga frågor

Hur snabbt kan jag implementera den här automatiseringen för WEEX Telegram signals?

Cirka 30 minuter om din bot och dina API-nycklar är klara.

Kan icke-tekniska team implementera den här automatiseringen för WEEX Telegram signals?

Ja, men du vill ha någon som är bekväm med att klistra in API-nycklar och testa webhooks. Ingen kodning krävs i det dagliga arbetet.

Är n8n gratis att använda för det här workflowet för WEEX Telegram signals?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in API-användning för OpenAI eller DeepSeek, vilket beror på hur långa dina prompts och svar är.

Var kan jag hosta n8n för att köra den här automatiseringen?

Hur anpassar jag den här WEEX Telegram signals-lösningen till mina specifika utmaningar?

Du kan anpassa instruktionerna för “Quant Analysis Orchestrator” så att den levererar ditt föredragna format (kort, detaljerat eller “risk först”). Vanliga justeringar är att tvinga fram specifika tidsramar (endast 4h och 1d), lägga till en obligatorisk riskdisclaimer eller ändra layouten på Telegram-rapporten så att den matchar din kanalstil. Om du inte vill ha nyhetssentiment kan du stänga av RSS/NewsAPI-verktygen och behålla endast WEEX-pris, candles och orderbokskontext. Och om ditt team loggar signaler kan du koppla outputen till Google Sheets så att varje rapport lagras automatiskt.

Varför misslyckas min Telegram-anslutning i det här workflowet?

Oftast handlar det om en ogiltig bottoken eller ett problem med webhook/polling-upplägget i Telegram Trigger. Skapa en ny token i @BotFather vid behov och uppdatera sedan credential i n8n. Kontrollera också att din n8n-instans är nåbar från Telegram om du använder webhooks (brandväggar vid self-hosting kan blockera det). Om meddelanden kommer fram men svaren misslyckas, titta på inställningarna i noden “Send Telegram Report” och bekräfta att chat-ID:t kommer igenom korrekt.

Vilken kapacitet har den här WEEX Telegram signals-lösningen?

Med n8n Cloud Starter kan du köra några tusen körningar per månad, vilket räcker för en typisk Telegram-kanal. Om du self-hostar finns inget tak för körningar, men din server och API-rate limits blir den praktiska gränsen. I verklig användning är flaskhalsen oftast antalet HTTP-requests för candles och LLM:ens svarstid, så tunga prompts med “många tickers samtidigt” kommer att sakta ner.

Är den här automatiseringen för WEEX Telegram signals bättre än att använda Zapier eller Make?

För den här typen av flerstegsanalys: ja, oftast. Zapier och Make är starka för enkel routing, men blir klumpiga när du behöver minne, förgreningar och flera verktygsanrop i ett och samma “chatty” flöde. n8n ger dig också möjlighet att self-hosta, vilket spelar roll om du kör många Telegram-förfrågningar. Om du bara skickar en enkel pris-snapshot kan Zapier eller Make vara helt okej. Prata med en automationsexpert om du vill ha hjälp att välja.

När det här väl rullar slutar din “snabba marknadskoll” att vara en uppgift du drar dig för. Det blir ett meddelande du kan lita på, skicka och gå vidare från.

The post Telegram + WEEX: spotsignaler i ett tydligt svar first appeared on Node Nordic - AI Konsult för företag.

Gmail till Google Sheets: ett dagligt sammanfattningsmejl

Rickard Andersson — Thu, 22 Jan 2026 08:01:47 +0000

Din inkorg är inte ”fullt upp”. Den är bullrig. Nyhetsbrev staplas på hög, trådar blir röriga och när du väl hittar den enda uppdateringen som spelar roll är morgonfokuset redan borta.

Public affairs-team känner av det här först, ärligt talat. Men analytiker som letar signaler och marknadsansvariga som följer konkurrenter kör in i samma vägg. Den här Gmail digest-automationen gör om en hög dagliga nyhetsbrev till en strukturerad briefing och loggar allt i Google Sheets så att inget försvinner.

Du får se vad arbetsflödet gör, vad du behöver för att köra det och vad som förändras när din ”läslista” blir ett dagligt sammanfattningsmejl du faktiskt kan skumma.

Så fungerar automatiseringen

Se hur detta löser problemet:

n8n Workflow Template: Gmail till Google Sheets: ett dagligt sammanfattningsmejl

Click to explore

flowchart LR

    subgraph sg0["Scheduled Start Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "Scheduled Start Trigger", pos: "b", h: 48 }
        n1@{ icon: "mdi:database", form: "rounded", label: "Create Spreadsheet Log", pos: "b", h: 48 }
        n2@{ icon: "mdi:message-outline", form: "rounded", label: "Retrieve Gmail Messages", pos: "b", h: 48 }
        n3["

Clean HTML Content"]
        n4["

Segment Large Text"]
        n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Map Sheet Columns", pos: "b", h: 48 }
        n6@{ icon: "mdi:database", form: "rounded", label: "Append Sheet Row", pos: "b", h: 48 }
        n7@{ icon: "mdi:memory", form: "rounded", label: "Context Memory Buffer", pos: "b", h: 48 }
        n8@{ icon: "mdi:brain", form: "rounded", label: "Gemini Dialogue Model", pos: "b", h: 48 }
        n9@{ icon: "mdi:robot", form: "rounded", label: "Policy Briefing Synthesizer", pos: "b", h: 48 }
        n10["

Compose HTML Digest"]
        n11@{ icon: "mdi:message-outline", form: "rounded", label: "Dispatch Summary Email", pos: "b", h: 48 }
        n2 --> n3
        n7 -.-> n9
        n6 --> n9
        n3 --> n4
        n4 --> n5
        n0 --> n1
        n5 --> n6
        n1 --> n2
        n10 --> n11
        n8 -.-> n9
        n9 --> n10
    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 n9 ai
    class n8 aiModel
    class n7 ai
    class n1,n6 database
    class n3,n4,n10 code
    classDef customIcon fill:none,stroke:none
    class n3,n4,n10 customIcon

Utmaningen: för många nyhetsbrev, för lite tydlighet

De flesta problem med nyhetsbrevsöverflöd orsakas inte av ett enskilt mejl. Det är ansamlingen. Du får fem ”måste-läsa”-uppdateringar, sedan tre till, och sedan ett slumpmässigt branschmemo du inte kan ignorera. Du skummar, du flaggar, du lovar att du ska återkomma. Sedan drar dagen igång. En vecka senare söker du i inkorgen efter en detalj du vet att du såg, men inte hittar, eftersom den ligger begravd under tre ämnesrader och en vidarebefordrad tråd.

Det växer snabbt. Här är var det faller isär i verkligheten.

Att läsa 10 separata mejl varje morgon bränner ungefär en timme innan du ens har gjort något riktigt arbete.
Att kopiera och klistra in delar i ChatGPT är segt, och det är lätt att missa ett nyckelstycke när du har bråttom.
Utan ett arkiv kan du inte visa vad du tog emot och när, vilket blir obekvämt vid revisioner, kundfrågor eller interna genomgångar.
Att vidarebefordra ”viktiga” nyhetsbrev skapar extra trådar, så samma information läses om och sammanfattas om av olika personer.

Lösningen: en daglig digest + ett sökbart Google Sheets-arkiv

Det här arbetsflödet körs en gång per dag och gör det du annars skulle göra manuellt, men utan merarbetet. Det börjar med att hämta in de nyhetsbrev du bryr dig om från Gmail (oftast baserat på en etikett eller avsändarregler du själv styr). Arbetsflödet tar bort HTML-bruset så att AI:n ser korrekt formaterad text i stället för formateringsskräp. Om ett mejl är långt delas det upp i mindre delar, och sedan loggas varje objekt i Google Sheets så att du får ett enkelt arkiv: datum, avsändare, ämne och rensat innehåll. Efter det sammanfattar en AI-agent allt till en strukturerad briefing, och arbetsflödet formaterar sammanfattningen till ett HTML-mejl och skickar det till valda mottagare.

Arbetsflödet startar enligt ett schema, vilket innebär att ingen behöver komma ihåg att köra det. Gmail levererar råmaterialet, Google Sheets blir din logg, och AI-modellen (Gemini eller OpenAI) gör om högen till en daglig ”det här spelar roll”-vy. Till sist får du ett digest-mejl i stället för ett dussin nyhetsbrev.

Vad som förändras: före vs. efter

Det här elimineras

Effekten du kommer att märka

Att manuellt öppna nyhetsbrev ett och ett för att avgöra vad som är relevant.
Att kopiera och klistra in innehåll i ett AI-verktyg och rensa upp efteråt.
Att tappa bort äldre nyhetsbrev eftersom de inte etiketterades, sparades eller delades konsekvent.
Att omformatera sammanfattningar så att de går att läsa, i stället för att bli en vägg av text.

Det som tidigare tog ungefär en timme varje morgon blir en 5-minuters genomläsning.
Du får ett briefing-mejl med rubriker, punkter och tydliga slutsatser.
Ett Google Sheets-arkiv gör det enkelt att söka på datum, avsändare eller ämne.
Team slutar skicka vidare ”såg du det här?” eftersom digestet redan innehåller det.
Mindre kontextbyten, så du behåller momentum under dagen.

Effekt i verkligheten

Säg att du får 10 nyhetsbrev per dag och lägger kanske 6 minuter per styck på att öppna, skumma och plocka ut nyckelraderna. Det är ungefär en timme, och det sker innan du ens har svarat på ett enda meddelande. Med det här arbetsflödet är det dagliga arbetet i praktiken noll: det körs enligt schema, skriver in råobjekten i Google Sheets och skickar ett digest-mejl. Du lägger 5 minuter på att läsa en sammanfattning i stället, och du har fortfarande originalinnehållet arkiverat om du behöver dubbelkolla detaljer.

Krav

n8n-instans (prova n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
Gmail för att hämta nyhetsbrev via etikett eller avsändare.
Google Sheets för att lagra ett sökbart dagligt arkiv.
API-nyckel för AI-modell (hämta den från Google AI Studio för Gemini eller OpenAI-dashboarden för OpenAI).

Svårighetsgrad: Nybörjare. Du kopplar konton, klistrar in en API-nyckel och justerar en prompt och en e-postmall.

Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).

Arbetsflödet, steg för steg

En schemalagd körning startar allt. Arbetsflödet startar en gång per dag, så att ditt digest kommer på en förutsägbar tid (före standup, före pendlingen, när du vill).

Gmail hämtar nyhetsbreven du bryr dig om. Du styr urvalet med Gmail-regler (vanligt upplägg: en etikett som ”Daily Briefing” eller en lista med godkända avsändare). Ingen etikett, ingen sammanfattning. Enkelt.

Innehållet rensas, delas upp och sparas. HTML-formatering tas bort, sedan delas långa mejl upp i mindre delar så att AI:n kan sammanfatta tillförlitligt. Varje rensat objekt läggs till i Google Sheets med mappade kolumner så att du kan söka i det senare.

AI-agenten skriver briefingen och ett mejl skickas. Arbetsflödet använder en chattmodell (Gemini i den medföljande konfigurationen, men OpenAI fungerar också) plus en kort minnesbuffer för att hålla konsekvens. Sedan skapar det ett läsbart HTML-digest och skickar det via en e-postnod till dina mottagare.

Du kan enkelt ändra nyhetsbrevsfiltren så att de matchar dina etiketter och ämnen utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera den schemalagda triggern

Det här arbetsflödet startar enligt ett schema för att samla in nyhetsbrev och automatiskt skapa en briefing.

Lägg till och öppna Scheduled Start Trigger.
Ställ in trigger-regeln så att den körs dagligen kl. Hour 9 (enligt definitionen i triggerAtHour).

Steg 2: Anslut Google Sheets för loggning

Det här arbetsflödet skapar ett nytt Google Sheet vid varje körning och lägger till rensad nyhetsbrevsdata.

Öppna Create Spreadsheet Log och ställ in Resource till spreadsheet.
Ställ in Title till uttrycket {{ new Date().toISOString().slice(2,10).replace(/-/g, '/') }}.
Under Sheets, ställ in bladets titel till Inbox.
Autentisering krävs: Anslut era Google Sheets-inloggningsuppgifter i Create Spreadsheet Log.
Öppna Append Sheet Row och ställ in Operation till append.
Ställ in Sheet Name till {{ $('Create Spreadsheet Log').first().json.sheets[0].properties.title }}.
Ställ in Document ID till {{ $('Create Spreadsheet Log').first().json.spreadsheetId }}.
Autentisering krävs: Anslut era Google Sheets-inloggningsuppgifter i Append Sheet Row.

Steg 3: Hämta och rensa nyhetsbrevsinnehåll

Det här steget hämtar Gmail-meddelanden och tar bort HTML för att förbereda strukturerad text för analys.

Öppna Retrieve Gmail Messages och ställ in Operation till getAll.
Autentisering krävs: Anslut era Gmail-inloggningsuppgifter i Retrieve Gmail Messages.
I Clean HTML Content, behåll Mode inställt på runOnceForEachItem för att rensa varje e-postmeddelande separat.
Öppna Segment Large Text och bekräfta att koden delar upp texter över 50000 tecken i flera items.
Öppna Map Sheet Columns och mappa värden till kolumner med uttryck: Absenderadresse → {{ $json.Absenderadresse }}, Absendername → {{ $json.Absendername }}, Betreff → {{ $json.Betreff }}, Text → {{ $json.Text }}.

⚠️ Vanlig fallgrop: Om Gmail bara returnerar rå HTML, säkerställ att indatafältet för Clean HTML Content är $json.html enligt vad koden förväntar sig.

Steg 4: Sätt upp AI-pipelinen för briefing

AI-pipelinen sammanfattar nyhetsbrevsinnehållet till en strukturerad briefing med Gemini och minne.

Öppna Context Memory Buffer och behåll Session Key inställt på newsletter_briefing_2025 med Context Window Length 10.
Öppna Gemini Dialogue Model och anslut den som språkmodell för Policy Briefing Synthesizer.
Autentisering krävs: Anslut era Google Gemini-inloggningsuppgifter i Gemini Dialogue Model.
I Policy Briefing Synthesizer, bekräfta att AI-prompten returnerar giltig JSON som innehåller fält som executiveSummary, majorThemes och recommendedActions.
Kom ihåg att Context Memory Buffer är en sub-nod; lägg till nödvändiga inloggningsuppgifter eller konfiguration på de överordnade AI-noderna, inte på själva minnesnoden.

⚠️ Vanlig fallgrop: Om AI-svaret inte är giltig JSON kommer Policy Briefing Synthesizer att misslyckas med att parsa resultatet, vilket gör att Compose HTML Digest inte renderas korrekt.

Steg 5: Konfigurera HTML-sammanställningen och e-postutskick

Det här steget omvandlar JSON-briefingen till ett formaterat HTML-mejl och skickar det.

Öppna Compose HTML Digest och behåll HTML-mallkoden som använder utdatafälten som executiveSummary, majorThemes och recommendedActions.
Öppna Dispatch Summary Email och ställ in HTML till {{ $json.html }}.
Ställ in Subject till {{ "Newsletter Zusammenfassung von " + $now.toLocaleString("de-DE", { weekday: "long", day: "2-digit", month: "long", year: "numeric" }).replace(/^\w/, c => c.toUpperCase()) }}.
Ställ in To Email till [YOUR_EMAIL] och From Email till [YOUR_EMAIL].
Autentisering krävs: Anslut era SMTP-/Email Send-inloggningsuppgifter i Dispatch Summary Email.

Tips: Ersätt [YOUR_EMAIL] med era faktiska mottagar- och avsändaradresser före testning för att undvika leveransfel.

Steg 6: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att verifiera Gmail-hämtning, loggning i Sheets, AI-syntes av briefingen och e-postutskick.

Klicka på Execute Workflow för att köra Scheduled Start Trigger manuellt.
Bekräfta att ett nytt kalkylark skapas av Create Spreadsheet Log och att rader läggs till av Append Sheet Row.
Verifiera att Policy Briefing Synthesizer returnerar strukturerad JSON och att Compose HTML Digest genererar fältet html.
Kontrollera att Dispatch Summary Email skickar ett formaterat sammanfattningsmejl till adressen [YOUR_EMAIL].
När ni är nöjda, slå på arbetsflödet Active för att aktivera schemalagda körningar.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Saker att se upp med

Gmail-credentials kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, börja med att kontrollera n8n-skärmen Credentials och autentisera om Gmail-anslutningen.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder misslyckas på grund av tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera utdata i all evighet.

Vanliga frågor

Hur snabbt kan jag implementera den här Gmail digest-automationen?

Cirka 30 minuter om din Gmail, Sheets och AI-nyckel är redo.

Kan icke-tekniska team implementera det här digestarbetsflödet?

Ja. Du kommer främst att koppla konton och redigera sammanfattningsprompten och e-postmallen.

Är n8n gratis att använda för det här arbetsflödet för Gmail digest-automation?

Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer startar på $20/månad för högre volym. Du behöver också räkna in kostnader för AI-API:er, som normalt ligger runt $0.10–0.30 per daglig körning beroende på modell och inmatningslängd.

Var kan jag hosta n8n för att köra den här automatiseringen?

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.

Hur anpassar jag den här Gmail digest-automationslösningen till mina specifika utmaningar?

Börja med att ändra vad som räknas som ”input”. De flesta team justerar Gmail-frågan i steget som hämtar nyhetsbrev (etiketter, avsändare, datumintervall) och uppdaterar sedan instruktionerna i logiken ”Policy Briefing Synthesizer” så att de matchar ton och prioriteringar du bryr dig om. Vanliga justeringar är att lägga till en sektion ”topp 5”, tvinga fram en kort sammanfattning för beslutsfattare först och tagga varje sammanfattning med ursprunglig avsändare från Google Sheets. Om du vill att mejlen ska se annorlunda ut, justera mallen ”Compose HTML Digest” och håll strukturen konsekvent för enklare skumläsning.

Varför misslyckas min Gmail-anslutning i det här arbetsflödet?

Oftast beror det på utgångna OAuth-behörigheter eller att fel Google-konto är kopplat. Autentisera om Gmail-credentialen i n8n och bekräfta sedan att arbetsflödet tittar på rätt etikett eller inkorg. Om det fortfarande fallerar, kontrollera Googles säkerhetsaviseringar och säkerställ att din workspace-admin (om du har en) tillåter API-åtkomst. Begränsningar i rate limits är mer ovanligt för körningar en gång per dag, men det kan hända om du hämtar för många meddelanden samtidigt.

Vilken kapacitet har den här Gmail digest-automationslösningen?

I praktiken hanterar den ”daglig nyhetsbrevsvolym” utan problem, och körtiden ligger vanligtvis under 2 minuter per körning.

Är den här Gmail digest-automationen bättre än att använda Zapier eller Make?

Ofta, ja, eftersom den här typen av arbetsflöde tjänar på mer avancerad texthantering. Du rensar HTML, delar upp långt innehåll, skriver rader till Google Sheets, kör ett AI-sammanfattningssteg och skapar sedan ett formaterat mejl. n8n hanterar den komplexiteten utan problem, och du kan köra egen drift med obegränsade körningar om du växer ur task-baserad prissättning. Zapier eller Make kan fortfarande fungera om du vill ha ett enkelt flöde som ”sammanfatta det här mejlet”, men så fort du behöver chunking, loggning och strukturerad output blir det lätt pilligt. Prata med en automationsexpert om du vill ha en snabb rekommendation baserat på din volym och dina verktyg.

Du får en briefing, inte tio avbrott. Sätt upp det en gång, låt det rulla, och spara inkorgen till faktiska samtal.

The post Gmail till Google Sheets: ett dagligt sammanfattningsmejl first appeared on Node Nordic - AI Konsult för företag.

ScrapingBee till Google Sheets: alla sitemap-URL:er

Rickard Andersson — Thu, 22 Jan 2026 08:01:09 +0000

Du hämtar en sitemap, klistrar in några URL:er i ett ark och tycker att det är klart. Sedan inser du att sajten har fem sitemap-filer, två av dem är gzippade, och robots.txt pekar på ett annat index än sitemap.xml.

Det är den här typen av röra som sänker SEO-leads, bromsar marketing ops och, ärligt talat, irriterar byråteam som försöker köra revisioner i skala. Med den här ScrapingBee Sheets-automationen skickar du en domän och får ett växande ”alla URL:er”-ark som du faktiskt kan lita på.

Nedan får du exakt workflow, vad det löser och vad du behöver för att få in varje sitemap-URL i Google Sheets utan att behöva vaka över processen.

Så fungerar den här automatiseringen

Hela n8n-workflowet, från trigger till slutresultat:

n8n Workflow Template: ScrapingBee till Google Sheets: alla sitemap-URL:er

Click to explore

flowchart LR

    subgraph sg0["Flow 1"]
        direction LR
        n0@{ icon: "mdi:cog", form: "rounded", label: "Parse XML as JSON", pos: "b", h: 48 }
        n1@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Binary Payload", pos: "b", h: 48 }
        n2["

Inbound Domain Hook"]
        n3@{ icon: "mdi:web", form: "rounded", label: "Fetch robots.txt", pos: "b", h: 48 }
        n4@{ icon: "mdi:web", form: "rounded", label: "Retrieve sitemap.xml", pos: "b", h: 48 }
        n5@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Detect sitemap refs", pos: "b", h: 48 }
        n6@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check for GZ archive", pos: "b", h: 48 }
        n7@{ icon: "mdi:cog", form: "rounded", label: "Unzip GZ content", pos: "b", h: 48 }
        n8["

Map Binary Data Key"]
        n9["

Collect Non-XML URLs"]
        n10["

Gather XML URLs"]
        n11@{ icon: "mdi:web", form: "rounded", label: "Fetch XML Resource", pos: "b", h: 48 }
        n12@{ icon: "mdi:database", form: "rounded", label: "Append URLs to Sheet", pos: "b", h: 48 }
        n11 --> n1
        n2 --> n3
        n10 --> n11
        n6 --> n7
        n6 --> n0
        n7 --> n8
        n9 --> n12
        n1 --> n6
        n1 --> n9
        n1 --> n10
        n3 --> n5
        n3 --> n4
        n4 --> n1
        n0 --> n9
        n0 --> n10
        n5 --> n10
        n5 --> n4
        n8 --> n0
    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 n1,n5,n6 decision
    class n12 database
    class n2,n3,n4,n11 api
    class n8,n9,n10 code
    classDef customIcon fill:none,stroke:none
    class n2,n8,n9,n10 customIcon

Problemet: sitemaps är aldrig ”bara en fil”

Att plocka ut sitemap-URL:er låter enkelt tills du gör det på riktiga webbplatser. Du laddar ner sitemap.xml, men det är egentligen ett sitemap-index som länkar till tio andra XML:er, och några av dem länkar vidare. Sedan har du robots.txt, som kan lista en annan sitemap än den du gissade på. Lägg till gzippade sitemaps (sitemap.xml.gz) och du har ett upplägg som skapar fel så fort du försöker göra det manuellt. Du tappar en eftermiddag, missar ändå sidor och känner dig inte tillräckligt trygg för att basera en revision på listan du samlade in.

Det går snabbt att det skenar. Här är var det brukar fallera.

Du slutar med att kopiera in ofullständiga URL-listor i Google Sheets och inser sedan att du missat hela grenar av sitemaps.
Komprimerade sitemap-filer kräver extra steg, och det är lätt att hoppa över dem när du jobbar snabbt.
Sajter som blockerar enkla förfrågningar gör ”snabba script” opålitliga, vilket innebär att du kör om jobbet och ändå tvivlar på resultatet.
När sitemaps uppdateras blir ditt kalkylark snabbt inaktuellt om ingen upprepar hela processen igen.

Lösningen: skicka en domän, få varje URL i ett ark

Det här n8n-workflowet startar med ett enkelt webhook-anrop som innehåller domänen (som domain=www.example.com). Därefter använder det ScrapingBee för att hämta robots.txt, kontrollerar efter sitemap-referenser och faller tillbaka till sitemap.xml när robots.txt inte hjälper. Varje XML-resurs som upptäcks hämtas och inspekteras, inklusive knepiga fall som binära payloads och gzippade arkiv. Workflowet extraherar två saker: de ”riktiga” webbplats-URL:er du vill revidera, och eventuella extra XML-sitemaplänkar som ska följas härnäst. De XML-länkarna matas tillbaka in i samma hämta-och-parsa-loop tills det inte finns fler sitemap-filer att jaga, och varje upptäckt sid-URL appendas till ett Google-ark.

Workflowet startar när du skickar en GET-förfrågan till webhooken med en domän. ScrapingBee hämtar robots.txt och sitemap.xml, och därefter samlar workflowet rekursivt in sitemap-länkar och sidlänkar (inklusive .gz-sitemaps). Till sist appendas alla icke-XML-URL:er till en enda kolumn, links, i Google Sheets så att du kan filtrera, avduplicera och revidera.

Det du får: automatisering vs. resultat

Vad det här workflowet automatiserar

Resultat du får

Tar emot en domän via webhook och startar körningen automatiskt.
Hämtar robots.txt och kontrollerar efter sitemap-referenser innan den faller tillbaka till sitemap.xml.
Upptäcker gzippade sitemap-filer, packar upp dem och tolkar XML:en säkert.
Följer rekursivt nyfunna XML-sitemaplänkar tills crawlningen är klar.

Gör ”halva en sitemap” till ett komplett URL-inventarium på cirka 10–30 minuter, beroende på sitemapens storlek.
Ett enda Google-ark blir din källa till sanning för revisioner, migreringar eller indexeringskontroller.
Färre missade sidor, vilket betyder färre obehagliga överraskningar under tekniska SEO-genomgångar.
Mindre manuell kopiering och färre formateringsmisstag i kalkylark.
En repeterbar process du kan köra om när som helst när en sitemap ändras.

Exempel: så här ser det ut

Säg att du reviderar en medelstor e-handelssajt med 12 sitemap-filer, och att varje fil tar cirka 10 minuter att ladda ner, öppna, extrahera och klistra in i ett ark. Det är ungefär 2 timmar, och det är innan du upptäcker att tre av dem är .gz-arkiv. Med det här workflowet skickar du en webhook-förfrågan (en minut), låter n8n och ScrapingBee bearbeta och köra rekursivt i kanske 20 minuter, och ditt Google-ark fylls på under tiden. Du granskar fortfarande listan, men du gör inte grovjobbet.

Det här behöver du

n8n-instans (prova n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
ScrapingBee för att hämta robots.txt och sitemaps på ett tillförlitligt sätt.
Google Sheets för att lagra den slutliga URL-listan.
ScrapingBee API-nyckel (hämta den i din ScrapingBee-dashboard).

Kunskapsnivå: Medel. Du klistrar in inloggningsuppgifter, skapar en kolumn i arket som heter links, och testar ett webhook-anrop.

Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

En webhook startar körningen. Du anropar workflowets URL med en enda query-parameter (domain=…). Det är allt. Inga CSV-uppladdningar, inga manuella inmatningar utöver domänen.

Sitemaps upptäcks på det sätt som sökmotorer förväntar sig. Workflowet hämtar robots.txt via ScrapingBee, kontrollerar efter sitemap-referenser och hämtar sedan sitemap.xml vid behov. Det spelar roll eftersom många sajter inte lägger sin ”riktiga” sitemap där du skulle anta.

Varje XML-resurs inspekteras och tolkas. Workflowet kontrollerar om svaret är text eller binärt, upptäcker .gz-arkiv, packar upp när det krävs och tolkar XML till strukturerad data så att URL:er kan extraheras konsekvent.

URL:er delas upp i två flöden. Vanliga sid-URL:er appendas direkt till Google Sheets, medan nyfunna XML-sitemaplänkar matas tillbaka in i workflowet för att hämtas härnäst. Loopen fortsätter tills det inte finns några XML-länkar kvar att hämta.

Du kan enkelt ändra destinationen från Google Sheets till Excel 365 eller en databas beroende på dina behov. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera webhook-triggern

Sätt upp den inkommande webhooken som tar emot en domän och startar sitemap-upptäckt.

Lägg till noden Inbound Domain Hook som trigger.
Ställ in Path till 1da30868-fbca-4e8e-8580-485afb3fd956.
Planera att anropa webhooken med en query-parameter som heter domain (t.ex. ?domain=example.com).

⚠️ Vanlig fallgrop: Arbetsflödet förväntar sig $('Inbound Domain Hook').item.json.query.domain. Om ni skickar domänen i body i stället för i query blir URL:erna i Fetch robots.txt och Retrieve sitemap.xml tomma.

Steg 2: anslut ScrapingBee och konfigurera sitemap-upptäckt

Hämta robots.txt och sitemap.xml via ScrapingBee för att hitta sitemap-referenser.

I Fetch robots.txt ställer ni in URL till =https://{{ $('Inbound Domain Hook').item.json.query.domain }}/robots.txt.
Inloggning krävs: Anslut era ScrapingBeeApi-uppgifter i Fetch robots.txt.
I Retrieve sitemap.xml ställer ni in URL till =https://{{ $('Inbound Domain Hook').item.json.query.domain }}/sitemap.xml.
Inloggning krävs: Anslut era ScrapingBeeApi-uppgifter i Retrieve sitemap.xml och Fetch XML Resource (används för sitemap-URL:er som upptäcks senare).
Lämna Detect sitemap refs som den är; den kontrollerar ={{ $json.data }} efter strängen Sitemap: för att hitta sitemap-referenser.

Om en webbplats blockerar direkta anrop kan ScrapingBee:s proxy ändå hämta /robots.txt och /sitemap.xml utan att ni behöver ändra några nodinställningar.

Steg 3: konfigurera binär hantering och XML-tolkning

Hantera binära sitemap-svar, inklusive gzip-arkiv, innan ni tolkar XML.

I Check Binary Payload behåller ni villkoret ={{ $binary }} is not empty för att styra binär bearbetning.
I Check for GZ archive behåller ni Left Value som ={{ $binary.data.fileExtension }} och Right Value som gz.
Använd Unzip GZ content för att packa upp gzip-sitemaps innan tolkning.
I Map Binary Data Key behåller ni JavaScript-koden som mappar om file_0 till data så att Parse XML as JSON kan läsa den.
I Parse XML as JSON ställer ni in Operation till xml och Binary Property Name till =data.

⚠️ Vanlig fallgrop: Om Map Binary Data Key tas bort hittar Parse XML as JSON inte data och tolkningen misslyckas för gzip-komprimerade sitemaps.

Steg 4: konfigurera URL-extrahering och parallell förgrening

Dela upp tolkad XML i icke-XML-URL:er för output och XML-URL:er för rekursiv hämtning.

Behåll koden i Collect Non-XML URLs för att skapa items med { "link": "..." } samtidigt som ni exkluderar .xml, .xml.gz, www.sitemaps.org och www.w3.org.
Behåll koden i Gather XML URLs för att skapa items med { "xml": "..." } för crawlning av nästlade sitemaps.
Parse XML as JSON skickar output parallellt till både Collect Non-XML URLs och Gather XML URLs.
Bekräfta att Gather XML URLs är kopplad till Fetch XML Resource för att hämta nästlad sitemap-XML via ={{ $json.xml }}.

Parallell extrahering gör att rekursionen inte fördröjer output av icke-XML-URL:er, så att ni kan börja spara URL:er direkt.

Steg 5: konfigurera output till Google Sheets

Lägg till upptäckta icke-XML-URL:er i ett kalkylark för lagring och analys.

Lägg till Append URLs to Sheet efter Collect Non-XML URLs.
Inloggning krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Append URLs to Sheet.
Ställ in Operation till append och aktivera Use Append.
Ställ in Document till [YOUR_ID] och Sheet till Sheet1 (gid=0).
I Columns mappar ni links till ={{ $json.link }}.

Steg 6: testa och aktivera ert arbetsflöde

Validera körningen med en exempeldomän och aktivera sedan arbetsflödet för produktion.

Klicka på Execute Workflow och trigga Inbound Domain Hook med en test-URL som ?domain=example.com.
Verifiera att Fetch robots.txt och Retrieve sitemap.xml returnerar innehåll och att Check Binary Payload routar korrekt.
Bekräfta att Append URLs to Sheet lägger till rader med URL-värden i kolumnen links.
När allt fungerar, växla arbetsflödet till Active för att använda webhooken live.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

ScrapingBee-inloggningsuppgifter kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först status för API-nyckeln och gränserna i din plan i ScrapingBee-dashboarden.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre ned i flödet misslyckas på grund av tomma svar.
Append till Google Sheets kan tyst gå snett om arket saknar en links-kolumn eller om Google-kontot tappar åtkomst. Kontrollera anslutningen i Google Sheets-noden och ID:t för målarket.

Vanliga frågor

Hur lång tid tar det att sätta upp den här ScrapingBee Sheets-automationen?

Cirka 30 minuter om din ScrapingBee-nyckel och ditt Google-ark är redo.

Behöver jag kunna koda för att automatisera insamling av sitemap-URL:er?

Nej. Du kopplar mestadels konton och klistrar in webhook-URL:en för testning.

Är n8n gratis att använda för det här ScrapingBee Sheets-automationsflödet?

Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna in ScrapingBee API-kostnader baserat på din användning.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärt och hanterar n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serveradministration.

Kan jag anpassa det här ScrapingBee Sheets-automationsflödet för Excel i stället för Google Sheets?

Ja, men du byter destinationsnod. Ersätt Google Sheets-steget ”Append URLs to Sheet” med Microsoft Excel 365 (eller en databas) och behåll resten av logiken för sitemap-upptäckt oförändrad. Vanliga anpassningar är att skriva till flera flikar, avduplicera innan insert och lagra extra kolumner som käll-sitemapfilen.

Varför misslyckas min ScrapingBee-anslutning i det här workflowet?

Oftast är det en ogiltig eller utgången API-nyckel, så generera om den i ScrapingBee och uppdatera inloggningsuppgiften i n8n. Det kan också vara en begränsning i din plan om sajten har många XML-filer, eller en blockerad förfrågan som kräver att ScrapingBees premium/stealth proxy-alternativ aktiveras i noderna ”Fetch robots.txt”, ”Retrieve sitemap.xml” eller ”Fetch XML Resource”. Om felen bara händer på .gz-filer, kontrollera grenen för gzip-detektering och uppackning, eftersom en binär payload kan tolkas fel om content-type är ovanlig.

Hur många URL:er klarar den här ScrapingBee Sheets-automationen?

Det beror mer på minne och API-gränser än på ett hårt tak för URL:er. På n8n Cloud Starter begränsas du av månatliga körningar, vilket funkar för periodiska revisioner men inte är optimalt för kontinuerlig crawling. Om du kör i egen drift finns ingen körningsgräns, och kapaciteten avgörs mest av serverns RAM och hur tunga sitemapsen är. För väldigt stora sitemap-index, kör under lågtrafik och överväg att skriva inkrementella resultat (vilket det här workflowet redan gör genom att appenda allt eftersom det hittar URL:er).

Är den här ScrapingBee Sheets-automationen bättre än att använda Zapier eller Make?

För rekursiv sitemap-skrapning, ja, i de flesta fall. Zapier och Make är bra för linjära ”A till B”-flöden, men de blir klumpiga när du behöver loopar, grenlogik för gz-filer och ”fortsätt tills det inte finns fler XML-länkar”. n8n hanterar den strukturen snyggt, och du kan köra i egen drift för hög volym utan att betala per litet steg. Om ditt användningsfall bara är ”hämta en sitemap och skriv den till ett ark” kan Zapier vara enklare. Prata med en automationsexpert om du vill ha en snabb rekommendation baserat på din volym.

När det här väl rullar slutar ”ge mig hela listan med sitemap-URL:er” att vara en halvdagsuppgift. Workflowet sköter jakten och tolkningen så att du kan gå tillbaka till revisionen.

The post ScrapingBee till Google Sheets: alla sitemap-URL:er first appeared on Node Nordic - AI Konsult för företag.

Google Sheets + Claude: icebreakers som låter mänskliga

Rickard Andersson — Thu, 22 Jan 2026 08:00:20 +0000

Du kan rutinen: du öppnar en leadlista, väljer ett namn, googlar företaget, skummar igenom nyheter och försöker sedan skriva en öppning som inte skriker ”mall.” Det går långsamt och det blir ojämnt. Den här Sheets Claude icebreakers-setupen bryter den loopen.

Sales ops märker det när säljare hela tiden ber om ”bättre personalisering”. Byråägare märker det när kundkampanjer behöver volym utan att låta fejk. Och om du kör outreach själv vet du redan hur snabbt ”bara 10 minuter per lead” blir hela eftermiddagen.

Det här flödet hämtar leads från Google Sheets, researchar varje prospekt i realtid, skriver en naturligt formulerad icebreaker med Claude och loggar allt tillbaka i arket. Du får se hur det funkar, vad du behöver och vilka resultat du kan förvänta dig.

Så fungerar den här automatiseringen

Här är hela workflowet du kommer att sätta upp:

n8n Workflow Template: Google Sheets + Claude: icebreakers som låter mänskliga

Click to explore

flowchart LR

    subgraph sg0["Manual Launch Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Launch Trigger", pos: "b", h: 48 }
        n1@{ icon: "mdi:database", form: "rounded", label: "Retrieve Lead Rows", pos: "b", h: 48 }
        n2@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Validate Unprocessed", pos: "b", h: 48 }
        n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Batch Lead Iterator", pos: "b", h: 48 }
        n4@{ icon: "mdi:robot", form: "rounded", label: "Normalize Company Name", pos: "b", h: 48 }
        n5@{ icon: "mdi:brain", form: "rounded", label: "Web Research Model", pos: "b", h: 48 }
        n6@{ icon: "mdi:robot", form: "rounded", label: "Run Company Research", pos: "b", h: 48 }
        n7@{ icon: "mdi:brain", form: "rounded", label: "Compose Icebreaker LLM", pos: "b", h: 48 }
        n8@{ icon: "mdi:robot", form: "rounded", label: "Extract Icebreaker JSON", pos: "b", h: 48 }
        n9@{ icon: "mdi:robot", form: "rounded", label: "Draft Icebreaker Line", pos: "b", h: 48 }
        n10@{ icon: "mdi:database", form: "rounded", label: "Update Sheet Records", pos: "b", h: 48 }
        n1 --> n2
        n8 -.-> n9
        n7 -.-> n9
        n3 --> n4
        n5 -.-> n6
        n10 --> n3
        n9 --> n10
        n6 --> n9
        n2 --> n3
        n4 --> n6
        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 n4,n6,n8,n9 ai
    class n5,n7 aiModel
    class n2 decision
    class n1,n10 database

Därför spelar det roll: personalisering i kall outreach tar evigheter

Att skriva en ”bra” icebreaker är inte svårt för att du inte kan skriva. Det är svårt för att du gör fyra jobb samtidigt: researcher, faktagranskare, copywriter och kalkylarksstädare. Du hoppar mellan flikar, plockar upp en detalj som verkar relevant och börjar sedan tveka eftersom du inte vet om den är aktuell. Och efter allt det landar öppningen ändå ofta i något vagt, för att tiden tog slut. Det värsta är den mentala belastningen. Du lägger din bästa energi på första raden och stressar sedan igenom själva pitchen.

Det summerar sig snabbt. Här brukar friktionen synas.

Research och skrivande per lead tar cirka 10–15 minuter, så även 50 leads kan äta upp större delen av en arbetsdag.
Detaljer blir inaktuella eller misstolkas, vilket gör att din ”personalisering” kan landa stelt eller vara helt fel.
Icebreakers hamnar i slumpmässiga dokument, DM:ar och utkast, så du kan inte återanvända det som funkade eller granska det som inte gjorde det.
Skalning blir att anställa fler människor för rutinjobb, inte att förbättra erbjudande eller targeting.

Det du bygger: Google Sheets till researchade Claude-icebreakers

Den här automatiseringen startar med leadlistan du redan har i Google Sheets. När du kör den hämtar den dina rader, hoppar över alla leads som redan har en icebreaker och bearbetar sedan återstående leads i batchar om 25. För varje prospekt rensar den först upp företagsnamnet (så att din öppning inte låter som en CRM-export), kör sedan webbresearch i realtid för att hitta nyliga, specifika detaljer. Claude använder den researchen för att skriva en kort öppningsrad som låter mänsklig, avslappnad och verklighetsförankrad. Till sist skriver flödet tillbaka det rensade företagsnamnet och den färdiga icebreakern i ditt kalkylark, så att din lista blir din källa till sanning.

Flödet startas från n8n, hämtar rader från Google Sheets och använder AI i mitten för två jobb: namnupprensning samt research + skrivande. När det är klart är ditt ark uppdaterat och redo att exporteras till ditt verktyg för kalla mejl.

Det du bygger

Det som automatiseras

Det du uppnår

Hämta leadrader från Google Sheets och identifiera vilka som fortfarande behöver en icebreaker.
Batcha leads i grupper om 25 så att API-rate limits inte sabbar körningen.
Standardisera organisationsnamn med GPT-4o-mini för att ta bort klumpiga suffix.
Köra webbresearch (Perplexity Sonar) och generera öppningar med Claude Sonnet 4.

Det som tidigare tog 10–15 minuter per lead sjunker till under en minut.
Icebreakers refererar till aktuella, verkliga detaljer i stället för generiskt beröm.
Dina öppningar loggas i samma ark som din targeting-data.
Omkörningar är säkra eftersom bearbetade leads hoppas över automatiskt.
Du kan exportera snyggt till verktyg som Instantly eller Lemlist senare.

Förväntade resultat

Säg att du förbereder 100 leads för en veckokampanj. Manuellt, med cirka 10 minuter per lead, blir det ungefär 1 000 minuter (cirka 16 timmar) av research och skrivande av öppningsrader. Med det här flödet bearbetas de 100 leads normalt i ett par batchkörningar, och varje lead blir klar på under en minut medan du gör något annat. Du granskar fortfarande innan du skickar, men du granskar färdiga icebreakers i stället för att stirra på en tom skärm.

Innan du börjar

n8n-instans (testa n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
Google Sheets för din leadlista och outputlogg.
OpenRouter för att få åtkomst till Perplexity Sonar och Claude Sonnet 4.
OpenAI API-nyckel (hämta den i din OpenAI-kontopanel) för upprensning av företagsnamn.

Kunskapsnivå: Nybörjare. Du kopplar in credentials, mappar några kolumner i arket och testar först med en liten batch.

Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis konsultation i 15 minuter).

Steg för steg

Du triggar körningen från n8n. De flesta team använder den manuella triggern när de är redo att generera öppningar för en ny batch, till exempel innan de lanserar en kampanj eller lämnar leads till säljarna.

Rader i Google Sheets hämtas och kontrolleras. Flödet läser ditt ark (kolumner som id, first_name, organization_name och Icebreaker) och filtrerar bort alla leads som redan har en icebreaker så att du inte betalar två gånger för samma output.

Leads bearbetas i batchar och berikas. Med en batchstorlek på 25 rensar det företagsnamnet med GPT-4o-mini och kör webbresearch via Perplexity Sonar för att hitta nyliga nyheter, finansieringsrundor, lanseringar eller annan trovärdig kontext.

Claude skriver icebreakern och arket uppdateras. Claude Sonnet 4 genererar en öppning i en avslappnad, ”snacka-i-bar”-ton, sedan parsar flödet den till strukturerad JSON och skriver tillbaka både det rensade företagsnamnet och den slutliga raden till Google Sheets.

Du kan enkelt justera ton och format på icebreakern så att det matchar din brand voice utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera den manuella triggern

Det här arbetsflödet startar på begäran så att ni kan testa generering av icebreakers innan ni kör det enligt ett schema.

Lägg till en Manual Launch Trigger-nod som arbetsflödets trigger.
Lämna alla inställningar som standard i Manual Launch Trigger (inga parametrar krävs).
Koppla Manual Launch Trigger till Retrieve Lead Rows.

Steg 2: Koppla Google Sheets

Dessa noder läser leaddata och skriver tillbaka icebreakers till ert kalkylark.

Öppna Retrieve Lead Rows och välj kalkylarket och bladet som ska läsas från.
Ställ in Document ID i Retrieve Lead Rows till rätt Google Sheets-fil och välj Sheet Name.
Öppna Update Sheet Records och ställ in Operation till update.
Mappa uppdateringsfälten i Update Sheet Records med hjälp av de befintliga uttrycken:
- id → ={{ $('Retrieve Lead Rows').item.json.id }}
- Icebreaker → ={{ $json.output.icebreaker }}
- company_name_cleanup → ={{ $('Normalize Company Name').item.json.message.content.CompanyNameCleanUp }}
Säkerställ att Matching Columns inkluderar id så att uppdateringen riktas mot rätt rad.
Credential Required: Koppla era Google Sheets-uppgifter i både Retrieve Lead Rows och Update Sheet Records.

⚠️ Vanlig fallgrop: Om Document ID eller Sheet Name är tomt kommer arbetsflödet att läsa noll rader eller misslyckas med att uppdatera.

Steg 3: Filtrera och batcha leads

Det här steget säkerställer att endast leads utan en icebreaker bearbetas och hanterar dem i batchar.

Konfigurera Validate Unprocessed med villkoret:
- Left Value → ={{ $json.Icebreaker }}
- Operation → equals
- Right Value → no data
Öppna Batch Lead Iterator och ställ in Batch Size till 25.
Verifiera flödet: Retrieve Lead Rows → Validate Unprocessed → Batch Lead Iterator.
Bekräfta loopback-slingan: Update Sheet Records → Batch Lead Iterator för att bearbeta nästa batch.

Steg 4: Sätt upp AI-research och generering av icebreaker

Dessa noder normaliserar företagsnamn, researchar prospekt och skapar den slutliga icebreaker-raden.

I Normalize Company Name, låt JSON Output vara aktiverat och säkerställ att den använder era OpenAI-modellinställningar.
Normalize Company Name refererar redan till organisationsnamnet via {{ $('Retrieve Lead Rows').item.json.organization_name }}; verifiera att det matchar kolumnnamnet i ert kalkylark.
Koppla Web Research Model som språkmodell för Run Company Research.
I Run Company Research, bekräfta att mallen för human message innehåller:
- {{ $('Retrieve Lead Rows').item.json.first_name }} {{ $('Retrieve Lead Rows').item.json.last_name }} {{ $('Retrieve Lead Rows').item.json.title }} {{ $('Retrieve Lead Rows').item.json.organization_name }} at {{ $now.toFormat('dd.MM.yyyy') }}
Koppla Compose Icebreaker LLM som språkmodell för Draft Icebreaker Line.
Koppla Extract Icebreaker JSON som output parser för Draft Icebreaker Line (uppgifter läggs till i Draft Icebreaker Line, inte i parsern).
Credential Required: Koppla era OpenAI-uppgifter i Normalize Company Name (redan konfigurerat som openAiApi).
Credential Required: Koppla era OpenRouter-uppgifter i Web Research Model och Compose Icebreaker LLM.

Tips: Eftersom Draft Icebreaker Line använder Extract Icebreaker JSON som output parser, säkerställ att det slutliga svaret innehåller ett giltigt JSON-objekt som matchar {"icebreaker":""}.

Steg 5: Konfigurera uppdateringar av utdata

Det här steget skriver tillbaka den genererade icebreakern till ert kalkylark för varje bearbetat lead.

I Update Sheet Records, bekräfta att Columns är mappade till de uttryck som redan är angivna.
Dubbelkolla att Matching Columns inkluderar id för att uppdatera rätt rad.
Säkerställ att körflödet matchar: Run Company Research → Draft Icebreaker Line → Update Sheet Records.

Steg 6: Testa och aktivera ert arbetsflöde

Validera hela flödet end-to-end innan ni aktiverar det för återkommande användning.

Klicka på Execute Workflow från Manual Launch Trigger för att köra ett manuellt test.
Bekräfta att Validate Unprocessed endast släpper igenom rader där Icebreaker är lika med no data.
Kontrollera att Draft Icebreaker Line outputtar ett giltigt JSON-objekt och att Update Sheet Records skriver det till kalkylarket.
När ni är nöjda, slå på arbetsflödet till Active för användning i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Felsökningstips

Google Sheets-credentials kan löpa ut eller tappa åtkomst om arket flyttas till en annan Drive eller en delad workspace. Om uppdateringar slutar skrivas, kontrollera Google-credential i n8n och bekräfta först behörigheterna för arket.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
OpenRouter-modeller kan fallera på grund av rate limits eller slut på krediter. Om research eller Claude-output plötsligt blir tom, kontrollera din OpenRouter-användning/krediter och överväg att sänka batchstorleken från 25 till 10.
Standardprompter i AI-noder är generiska. Lägg in din brand voice tidigt, annars kommer du att redigera output för alltid.

Snabba svar

Hur lång tid tar det att sätta upp den här Sheets Claude icebreakers-automatiseringen?

Cirka 30 minuter om dina kolumner i arket är klara.

Krävs kodning för den här icebreaker-automatiseringen?

Nej. Du kopplar konton, mappar några fält och testar med en liten batch.

Är n8n gratis att använda för det här Sheets Claude icebreakers-workflowet?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis testperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI- och OpenRouter-användning (det här flödet ligger ofta runt 0,02 USD per lead).

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast setup) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag modifiera det här Sheets Claude icebreakers-workflowet för andra use case?

Ja, och det bör du. Du kan justera ton och struktur genom att redigera prompten i Claude-steget ”Compose Icebreaker”, och du kan byta researchkälla genom att ändra OpenRouter-researchmodellen som används i ”Web Research Model”. Vanliga justeringar är att byta från ”casual” till ”formal”, lägga till en hård regel för ordantal och tvinga öppningen att referera till en specifik typ av signal (finansiering, rekrytering, produktlansering).

Varför fungerar inte min Google Sheets-anslutning i det här workflowet?

Oftast är det ett behörighetsproblem eller en utgången Google-auth-token. Koppla om din Google Sheets-credential i n8n och bekräfta sedan exakta spreadsheet- och worksheet-ID:n i stegen ”Retrieve Lead Rows” och ”Update Sheet Records”. Kontrollera också att dina kolumner fortfarande matchar det flödet förväntar sig (till exempel Icebreaker och company_name_cleanup). Om arkstrukturen ändrats kan flödet köra som vanligt men fallera när det ska skriva tillbaka.

Vilken volym kan det här Sheets Claude icebreakers-workflowet hantera?

Tillräckligt för de flesta outbound-team. Det bearbetar leads i batchar om 25 och loopar tills de obearbetade raderna är klara, så du kan köra hundratals leads i en session utan att passa det. På n8n Cloud är din praktiska gräns din månatliga körningskvot; om du self-hostar beror det mest på din server och dina API-gränser. Om du slår i rate limiting, sänk batchstorleken och kör igen.

Är den här Sheets Claude icebreakers-automatiseringen bättre än att använda Zapier eller Make?

Ofta, ja, eftersom det här inte är en enkel ”tvåstegs”-zap. Du gör filtrering, batchbearbetning, AI-anrop med flera modeller och strukturerad parsing, och det blir dyrt eller krångligt i Zapier/Make. n8n ger dig också en self-hosted-väg om volymen växer och du inte vill prissätta körningar som en skatt. Nackdelen är att du har några fler reglage att ställa in, särskilt kring credentials och prompter. Om du är osäker, prata med en automationsexpert så hjälper vi dig att välja det enklaste alternativet som fortfarande fungerar.

När det här väl rullar blir ditt kalkylark en riktig produktionslina för outreach. Du får tillbaka timmar, och dina öppningar slutar låta som alla andras.

The post Google Sheets + Claude: icebreakers som låter mänskliga first appeared on Node Nordic - AI Konsult för företag.

Telegram + VirusTotal: säkrare länkar innan du klickar

Rickard Andersson — Thu, 22 Jan 2026 07:59:44 +0000

Du sitter på mobilen, ett mejl trillar in och där är den där länken. Den “ser” okej ut, men du har blivit bränd förut och du har inte tid att leka detektiv i fem olika flikar.

Det här drabbar marknadsförare som lever i inkorgen hela dagen, men byråägare som vidarebefordrar kundförfrågningar och ops-ansvariga som godkänner dokument känner av det också. Telegram-länkskanning gör att du kan fortsätta i samma tempo och ändå göra det vuxna: kontrollera risken innan du klickar.

Det här arbetsflödet gör en inklistrad URL till en tydlig, strukturerad säkerhetssammanfattning från VirusTotal (med urlscan.io som en extra signal), och loggar sedan skanningen till Google Sheets så att du kan granska vad som hände i efterhand.

Så fungerar den här automationslösningen

Hela n8n-arbetsflödet, från trigger till slutligt resultat:

n8n Workflow Template: Telegram + VirusTotal: säkrare länkar innan du klickar

Click to explore

flowchart LR

    subgraph sg0["Telegram Incoming Flow"]
        direction LR
        n0["

VirusTotal API Call"]
        n1["

Telegram Reply Sender"]
        n2["

Telegram Incoming Trigger"]
        n3@{ icon: "mdi:database", form: "rounded", label: "Scan Log Recorder", pos: "b", h: 48 }
        n4@{ icon: "mdi:robot", form: "rounded", label: "URL Report Assistant", pos: "b", h: 48 }
        n5@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
        n6@{ icon: "mdi:memory", form: "rounded", label: "Scan Summary Memory", pos: "b", h: 48 }
        n7@{ icon: "mdi:cog", form: "rounded", label: "Throttle Summary Output", pos: "b", h: 48 }
        n8["

urlscan.io Request"]
        n9["

Compose Summary Data"]
        n10["

Combine Scan Results"]
        n10 --> n9
        n5 -.-> n4
        n7 --> n1
        n7 --> n3
        n2 --> n0
        n2 --> n8
        n6 -.-> n4
        n9 --> n4
        n8 --> n10
        n0 --> n10
        n4 --> n7
    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 n2 trigger
    class n4 ai
    class n5 aiModel
    class n6 ai
    class n3 database
    class n0 api
    class n9 code
    classDef customIcon fill:none,stroke:none
    class n0,n1,n2,n8,n9,n10 customIcon

Problemet: du tvingas “gissa” om en länk är säker

Misstänkta länkar annonserar sällan sig själva. De dyker upp som “vänligen signera”, “granska det här dokumentet”, “snabb fråga om en faktura” eller en kund som delar en slumpmässig Google Drive-URL. På mobilen är det värre. Du kan inte hovra för att inspektera, det är störigt att hoppa mellan appar och pressen att svara snabbt puttar dig mot riskabla klick. Även om du försöker vara försiktig blir manuell kontroll inkonsekvent. Ena dagen kör du den via VirusTotal. Nästa dag glömmer du, eftersom du jonglerar möten, godkännanden och hundra små uppgifter.

Det går snabbt att bygga upp. Här är var det faller isär.

De flesta hoppar över kontroller på mobilen eftersom processen är krånglig och långsam.
Du börjar lita på magkänslan “ser legitim ut”, vilket är exakt det nätfiske är byggt för att utnyttja.
När du väl kontrollerar en länk dokumenterar du det sällan, så det finns inget spår när någon frågar “hur kunde det här hända?”
Olika skannrar visar olika signaler, och att pussla ihop dem manuellt är ett huvudvärk.

Lösningen: en Telegram-bot som skannar och sammanfattar länkar

Det här n8n-arbetsflödet ger dig en enkel vana: klistra in en URL i Telegram, få tillbaka en risksammanfattning. När ett meddelande når din bot triggar n8n två kontroller parallellt. Först anropar den VirusTotal API för att hämta rykte och signaler för “skadlig vs. felfri” från flera motorer. Samtidigt skickar den URL:en till urlscan.io för att observera hur sidan beter sig när den laddas (vilka domäner den kontaktar, vad den försöker hämta och andra ledtrådar som kan avslöja suspekta omdirigeringar). Sedan slår arbetsflödet ihop båda svaren, hanterar fel på ett robust sätt och skapar en enda strukturerad “okej, vad betyder det här?”-rapport. Till sist svarar den i Telegram och loggar varje skanning till Google Sheets för senare granskning.

Flödet börjar med ett Telegram-meddelande. VirusTotal och urlscan.io körs, sedan kombineras resultaten och städas upp. En AI-assistent gör rådata till en läsbar sammanfattning, och n8n skickar den sammanfattningen tillbaka till chatten samtidigt som den sparar en post i Google Sheets.

Det du får: automation vs. resultat

Vad det här arbetsflödet automatiserar

Resultat du får

Det tar emot valfri URL du skickar till en Telegram-bot och startar skanning automatiskt.
Det anropar VirusTotal och urlscan.io utan att du behöver kopiera något mellan verktyg.
Det slår ihop skanningsutdata och levererar ändå en rapport om urlscan.io blockeras eller misslyckas.
Det sparar en skanningsloggpost i Google Sheets samtidigt som Telegram-svaret skickas.

De flesta team kortar ner “ska jag klicka?”-kontroller från cirka 10 minuter till under 1 minut.
Du får en sammanfattning på enkel svenska i stället för rå JSON du aldrig kommer läsa.
Blockerade skanningar märks tydligt, så du inte misstar saknad data för “säker”.
Dina länkkontroller blir konsekventa eftersom processen är ett meddelande, varje gång.
Du bygger ett revisionsspår i Google Sheets för säkerhetsgranskningar och uppföljning efter incidenter.

Exempel: så här ser det ut

Säg att du får 10 “snälla granska det här”-länkar i veckan via mejl och chatt. Manuellt blir det oftast 2 verktyg (VirusTotal plus en webbläsarsandbox eller urlscan.io), kanske 5 minuter per länk när du räknar in kopiering, laddning och tolkning av resultat, alltså ungefär en timme i veckan. Med det här arbetsflödet klistrar du in URL:en i Telegram (10 sekunder), väntar på skanningen och sammanfattningen (ofta runt en minut), och så är du klar. Du får också Google Sheets-loggen automatiskt, vilket är en tyst vinst när någon ber om bevis i efterhand.

Det du behöver

n8n-instans (testa n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger funkar bra)
Telegram för att ta emot länkar och skicka sammanfattningar
VirusTotal för rykte och signaler om skadlig kod
urlscan.io API-nyckel (hämta den i urlscan.io Settings & API)

Kunskapsnivå: Medel. Du kopplar några konton, klistrar in API-nycklar och gör små ändringar som chatt-ID:n och kolumner i Sheet:et.

Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

Du skickar en URL till din Telegram-bot. Det meddelandet är triggern, så du behöver inget formulär, ingen webbläsartillägg eller någon annan app.

Två skanningar körs samtidigt. n8n anropar VirusTotal via HTTP Request för att hämta omdömen och rykte, och anropar urlscan.io för att se vad länken faktiskt gör när den laddas.

Arbetsflödet slår ihop och normaliserar resultaten. Ett kodsteg bygger ett konsekvent dataobjekt, även om urlscan.io misslyckas, så sammanfattningen faller aldrig ihop halvvägs.

Du får en läsbar risksammanfattning och en sparad logg. En språkmodell-agent gör de kombinerade resultaten till en tydlig rapport, sedan svarar n8n i Telegram och skriver skanningsdetaljerna till Google Sheets.

Du kan enkelt ändra var sammanfattningen hamnar (Telegram) till Slack eller mejl beroende på behov. Se hela implementeringsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera Telegram-triggern

Konfigurera Telegram-triggern så att inkommande meddelanden startar skanningsflödet.

Lägg till noden Telegram Incoming Trigger och behåll Updates inställt på message.
Autentiseringsuppgifter krävs: Anslut era telegramApi-uppgifter.
Spara arbetsflödet så att n8n genererar Telegram-webhooken för Telegram Incoming Trigger.

Om ni redan har en Telegram-bot kan ni återanvända dess token i autentiseringsuppgiften telegramApi för att hålla all automation kopplad till en och samma bot.

Steg 2: anslut tjänsterna för URL-skanning

Konfigurera de externa skanningsanropen som körs parallellt när ett Telegram-meddelande kommer in.

Öppna VirusTotal API Call och ställ in URL till https://www.virustotal.com/api/v3/urls med Method inställt på POST.
I VirusTotal API Call ställer ni in Query Parameters → url till {{ $json.message.text }}.
Autentiseringsuppgifter krävs: Anslut era virusTotalApi-uppgifter.
Öppna urlscan.io Request och ställ in URL till {{ $json.message.text }}.
Autentiseringsuppgifter krävs: Anslut era urlScanIoApi-uppgifter.
Bekräfta körordningen: Telegram Incoming Trigger skickar utdata parallellt till både VirusTotal API Call och urlscan.io Request.

⚠️ Vanlig fallgrop: Om någon av API-nycklarna saknas eller är felaktig fortsätter arbetsflödet ändå, men er sammanfattning kan bli ofullständig. Dubbelkolla båda autentiseringsuppgifterna innan ni testar.

Steg 3: sätt upp bearbetningslogiken

Slå ihop skanningsresultaten och skapa en strukturerad sammanfattningspayload för AI-assistenten.

Anslut VirusTotal API Call och urlscan.io Request till Combine Scan Results.
Anslut Combine Scan Results till Compose Summary Data.
I Compose Summary Data behåller ni JavaScript-koden som skapar ett summary-fält och bevarar ursprungliga JSON-fält.

Noden Compose Summary Data säkerställer att AI:n får en konsekvent struktur även om urlscan.io misslyckas.

Steg 4: sätt upp AI-lagret för sammanfattning

Konfigurera AI-assistenten så att den omvandlar skanningsdata till en lättläst riskrapport.

Öppna URL Report Assistant och behåll prompten i Text enligt definitionen, inklusive de inbäddade uttrycken som {{ $('Telegram Incoming Trigger').item.json.message.text }} och {{ $now }}.
Säkerställ att OpenAI Chat Model är ansluten som språkmodell för URL Report Assistant.
Autentiseringsuppgifter krävs: Anslut era openAiApi-uppgifter i OpenAI Chat Model.
Säkerställ att Scan Summary Memory är ansluten som minne för URL Report Assistant.

Noden Scan Summary Memory kräver inga autentiseringsuppgifter; eventuella AI-uppgifter ska läggas till i överordnade OpenAI Chat Model.

Steg 5: konfigurera utdata och loggning

Skicka AI-sammanfattningen tillbaka till Telegram och logga den i Google Sheets.

Anslut URL Report Assistant till Throttle Summary Output.
Bekräfta parallell utdata: Throttle Summary Output skickar utdata parallellt till både Telegram Reply Sender och Scan Log Recorder.
I Telegram Reply Sender ställer ni in Text till {{ $json.output }} och Chat ID till {{ $('Telegram Incoming Trigger').item.json.message.chat.id }}.
Autentiseringsuppgifter krävs: Anslut era telegramApi-uppgifter i Telegram Reply Sender.
I Scan Log Recorder ställer ni in Operation till appendOrUpdate, mappar URL till {{ $('Telegram Incoming Trigger').item.json.message.text }}, Report till {{ $json.output }} och Date/Time till {{ $now }}.
Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Scan Log Recorder.

⚠️ Vanlig fallgrop: Ersätt [YOUR_ID] i Scan Log Recorder med era faktiska Google Sheet- och dokument-ID:n, annars kommer append att misslyckas.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att säkerställa att skanningar, AI-sammanfattningar och loggning fungerar från början till slut.

Klicka på Test Workflow och skicka en URL till er Telegram-bot för att trigga Telegram Incoming Trigger.
Verifiera att VirusTotal API Call och urlscan.io Request körs och slås ihop i Combine Scan Results.
Bekräfta att Telegram Reply Sender returnerar en lättläst sammanfattning i Telegram och att Scan Log Recorder skriver en rad till Google Sheets.
När ni är nöjda, växla arbetsflödet till Active för att aktivera övervakning i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

VirusTotal-inloggning kan löpa ut eller läggas in fel. Om anropen misslyckas, kontrollera API-nyckel-headern i VirusTotal HTTP Request-noden (den ska skickas som förväntad header, till exempel x-apikey).
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder misslyckas på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt annars kommer du redigera utdata för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för Telegram-länkskanning?

Cirka 30 minuter om du redan har API-nycklarna.

Behöver jag kunna koda för att automatisera Telegram-länkskanning?

Nej. Du kommer främst koppla konton och klistra in API-nycklar. Den enda “tekniska” delen är att uppdatera ett par fält som Telegram-chatt-ID och dina kolumner i Google Sheet.

Är n8n gratis att använda för det här arbetsflödet för Telegram-länkskanning?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också ta hänsyn till API-begränsningar för VirusTotal och urlscan.io (VirusTotal Public API är rate-limitad och inte idealisk för kommersiell volym).

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och hanterar n8n bra. Self-hosting ger dig mer kontroll, men du ansvarar själv för uppdateringar och drifttid.

Kan jag anpassa det här arbetsflödet för Telegram-länkskanning till Slack-larm i stället för Telegram-svar?

Ja, och det är en vanlig justering. Du kan behålla samma trigger och skanningar och sedan byta ut noden “Telegram Reply Sender” mot en Slack-nod som postar sammanfattningen i en kanal. Många anpassar även loggningen i Google Sheets med extra fält som “vem skickade in länken” eller ett kampanjnamn, vilket gör revisioner mycket enklare.

Varför misslyckas min VirusTotal-anslutning i det här arbetsflödet?

Oftast beror det på att API-nyckeln skickas på fel ställe. VirusTotal förväntar sig nyckeln som en header (vanligen x-apikey), så verifiera att HTTP Request-noden har den headern aktiverad och ifylld. Kontrollera också dina rate limits eftersom den publika nyckeln är begränsad till några få anrop per minut. Om du skannar i kluster kan du behöva throttling eller en betald plan.

Hur många länkar kan den här automatiseringen för Telegram-länkskanning hantera?

På n8n Cloud Starter-planen kan du köra några tusen exekveringar per månad, vilket räcker för de flesta små team. Om du self-hostar är exekveringar inte flaskhalsen; det är din server och skannrarnas rate limits. I praktiken är VirusTotals publika API-tak den största begränsningen, så hög volym innebär oftast att du uppgraderar din VirusTotal-åtkomst eller throttlar skanningar.

Är den här automatiseringen för Telegram-länkskanning bättre än att använda Zapier eller Make?

Ofta, ja. n8n är bekvämare när du behöver förgrenad logik, fallbacks (som “urlscan.io misslyckades, förlita dig på VirusTotal”) och mer avancerad dataformatering innan du skickar ett meddelande. Self-hosting är också en stor grej om du vill ha obegränsade körningar utan prissättning per uppgift, helt ärligt. Zapier eller Make kan fortfarande fungera bra för en enkel “skicka URL till API, posta svar”-setup, men det här arbetsflödets tillförlitlighet hänger på att hantera partiella fel på ett robust sätt. Prata med en automationsexpert om du vill ha hjälp att välja den enklaste vägen för din volym och risknivå.

Det här är den typ av automation du sätter upp en gång och sedan lutar dig mot i månader. Färre riskabla klick, tydligare beslut och ett spår att följa när du behöver det.

The post Telegram + VirusTotal: säkrare länkar innan du klickar first appeared on Node Nordic - AI Konsult för företag.

Gmail + Supabase: skicka PDF:er och spara kopior

Rickard Andersson — Thu, 22 Jan 2026 07:59:06 +0000

Du genererar en PDF, trycker på skicka, och sen börjar det riktiga jobbet. Mejlet studsar, kunden säger att de aldrig fick det, eller någon ber om ”exakt kopian från förra tisdagen” och du gräver igenom trådar och mappar.

Den här Gmail Supabase PDFs-automationen träffar driftteam först, ärligt talat. Men byråägare som skickar leveranser till kunder och marknadsförare som skickar bekräftelser känner av samma kaos. Resultatet är enkelt: bara giltiga mejladresser, PDF:er levereras automatiskt och varje fil arkiveras med en tydlig, korrekt spårbarhet.

Nedan ser du vad arbetsflödet gör, vad du får ut av det och hur du kan anpassa det för fakturor, rapporter, intyg eller vilken ”generera och skicka en PDF”-process du än kör.

Så fungerar den här automatiseringen

Hela n8n-flödet, från trigger till slutligt resultat:

n8n Workflow Template: Gmail + Supabase: skicka PDF:er och spara kopior

Click to explore

flowchart LR

    subgraph sg0["Flow 1"]
        direction LR
        n0@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Email Is Valid?", pos: "b", h: 48 }
        n1["

Verify Client Email"]
        n2["

Respond – Invalid Email"]
        n3["

Populate HTML Template"]
        n4@{ icon: "mdi:web", form: "rounded", label: "Convert HTML to PDF", pos: "b", h: 48 }
        n5@{ icon: "mdi:message-outline", form: "rounded", label: "Send PDF to Client Email", pos: "b", h: 48 }
        n6["

Record Document Transaction"]
        n7["

Upload PDF to Supabase Storage"]
        n8["

Load HTML Template"]
        n9["

Receive Document Request (We.."]
        n0 --> n8
        n0 --> n2
        n8 --> n3
        n4 --> n7
        n4 --> n5
        n1 --> n0
        n3 --> n4
        n7 --> n6
        n9 --> 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 decision
    class n6,n8 database
    class n2,n4,n7,n9 api
    class n3 code
    classDef customIcon fill:none,stroke:none
    class n1,n2,n3,n6,n7,n8,n9 customIcon

Problemet: PDF:er skickas, men underlaget hålls inte strukturerat

Att skicka PDF:er låter som en ”klart på fem minuter”-uppgift tills du gör det varje dag. Du kopierar uppgifter från ett formulär till en mall, exporterar en PDF, bifogar den och hoppas att mejladressen är korrekt. Sen kommer uppföljningarna. En begäran om att skicka igen. Ett ”kan du bekräfta vilken version du skickade?”-mejl. Om du hanterar fakturor, bekräftelser, rapporter eller intyg, blir de där små momenten snabbt till timmar och en förvånansvärt stor mental belastning. Och utan ett pålitligt arkiv är du alltid en saknad bilaga från ett pinsamt kundsamtal.

Det går fort att tappa kontrollen. Här brukar det oftast fallera.

Ett enda stavfel i en mejladress kan trigga en omgång med omskick som slösar 20 minuter och får dig att se slarvig ut.
PDF:er hamnar i inkorgstrådar, vilket gör att sökningen blir ett märkligt gissningsspel en månad senare.
Team återskapar dokument eftersom de inte hittar exakt den fil som skickades.
Det finns ingen konsekvent revisionslogg, så du kan inte säkert svara på ”vad skickades, när och till vem?”

Lösningen: validera, generera, mejla och arkivera i ett enda körning

Det här arbetsflödet gör ”PDF-utskick” till ett pålitligt och spårbart system. Det börjar med en POST-webhook i n8n som tar emot strukturerad JSON (kundinfo plus data som behövs för att bygga dokumentet). Innan något genereras kontrollerar flödet kundens mejladress med Hunter Email Verification, så felaktiga adresser fångas tidigt istället för att studsa senare. Om mejladressen godkänns hämtar n8n rätt HTML-mall från din Postgres-databas, lägger in inkommande data i mallen och skickar färdiga HTML:en till PDF Generator API för att rendera en snygg PDF. Till sist mejlas PDF:en via Gmail, samma fil laddas upp till Supabase Storage och en transaktionspost skrivs tillbaka i Postgres så att du kan spåra och revidera varje utskick.

Flödet startar när ditt system (ett formulär, din app, ett CRM, till och med ett kalkylbladsscript) postar JSON till webhooken. n8n validerar mejladressen, genererar PDF:en från din sparade HTML-mall och levererar samt arkiverar den. Om adressen är ogiltig svarar den direkt och undviker att skapa ett dokument du ändå inte kan leverera.

Det här får du: automation vs resultat

Vad det här arbetsflödet automatiserar

Resultat du får

Det verifierar mottagarens mejladress med Hunter innan någon PDF genereras.
Det hämtar rätt HTML-mall från Postgres och lägger in data från förfrågan.
Det renderar en PDF via PDF Generator API och bifogar den i ett mejl via Gmail.
Det laddar upp samma PDF till Supabase Storage och loggar utskicket i Postgres.

De flesta team sparar cirka 5 timmar i veckan när volymen ökar.
Betydligt färre ”kan du skicka igen?”-mejl eftersom ogiltiga adresser stoppas direkt.
En enda källa till sanning för skickade PDF:er, så framtagning tar minuter, inte en eftermiddag.
Mer konsekvent varumärkesprofil eftersom mallar ligger centralt i databasen.
Mer strukturerad driftrapportering eftersom varje transaktion registreras på samma sätt.

Exempel: så här ser det ut i praktiken

Säg att du skickar 30 PDF:er i veckan (fakturor, bekräftelser eller kundrapporter). Manuellt kan du lägga cirka 10 minuter per dokument på att kopiera data, exportera, bifoga, namnge filer och spara en kopia någonstans ”säkert”, alltså runt 5 timmar per vecka. Med det här flödet är den mänskliga delen mest triggern: ditt system postar JSON på under en minut, sen kör generering + utskick normalt på några minuter medan du gör annat. Arkivet sker automatiskt, så du tappar inte ännu en timme på fredagen på att försöka få ordning på filer.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
Hunter Email Verification för att validera mottagarens mejladresser
PDF Generator API för att konvertera HTML-mallar till PDF:er
Supabase Storage för att arkivera PDF:er på ett ställe
Postgres-databas för att lagra mallar och transaktionsloggar
Gmail-konto för att skicka PDF:er från din domän
Hunter API-nyckel (hämtas i din Hunter-dashboard)
PDF Generator API-nyckel (hämtas från ditt PDF Generator API-konto)

Kunskapsnivå: Medel. Du mappar fält från JSON in i en mall och sätter upp ett par autentiseringsuppgifter, men du bygger ingen app.

Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

En webhook tar emot en dokumentförfrågan. Ditt formulär, backend eller interna verktyg skickar JSON till en n8n POST-webhook med kunduppgifter och data som behövs för att bygga PDF:en.

Mejladressen verifieras före allt annat. Hunter kontrollerar mottagaradressen, och sedan avgör ett ”If”-villkor om flödet ska fortsätta eller direkt returnera ett svar om ogiltig mejladress.

Mallen hämtas och fylls. n8n hämtar rätt HTML-mall från Postgres och lägger sedan in inkommande fält i mallen så att slutdokumentet matchar din layout och varumärkesprofil.

PDF:en genereras, levereras och arkiveras. PDF Generator API renderar PDF:en, Gmail skickar den till mottagaren, Supabase lagrar en kopia och Postgres loggar transaktionen för spårning.

Du kan enkelt ändra uppslagningen av HTML-mallen för att stödja fler dokumenttyper, eller ändra sökvägen i Supabase så den matchar kunder, projekt eller faktureringsperioder. Se hela implementationsguiden nedan för anpassningsalternativ.

Vanliga fallgropar

Gmail-inloggningar kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera det anslutna Google-kontot under n8n Credentials och bekräfta att Gmail-åtkomst fortfarande är auktoriserad.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder misslyckas på grund av tomma svar.
Standardprompter i AI-noder är generiska. Lägg in din tonalitet tidigt, annars kommer du att redigera utdata i all evighet.

Vanliga frågor

Hur lång tid tar det att sätta upp den här Gmail Supabase PDFs-automationen?

Cirka 45 minuter om dina konton och mallar är klara.

Behöver jag kunna koda för att automatisera Gmail Supabase PDFs?

Nej, inte för själva arbetsflödet. Du kan behöva justera ett litet merge-/mappningsscript om din JSON-struktur är ovanlig.

Är n8n gratis att använda för det här Gmail Supabase PDFs-flödet?

Ja. n8n har ett gratis alternativ för egen drift och en gratis testperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för Hunter och PDF Generator API, som vanligtvis landar på några dollar i månaden vid låg volym.

Var kan jag hosta n8n för att köra den här automatiseringen?

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 obegränsat antal körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här Gmail Supabase PDFs-flödet för fakturor istället för rapporter?

Ja, och det är mest ett mallbyte. Lägg till en HTML-mallrad för ”invoice” i Postgres och justera sedan malluppslagningen i frågan Fetch HTML Blueprint så att den väljer rätt mall baserat på ett fält i din webhook-JSON (som documentType). Vanliga anpassningar är olika ämnesrader i Gmail, olika lagringsvägar i Supabase per kund och extra fält som sparas i Postgres transaktionslogg.

Varför misslyckas min Gmail-anslutning i det här flödet?

Oftast är det utgången OAuth-behörighet eller fel Google-konto som är anslutet i n8n. Anslut Gmail på nytt i n8n Credentials och bekräfta sedan att Gmail-noden använder den inloggningen. Om du skickar från en delad inkorg eller ett alias, säkerställ att Gmail-kontot får skicka som den adressen. Kontrollera även Googles säkerhetsaviseringar, eftersom en blockerad inloggning kan se ut som ett slumpmässigt arbetsflödesfel.

Hur många PDF:er kan den här Gmail Supabase PDFs-automationen hantera?

Några hundra per dag är realistiskt för många mindre team, förutsatt att din e-postleverantör och dina renderingsgränser för PDF tillåter det.

Är den här Gmail Supabase PDFs-automationen bättre än att använda Zapier eller Make?

Det beror på hur ”på riktigt” din dokumentprocess är. Om du bara bifogar en statisk PDF och skickar den kan Zapier eller Make räcka. Men när du lägger till databasdrivna mallar, villkorslogik för ogiltiga mejladresser och en riktig revisionslogg är n8n oftast enklare att hålla prydligt (och billigare att skala om du kör egen drift). Du får också mer kontroll över felhantering, vilket spelar roll när kunder väntar på dokument. Om regelefterlevnad eller kundupplevelse står på spel är den kontrollen ingen lyx. Prata med en automationsexpert om du vill ha en snabb rekommendation för just din setup.

När detta väl rullar blir PDF-leverans tråkigt på bästa sätt. Du skickar korrekta dokument, håller perfekta underlag i Supabase och slutar slösa tid på omskick som hade kunnat undvikas.

The post Gmail + Supabase: skicka PDF:er och spara kopior first appeared on Node Nordic - AI Konsult för företag.

Google Drive-backuper med Slack-larm, utan gissningar

Rickard Andersson — Thu, 22 Jan 2026 07:59:01 +0000

Dina automatiseringar driver verksamheten – ända tills dagen då något går sönder och du inser att du inte har en strukturerad backup. Då börjar du leta igenom gamla exporter, gissa vilken version som är “den bra”, och slösa bort en eftermiddag du inte hade.

Det här är den typen av röra som drabbar ops-ansvariga först. Men byråägare och solo-byggare känner av det också, särskilt när kunder är beroende av din n8n-instans. Med den här automatiseringen för Drive-backupnotiser säkerhetskopieras dina workflows automatiskt och du får en ping i Slack så att du vet att det faktiskt hände.

Nedan ser du exakt vad workflowet gör, vad du behöver koppla in och hur du kan tänka kring anpassningar för din miljö.

Så här fungerar automatiseringen

Här är hela workflowet du kommer att sätta upp:

n8n Workflow Template: Google Drive-backuper med Slack-larm, utan gissningar

Click to explore

flowchart LR

    subgraph sg0["Manual Run Start Flow"]
        direction LR
        n0@{ icon: "mdi:cog", form: "rounded", label: "Transform to JSON File", pos: "b", h: 48 }
        n1@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Run Start", pos: "b", h: 48 }
        n2@{ icon: "mdi:cog", form: "rounded", label: "Generate Backup Directory", pos: "b", h: 48 }
        n3@{ icon: "mdi:play-circle", form: "rounded", label: "Scheduled Automation Trigger", pos: "b", h: 48 }
        n4["

Retrieve Workflow List"]
        n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Iterate Workflow Batches", pos: "b", h: 48 }
        n6@{ icon: "mdi:cog", form: "rounded", label: "Upload Backup to Drive", pos: "b", h: 48 }
        n7["

Purge Aged Backups"]
        n5 --> n7
        n5 --> n0
        n0 --> n6
        n4 --> n5
        n6 --> n5
        n3 --> n2
        n2 --> n4
        n1 --> n2
    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 n1,n3 trigger
    class n7 code
    classDef customIcon fill:none,stroke:none
    class n4,n7 customIcon

Varför det här spelar roll: pålitliga backuper som du faktiskt kan återställa

Manuella backuper sker oftast när du kommer ihåg det – vilket betyder att de sker efter en skrämsel, inte före. Även när du exporterar hamnar filerna i slumpmässiga mappar med namn som “n8n-export-final-final.json”, och ingen vet vilken miljö de kom från. Sedan uppdaterar du ett workflow, en credential roteras eller en instans flyttas – och plötsligt är din “backup” föråldrad eller ofullständig. Den verkliga kostnaden är kaoset: återskapa logik ur minnet, testa om, och förklara driftstopp för en kund eller ditt team.

Det drar snabbt iväg. Här är var det brukar fallera i verkligheten.

Du glömmer att exportera innan en stor ändring och en rollback blir till en ombyggnad.
Backuper finns, men de är inte tydligt tidsstämplade, så återställning blir gissningar.
Gamla mappar staplas på hög och äter tyst upp Drive-lagring tills någon märker det.
Ingen får notifieringar, så fel passerar obemärkt i flera dagar.

Det du bygger: dagliga n8n-workflowbackuper till Drive (med notiser)

Det här workflowet säkerhetskopierar varje workflow i din n8n-instans till Google Drive enligt schema, och håller samtidigt mappstrukturen ren så att den fortsätter vara användbar. Det startar vid en bestämd tid varje dag (23:00 som standard), skapar en ny tidsstämplad mapp i din valda Drive-katalog och hämtar den aktuella listan över workflows via n8n:s API. Därefter loopar det igenom workflows i batchar, konverterar varje workflow till en JSON-fil och laddar upp varje fil till dagens backupmapp. Till sist tar det bort äldre backupmappar så att du inte betalar för lagring i form av skräp. När du lägger till Slack-notiser får du ett enkelt “backup klar”-meddelande – vilket är skillnaden mellan “vi tror att den körde” och “vi vet att den körde”.

Workflowet startar enligt ett dagligt schema eller via en manuell trigger för test. Sedan hämtar n8n din workflowlista, behandlar dem en och en (i batchar) och skriver JSON-exporter till en ny Google Drive-mapp. Städningen körs på slutet så att backupkatalogen hålls prydlig.

Det du bygger

Det som automatiseras

Det du uppnår

En nattlig schemalagd export av alla workflows från din n8n-instans.
Automatisk skapande av en tidsstämplad Google Drive-mapp för varje backuprunda.
Batch-för-batch-konvertering av workflows till individuella JSON-filer.
Städning som tar bort äldre backupmappar så att lagringen inte sväller.

Cirka 30–60 minuter sparat varje vecka jämfört med manuella exporter.
En tydlig återställningsväg eftersom allt är tidsstämplat.
Färre “vem ändrade vad?”-lägen när du behöver jämföra versioner.
Renare Drive-lagring med förutsägbar retention i stället för kaos.
Synlighet i Slack så att misslyckade körningar inte gömmer sig i bakgrunden.

Förväntade resultat

Säg att du hanterar en n8n-instans med cirka 40 workflows. Att manuellt exportera, namnge filer, skapa mappar och ladda upp till Drive kan lätt ta 2 minuter per workflow, plus ytterligare 10 minuter för städning – så du landar på runt 90 minuter varje gång du gör det (och de flesta gör det inte dagligen). Med det här workflowet lägger du kanske 15 minuter en gång för att koppla konton och klistra in ett Drive-mapp-ID, och sedan sker den dagliga körningen automatiskt klockan 23:00. Det enda “jobbet” efter det är att kasta ett öga på ett Slack-meddelande och bekräfta att det blev klart.

Innan du börjar

n8n-instans (prova n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
Google Drive för att lagra tidsstämplade backupmappar.
Slack för att ta emot notiser om “kördes utan fel”.
Åtkomst till n8n API (aktivera i dina n8n-inställningar/admin).

Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in ett mapp-ID och testar en manuell körning.

Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).

Steg för steg

Ett nattligt schema (plus en manuell testkörning). Workflowet triggas automatiskt klockan 23:00, och det finns även en manuell trigger så att du kan köra det på beställning när du sätter upp det.

En ny Google Drive-backupmapp skapas. Varje körning genererar en ny tidsstämplad katalog i Drive, så att du snabbt kan skilja på “gårdagens backup” och “förra veckans backup” utan att öppna filer.

n8n exporterar alla workflows i batchar. Workflowet hämtar din workflowlista från n8n och loopar sedan igenom poster i hanterbara chunkar. Varje workflow blir en egen JSON-fil, vilket gör återställningar och jämförelser strukturerade.

Uppladdningar sker, sedan rensas gamla backuper. JSON-filerna laddas upp till den tidsstämplade mappen, och ett städsteg tar bort äldre backupmappar baserat på retention-logiken i code-noden.

Du kan enkelt ändra schematid och retention-regler så att de matchar hur ditt team faktiskt jobbar. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera manuella- och schematriggers

Konfigurera både den manuella och den schemalagda triggern så att ni kan köra backuper vid behov eller automatiskt varje dag.

Lägg till och öppna Manual Run Start för att möjliggöra manuell testning från editorn.
Öppna Scheduled Automation Trigger och ställ in den dagliga regeln så att Trigger At Hour är 23.
Koppla både Manual Run Start och Scheduled Automation Trigger till Generate Backup Directory så att valfri trigger startar backup-kedjan.

Steg 2: Anslut Google Drive och n8n API

Autentisera tjänsterna som används för att skapa mappar, ladda upp filer och hämta arbetsflöden.

I Generate Backup Directory väljer ni ert Google Drive-konto. Credential Required: Anslut era googleDriveOAuth2Api-uppgifter.
I Upload Backup to Drive väljer ni samma Google Drive-konto. Credential Required: Anslut era googleDriveOAuth2Api-uppgifter.
I Purge Aged Backups ansluter ni Google Drive-uppgifter för API-rensning. Credential Required: Anslut era googleDriveOAuth2Api-uppgifter.
I Retrieve Workflow List ansluter ni era n8n API-uppgifter. Credential Required: Anslut era n8nApi-uppgifter.

Steg 3: Konfigurera bearbetningsnoder

Konfigurera hur arbetsflöden hämtas, batchas och konverteras till JSON-filer före uppladdning.

Öppna Retrieve Workflow List och behåll standardinställningarna för att hämta alla arbetsflöden från er n8n-instans.
Öppna Iterate Workflow Batches för att bearbeta arbetsflöden i batchar (standardalternativen är okej för mindre mängder).
Konfigurera Transform to JSON File med Operation satt till toJson och File Name satt till ={{ $json.name }}.json.
Iterate Workflow Batches skickar utdata till både Purge Aged Backups och Transform to JSON File parallellt.

Steg 4: Konfigurera utdata- och rensningsåtgärder

Skapa en datumstämplad backup-mapp i Drive, ladda upp varje JSON-fil och rensa vid behov bort äldre backuper.

I Generate Backup Directory ställer ni in Name till =Workflow Backups {{ $now.format('yyyy-MM-dd') }}, Resource till folder och Drive till My Drive.
I Upload Backup to Drive ställer ni in Name till ={{ $json.fileName }} och Folder ID till ={{ $('Generate Backup Directory').item.json.id }}.
I Purge Aged Backups uppdaterar ni const parentFolderId = '[YOUR_ID]'; till den Drive-mapp som innehåller alla backup-mappar och behåller const daysToKeep = 7; eller justerar efter behov.

⚠️ Vanlig fallgrop: parentFolderId i Purge Aged Backups måste matcha den överordnade mapp som används i Generate Backup Directory, annars hittas inga gamla backuper att rensa.

Sista steget: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att verifiera att mappar skapas, filer laddas upp och rensning fungerar, och aktivera sedan schemat för användning i produktion.

Klicka på Manual Run Start för att köra arbetsflödet en gång.
Bekräfta att en ny mapp med ett namn i stil med Workflow Backups YYYY-MM-DD skapas och att JSON-filer laddas upp i den.
Kontrollera utdata från Purge Aged Backups för att verifiera antalen för deleted och remaining.
Slå på arbetsflödet genom att klicka på Activate så att Scheduled Automation Trigger körs dagligen kl. 23:00.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Felsökningstips

Google Drive-credentials kan gå ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först Google Drive OAuth-anslutningen i n8n under Credentials.
Om ditt n8n API-anrop misslyckas beror det oftast på att API-åtkomst inte är aktiverad eller att instansens URL är fel. Verifiera dina n8n API-inställningar och testa sedan om steget “Hämta workflowlista”.
Städkoden är beroende av korrekt överordnat mapp-ID. Om gamla backuper inte tas bort (eller om fel mapp påverkas), öppna noden “Purge Aged Backups” och bekräfta att mapp-ID:t är inklistrat exakt.

Snabba svar

Hur lång är uppsättningstiden för den här automatiseringen för Drive-backupnotiser?

Cirka 20 minuter om din åtkomst till n8n och Google Drive är klar.

Krävs kodning för den här automatiseringen för Drive-backupnotiser?

Nej. Du kopplar mest konton och klistrar in ett Google Drive-mapp-ID. Den enda “koden” finns redan i städnoden; du konfigurerar den bara.

Är n8n gratis att använda för det här workflowet för Drive-backupnotiser?

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 ta med kostnader för Google Drive-lagring om du sparar många backuper.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärt och hanterar n8n bra. Egen drift ger obegränsade körningar men kräver grundläggande serverhantering.

Kan jag modifiera det här workflowet för Drive-backupnotiser för andra användningsfall?

Ja, och det är vanligt. Du kan ändra schematriggningen (köra timvis, veckovis eller precis före driftsättningar) och du kan justera code-noden “Purge Aged Backups” för att behålla fler eller färre mappar. Många team lägger också till en Slack-nod efter uppladdningarna för att posta lyckades/misslyckades-meddelanden, eller skickar notiser till en specifik kanal för bättre synlighet.

Varför fungerar inte min Google Drive-anslutning i det här workflowet?

Oftast är det utgången OAuth-auktorisering eller att fel Google-konto är anslutet. Anslut om Google Drive-credential i n8n och kör sedan den manuella triggern igen. Dubbelkolla också mål-mapp-ID:t; ett ID som ser korrekt ut men pekar på en mapp du saknar åtkomst till kommer att misslyckas lika hårt.

Vilken volym kan det här workflowet för Drive-backupnotiser hantera?

En typisk n8n-instans med dussintals eller till och med några hundra workflows fungerar bra, eftersom workflowet använder batchar för att undvika att ladda upp allt på en gång. I n8n Cloud är den praktiska gränsen din månatliga exekveringskvot och hur ofta du schemalägger körningar. Om du kör egen drift finns ingen plattformsgräns för körningar, men dina serverresurser och Drive API-gränser spelar fortfarande roll. Om du har tusentals workflows, öka batchstorleken försiktigt och testa. Ärligt talat är det få team som ens kommer i närheten av det.

Är den här automatiseringen för Drive-backupnotiser bättre än att använda Zapier eller Make?

För det här workflowet har n8n några fördelar: mer komplex logik med obegränsad branching utan extra kostnad, ett alternativ för egen drift med obegränsade körningar, samt inbyggd looping/batchning som Zapier ofta gör krånglig. Zapier eller Make kan fungera om du bara säkerhetskopierar en enstaka fil eller gör en enkel Drive-kopiering. Men att exportera varje n8n-workflow via API, göra varje till en fil och hantera retention är ett jobb som n8n hanterar snyggt. Om du är osäker, testa först med den manuella triggern så att du kan se outputen. Prata med en automationsexpert om du vill ha hjälp att välja den enklaste vägen.

När detta väl rullar slutar backuper vara en “någon gång”-uppgift och blir rutin. Du kommer känna skillnaden första gången du behöver återställa och den redan väntar i Drive.

The post Google Drive-backuper med Slack-larm, utan gissningar first appeared on Node Nordic - AI Konsult för företag.

Google Sheets – Node Nordic – AI Konsult för företag

Telegram till Facebook: publicera inlägg med bekräftelse

Så fungerar automatiseringen

n8n Workflow Template: Telegram till Facebook: publicera inlägg med bekräftelse

Problemet: korspostning är lätt att göra fel

Lösningen: Telegram → Facebook-publicering, hanterat i bakgrunden

Vad du får: automatisering vs. resultat

Exempel: så här ser det ut

Det här behöver du

Så fungerar det

Steg-för-steg-guide för implementation

Steg 1: Konfigurera Telegram-triggern

Steg 2: Anslut webbläsarautomationssessionen

Steg 3: Lägg till tidskontroller för att säkerställa att sidan är redo

Steg 4: Konfigurera interaktionerna i Facebook-skaparen

Steg 5: Konfigurera Telegram-bekräftelsemeddelandet

Steg 6: Testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar

Relaterade arbetsflöden

Vanliga frågor

RSS + Telegram: kryptosammanfattningar på ryska

Så här fungerar automatiseringen

n8n Workflow Template: RSS + Telegram: kryptosammanfattningar på ryska

Utmaningen: publicera kryptodigests utan dagligt kaos

Lösningen: automatiserade ryska kryptodigests från RSS till Telegram

Vad som förändras: före vs. efter

Effekt i verkligheten

Krav

Flödet i arbetsflödet

Steg-för-steg-guide för implementering

Steg 1: konfigurera den schemalagda automationstriggern

Steg 2: anslut RSS-flödeskällor

Steg 3: konfigurera filtrering och förberedelse av array

Steg 4: konfigurera AI-analys och skriva sammanfattningen

Steg 5: konfigurera meddelandeuppdelning och leverans till Telegram

Steg 6: testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Saker att se upp med

Liknande automatiseringar

Vanliga frågor

LinkedIn till Google Sheets: sekvenser klara att skicka

Så fungerar automatiseringen

n8n Workflow Template: LinkedIn till Google Sheets: sekvenser klara att skicka

Problemet: LinkedIn-leads dör i glappen

Lösningen: LinkedIn-URL → verifierad e-post + 5-mejlssekvens i Sheets

Det du får: automatisering vs. resultat

Exempel: så här ser det ut

Det här behöver du

Så fungerar det

Steg-för-steg-implementeringsguide

Steg 1: Konfigurera den manuella triggern

Steg 2: Anslut Google Sheets

Steg 3: Ställ in datamappning och batchkontroll

Steg 4: Konfigurera extern berikning och förgrening

Steg 5: Ställ in AI-berikning och e-postskapande

Steg 6: Konfigurera output-uppdateringar

Steg 7: Testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar

Relaterade arbetsflöden

Vanliga frågor

Telegram + WEEX: spotsignaler i ett tydligt svar

Så här fungerar automatiseringen

n8n Workflow Template: Telegram + WEEX: spotsignaler i ett tydligt svar

Utmaningen: att göra rörig marknadsdata till ett användbart Telegram-svar

Lösningen: fråga i Telegram, få en WEEX spotmarknads-brief tillbaka

Vad som förändras: före vs. efter

Effekt i verkligheten

Krav

Workflow-flödet

Steg-för-steg-guide för implementering

Steg 1: konfigurera Telegram-triggern

Steg 2: koppla Telegram-indata till sessionskontext

Steg 3: konfigurera den primära AI-orchestratorn

Steg 4: konfigurera datakällor för nyheter och sentiment

Steg 5: konfigurera Spot-dataaggregering och REST-hämtning

Steg 6: konfigurera indikatoragenter för flera tidsramar och resonemangsverktyg

Steg 7: konfigurera Telegram-utdata och uppdelning av meddelanden

Steg 8: testa och aktivera ert arbetsflöde