Steg 2: anslut HubSpot-datakällor

Konfigurera HubSpot-noder för att hämta senaste kontakter och förbereda data för berikning.

1. I Fetch Recent Contacts, ställ in Operation till getRecentlyCreatedUpdated och Authentication till appToken.
2. Inloggningsuppgifter krävs: Anslut era hubspotAppToken-uppgifter i Fetch Recent Contacts.
3. I Map Contact Fields, mappa fälten med dessa uttryck: First Name till {{ $json.properties.firstname.value }}, Last Name till {{ $json.properties.lastname.value }}, och Email till {{ $json['identity-profiles'][0].identities[0].value }}.
4. Säkerställ att både Fetch Recent Contacts och HubSpot Event Trigger skickar data till Map Contact Fields.

Steg 3: sätt upp AI-researchmotorn

Konfigurera AI-agenten så att den läser ett Google-dokument för vägledning, gör research om kontakten via sök och producerar strukturerad output.

1. Öppna Research Orchestrator och ställ in Prompt till den angivna texten, och behåll inbäddade uttryck som {{ $json['First Name'] }}, {{ $json['Last Name'] }} och {{ $json.Email }}.
2. Anslut OpenRouter Chat Engine som språkmodell för Research Orchestrator; inloggningsuppgifter krävs: Anslut era openRouterApi-uppgifter i OpenRouter Chat Engine.
3. Anslut Search API Tool som ett AI-verktyg för Research Orchestrator; inloggningsuppgifter krävs: Anslut era serpApi-uppgifter i Search API Tool.
4. Anslut Fetch Google Doc som ett AI-verktyg för Research Orchestrator och ställ in Document URL till Replace_With_URL.
5. Inloggningsuppgifter krävs: Anslut era googleApi-uppgifter i Fetch Google Doc och behåll Authentication inställt på serviceAccount.

Steg 4: rensa AI-output och uppdatera HubSpot

Normalisera AI-output och skicka tillbaka den berikade datan till HubSpot.

1. I Clean Thought Output, behåll Mode inställt på runOnceForEachItem och behåll den angivna JavaScript-koden för att ta bort ... och kodblock.
2. Koppla Research Orchestrator till Clean Thought Output, och därefter till Update HubSpot Contact.
3. I Update HubSpot Contact, ställ in Email till {{ $('Map Contact Fields').item.json.Email }}.
4. I Update HubSpot Contact, ställ in Additional Fields → linkedinUrl till {{ $json.cleanText }}.
5. Inloggningsuppgifter krävs: Anslut era hubspotAppToken-uppgifter i Update HubSpot Contact.

Steg 5: testa och aktivera ert arbetsflöde

Validera arbetsflödet från början till slut och slå sedan på det för produktionsanvändning.

1. Klicka på Execute Workflow och starta från Manual Execution Start för att bearbeta senaste kontakter.
2. Bekräfta att Map Contact Fields ger ut värden för First Name, Last Name och Email.
3. Verifiera att Clean Thought Output returnerar ett rensat cleanText-fält och att Update HubSpot Contact uppdaterar kontaktens linkedinUrl.
4. När allt fungerar, växla arbetsflödet till Active så att HubSpot Event Trigger körs automatiskt.

Steg 2: Anslut Google Sheets för lager och loggning

Konfigurera uppslag i kalkylbladet för lagernivåer samt append till loggen för orderutfall.

1. Öppna Retrieve Stock Levels och anslut arket som innehåller lager per SKU.
2. Credential Required: Anslut era googleSheetsOAuth2Api-credentials.
3. Ställ in Operation på lookup, Range på Inventories!A:B och Lookup Column på sku.
4. Ställ in Lookup Value på ={{$json["sku"]}} och Sheet ID till ert kalkylblads-ID (ersätt [YOUR_ID]).
5. Öppna Append Log Sheet och ställ in Operation på append med Range OrderLogs!A:E och ert Sheet ID.
6. Credential Required: Anslut era googleSheetsOAuth2Api-credentials.

Steg 3: Sätt upp funktioner för orderparsning och förberedelser

Dessa funktionsnoder validerar den inkommande payloaden och normaliserar orderdata för lagerkontroller och fakturering.

1. Öppna Validate Order Payload och behåll valideringslogiken som kastar ett fel om id, customer eller items saknas.
2. Öppna Prepare Order Details för att mappa kunddata, rader och totalsummor till en konsekvent struktur.
3. Öppna Extract Item Quantities för att skapa per-rad-poster med sku och qty.
4. Observera att Extract Item Quantities skickar output parallellt till både Retrieve Stock Levels och Combine Item Stock.

Steg 4: Konfigurera sammanslagning av lager och logik för tillgänglighet

Kombinera beställda artiklar med lagernivåer och kontrollera om ordern kan levereras.

1. I Combine Item Stock, ställ in Mode på combine och Fields to Match på sku.
2. I Stock Availability Check, ställ in det booleska villkoret så att det jämför kvantiteter och lager med ={{ $items().every(item => item.json.qty <= item.json.stock) }} mot ={{ true }}.
3. Verifiera att Combine Item Stock går in i Stock Availability Check för slutlig routning.

Steg 5: Konfigurera aviseringar för lyckat flöde och brist

Skicka Slack-notiser baserat på om lagret är tillräckligt eller inte.

1. Öppna Slack Success Alert och ställ in Text på ={{ '✅ Order ' + $json.orderId + 'Invoiced. \nInvoice: ' + $json.invoiceId + ', \nAmount: $' + $json.amount + ', \nCustomer: ' + $json.customer + ', \nDate: ' + $json.date}}.
2. Ställ in Channel till ert Slack-kanal-ID (ersätt [YOUR_ID]), och använd Authentication oAuth2.
3. Credential Required: Anslut era slackOAuth2Api-credentials.
4. Öppna Slack Shortage Alert och ställ in Text på ={{'⚠️ Order '}} {{ $('Prepare Order Details').item.json.id }} {{'is not available for order due to lack of stock.'}} \n{{'\n SKU: '}} {{ $json.sku }}\n{{'\n Request quantity: '}} {{ $json.qty }}\n{{'\n Stock quantity: '}} {{ $json.stock }}.
5. Ställ in Channel till ert Slack-kanal-ID (ersätt [YOUR_ID]) och säkerställ att Authentication är oAuth2.
6. Credential Required: Anslut era slackOAuth2Api-credentials.

Steg 6: Bygg faktura- och loggposter

Skapa fakturadata för lyckade ordrar och logga utfall för både lyckat flöde och bristgrenen.

1. Öppna Generate Invoice Record och behåll fakturakonstruktionen som använder fält från Prepare Order Details och Extract Item Quantities.
2. Verifiera att Generate Invoice Record skickar output till Slack Success Alert.
3. Öppna Build Success Log och bekräfta att den sätter status till Success.
4. Öppna Build Shortage Log och bekräfta att den sätter status till Out of Stock.
5. Säkerställ att både Build Success Log och Build Shortage Log är kopplade till Append Log Sheet.

Steg 7: Testa och aktivera ert arbetsflöde

Kör ett manuellt test med en exempelpayload för att bekräfta att lagerkontroller, aviseringar och loggning fungerar.

1. Klicka på Execute Workflow och skicka en test-POST-begäran till URL:en för Incoming Order Hook med en giltig orderpayload.
2. En lyckad körning ska: passera Validate Order Payload, fylla Prepare Order Details, och slutföra lageruppslag/sammanslagning före Stock Availability Check.
3. Om lagret finns, verifiera ett meddelande i Slack Success Alert och en ny rad som läggs till av Append Log Sheet.
4. Om lagret är otillräckligt, verifiera ett meddelande i Slack Shortage Alert och en loggrad från Build Shortage Log som läggs till i Append Log Sheet.
5. När allt är verifierat, slå på arbetsflödet till Active för användning i produktion.

Steg 2: anslut HubSpot

Två HubSpot-verktyg används av agenten för att söka efter kontakter och affärer.

1. Öppna Retrieve HubSpot Contacts och verifiera att Operation är inställt på search och Authentication på oAuth2.
2. Autentiseringsuppgifter krävs: Anslut era hubspotOAuth2Api-uppgifter för Retrieve HubSpot Contacts (det här verktyget är kopplat till Conversational Orchestrator).
3. Öppna Locate HubSpot Deals och verifiera att Resource är deal, att Operation är search, och att Authentication är oAuth2.
4. Autentiseringsuppgifter krävs: Anslut era hubspotOAuth2Api-uppgifter för Locate HubSpot Deals (det här verktyget är kopplat till Conversational Orchestrator).

Steg 3: konfigurera Conversational Orchestrator

Agenten använder en språkmodell och minne för att tolka frågor och routa dem till HubSpot-verktygen.

1. Öppna Conversational Orchestrator och behåll Options på standard om ni inte behöver avancerade inställningar.
2. Anslut Context Buffer Memory till Conversational Orchestrator som inputen ai_memory (den lagrar konversationskontext).
3. Anslut OpenAI Conversation Model till Conversational Orchestrator som inputen ai_languageModel.
4. Öppna OpenAI Conversation Model och ställ in Model på gpt-5.
5. Autentiseringsuppgifter krävs: Anslut era openAiApi-uppgifter till OpenAI Conversation Model (det här är språkmodellen för Conversational Orchestrator).

Steg 4: konfigurera HubSpot-sökfilter

Båda HubSpot-verktygen använder AI-levererade filteruttryck så att agenten dynamiskt kan bygga frågor utifrån användarens promptar.

1. I Retrieve HubSpot Contacts ska ni behålla filteruttrycken som de är, till exempel ställ in Value på {{ $fromAI('filterGroupsValues0_filterValues0_Value', ``, 'string') }} och Property Name på {{ $fromAI('property_name', `Choose an appropirate hubspot contact property name - email,firstname,lastname,createdate,lifecyclestage,hs_lead_status,country,state,hs_email_last_open_date,hs_email_last_reply_date,hs_sequences_is_enrolled,hs_sequences_enrolled_count,jobtitle,hubspot_owner_id,hs_sa_first_engagement_date,hs_last_sales_activity_timestamp`, 'string') }}.
2. I Retrieve HubSpot Contacts ska ni ställa in Additional Fields → Properties till {{ ["email","firstname","lastname","createdate","lifecyclestage","hs_lead_status","country","state","hs_email_last_open_date","hs_email_last_reply_date","hs_sequences_is_enrolled","hs_sequences_enrolled_count","jobtitle","hubspot_owner_id","hs_sa_first_engagement_date","hs_last_sales_activity_timestamp"] }}.
3. I Locate HubSpot Deals ska ni behålla filteruttrycken som de är, till exempel ställ in Property Name på {{ $fromAI('property_name_0', `Choose an appropriate hubspot deal property name - dealname,amount,dealstage,pipeline,dealtype,closedate,createdate,hs_lastmodifieddate,hubspot_owner_id,deal_currency_code,hs_deal_stage_probability,hs_last_activity_date,hs_next_activity_date,hs_is_closed_won,num_associated_contacts,hs_object_id`, 'string') }}.
4. I Locate HubSpot Deals ska ni ställa in Additional Fields → Properties till dealname, amount, dealstage, pipeline, dealtype, closedate, createdate, hs_lastmodifieddate, hubspot_owner_id, num_associated_contacts, hs_deal_stage_probability.

Steg 5: testa och aktivera ert arbetsflöde

Verifiera att agenten kan tolka en chattförfrågan och returnera sökresultat från HubSpot.

1. Klicka på Test Workflow i n8n och skicka ett exempelmeddelande i chatten (t.ex. ”Hitta kontakter med e-postöppningar förra veckan”).
2. Bekräfta att en lyckad körning visar att Conversational Orchestrator anropar Retrieve HubSpot Contacts eller Locate HubSpot Deals och returnerar resultat.
3. Om resultaten är tomma, gå tillbaka till filteruttrycken och säkerställ att HubSpot-uppgifterna är giltiga.
4. Slå på arbetsflödet till Active för att ta emot livechattfrågor i produktion.

Steg 2: Anslut HubSpot för lead-data

Det här steget hämtar nyligen skapade kontakter från HubSpot för veckovis lead-rapportering.

1. Öppna Retrieve All Contacts och ställ in Operation till getAll med Return All aktiverat.
2. Under Authentication behåller ni oAuth2.
3. Säkerställ att Additional Fields inkluderar hs_v2_date_entered_lead med Property Mode satt till valueOnly.
4. Inloggningsuppgift krävs: Anslut era hubspotOAuth2Api-inloggningsuppgifter.

Steg 3: Sätt upp filtrering och summering av leads

Filtrera kontakter så att endast leads från de senaste 7 dagarna inkluderas och summera sedan antalet.

1. Öppna Filter Recent Leads och bekräfta att villkoren för datumintervall använder uttrycken {{ $json.properties.hs_v2_date_entered_lead.value.toDateTime('ms') }} med {{ $today }} och {{ $today.minus(7, 'days') }}.
2. Öppna Summarize Lead Count och ställ in Fields to Summarize så att den inkluderar vid.
3. Verifiera att Retrieve All Contacts är ansluten till Filter Recent Leads, och därefter till Summarize Lead Count.

Steg 4: Konfigurera Slack-utdata

Skicka det summerade antalet leads till en Slack-kanal.

1. Öppna Post Slack Lead Report och ställ in Text till =Last week we generated a total of {{ $json.count_vid }} leads..
2. Ställ in Select till channel och välj målkanalen under Channel ID.
3. Inloggningsuppgift krävs: Anslut era slackOAuth2Api-inloggningsuppgifter.
4. Bekräfta att Summarize Lead Count är direkt ansluten till Post Slack Lead Report.

Steg 5: Testa och aktivera ert arbetsflöde

Validera hela flödet för veckovis lead-summering innan ni slår på det.

1. Klicka på Execute Workflow för att köra ett manuellt test från Weekly Schedule Trigger.
2. Verifiera att Post Slack Lead Report skickar ett meddelande med ett numeriskt lead-antal.
3. Om ni planerar att använda grenen för affärsvärde, aktivera Utility: Retrieve Deals, lägg till HubSpot-inloggningsuppgifter och testa flödet via Utility: Filter Won Deals → Utility: Sum Deal Value.
4. Slå på arbetsflödet genom att använda reglaget Active för användning i produktion.

Steg 2: anslut HubSpot och filtrera senaste kontakter

Hämta de senaste kontakterna från HubSpot och filtrera till dem som skapats under det senaste dygnet, samtidigt som ni exkluderar personliga e-postdomäner.

1. Lägg till Retrieve Recent Contacts och anslut den till Scheduled Daily Trigger.
2. I Retrieve Recent Contacts ställer ni Operation till getRecentlyCreatedUpdated och Limit till 1.
3. Autentiseringsuppgifter krävs: Anslut era hubspotOAuth2Api-autentiseringsuppgifter i Retrieve Recent Contacts.
4. Lägg till Filter Last-Day Contacts efter Retrieve Recent Contacts.
5. I Filter Last-Day Contacts ställer ni in datumvillkoret med Left Value till {{ $json.properties.createdate.value.toDateTime('ms') }} och Right Value till {{ $today.minus(1, 'days') }} med After or equals.
6. Lägg till det andra villkoret för att exkludera personliga e-postadresser: Left Value {{ $json['identity-profiles'][0].identities[0].value }}, Operation notContains, Right Value gmail.com.

Steg 3: sätt upp AI-berikning med Company Insight Agent

Konfigurera AI-agenten och dess verktyg för att undersöka företagsdetaljer utifrån varje kontakts e-postdomän.

1. Lägg till Company Insight Agent och anslut den till Filter Last-Day Contacts.
2. I Company Insight Agent behåller ni Prompt Type inställt på define och säkerställer att Text inkluderar domänuttrycket {{ $json['identity-profiles'][0].identities[0].value }}.
3. Lägg till Gemini Chat Model som språkmodell för Company Insight Agent.
4. Autentiseringsuppgifter krävs: Anslut era googlePalmApi-autentiseringsuppgifter i Gemini Chat Model.
5. Lägg till SerpAPI Web Search som ett verktyg till Company Insight Agent så att den kan söka på webben efter företagsdata.
6. Autentiseringsuppgifter krävs: Anslut era serpApi-autentiseringsuppgifter för verktyget som används av Company Insight Agent (lägg till autentiseringsuppgifterna i konfigurationen för överordnad agent, inte direkt på verktygsnoden).
7. Lägg till Structured JSON Parser som output parser för Company Insight Agent och behåll JSON Schema Example enligt angivet exempel.

Steg 4: konfigurera output för att uppdatera HubSpot-kontakter

Mappa den AI-berikade företagsdatan tillbaka till HubSpot-kontaktens egenskaper.

1. Lägg till Update Contact Company Info och anslut den till Company Insight Agent.
2. I Update Contact Company Info ställer ni Email till {{ $('Retrieve Recent Contacts').item.json['identity-profiles'][0].identities[0].value }}.
3. Mappa ytterligare fält till parserns output: City {{ $json.output.headquarters_city }}, Country {{ $json.output.headquarters_country }}, Website URL {{ $json.output.website }}, Company Name {{ $json.output.company_name }}, Company Size {{ $json.output.employee_count }}, LinkedIn URL {{ $json.output.linkedin }}.
4. Autentiseringsuppgifter krävs: Anslut era hubspotOAuth2Api-autentiseringsuppgifter i Update Contact Company Info.

Steg 5: testa och aktivera ert arbetsflöde

Verifiera att arbetsflödet berikar en nylig kontakt och skriver tillbaka företagsdata till HubSpot innan ni aktiverar körningar i produktion.

1. Klicka på Execute Workflow för att köra flödet manuellt från Scheduled Daily Trigger.
2. Bekräfta att Retrieve Recent Contacts returnerar en kontakt och att Filter Last-Day Contacts släpper igenom den.
3. Verifiera att Company Insight Agent producerar strukturerad output och att Update Contact Company Info skriver tillbaka fält till HubSpot.
4. När testet är lyckat växlar ni arbetsflödet till Active för att köra dagligen.

Steg 2: anslut HubSpot

Hämta målkontakterna från HubSpot med ett sökfilter som fokuserar på beslutsfattare.

1. Välj noden Retrieve HubSpot Contacts.
2. Ställ in Operation på search.
3. Ställ in Authentication på oAuth2.
4. I Filter Groups lägger ni till ett filter där Property Name är hs_buying_role|enumeration och Value är DECISION_MAKER.
5. Inloggningsuppgifter krävs: anslut era hubspotOAuth2Api-uppgifter.

Flödesnotis: Retrieve HubSpot Contacts skickar vidare till Iterate Contacts Batch för att behandla kontakter en i taget.

Steg 3: konfigurera kontaktbatchning och fältmappning

Batchbearbetning säkerställer att en kontakt hanteras i taget, medan fältmappningen standardiserar data för senare steg.

1. Öppna Iterate Contacts Batch och behåll standardinställningarna för batch (inga ändringar krävs).
2. Säkerställ att Iterate Contacts Batch skickar vidare till Contact Anchor, och därefter till Map Contact Fields.
3. I Map Contact Fields lägger ni till tilldelningar:
4. Ställ in firstname på {{ $json.properties.firstname }}.
5. Ställ in lastname på {{ $json.properties.lastname }}.
6. Ställ in email på {{ $json.properties.email }}.
7. Ställ in product_to_sell på AI partnerships: a consulting package of AI development and services. We help customers find a strong foothold on AI initiatives bringing them to life cost effectively and always with results..

Contact Anchor är en platshållarnod som används för att förankra batchflödet; den kräver ingen konfiguration.

Steg 4: konfigurera e-posthämtning och persona-extrahering

Hämta senaste e-posthistorik för varje kontakt och använd den för att bygga en personaprofil med AI.

1. Konfigurera Fetch Customer Emails med Operation satt till getAll.
2. Ställ in Limit på 20 och Simple på false.
3. Ställ in sökfrågan i Filters → q till from:{{ $json.email }}.
4. Inloggningsuppgifter krävs: anslut era Gmail-uppgifter till Fetch Customer Emails (inga är konfigurerade ännu).
5. I Build Persona Profile ställer ni Text till hela uttrycket:
   {{ $input.all() .map(item => `subject: ${item.json.subject} date: ${$json.headers.date} message: ${item.json.text.substr(0, item.json.text.indexOf('> wrote:') ?? item.json.text.length).replace(/^On[\w\W]+$/im, '')}`) .join('\n---\n') }}
6. I Build Persona Profile ställer ni System Prompt Template till Your task is to build a persona of a customer or potential customer so that we may better serve them for our business. Analyse the recent correspondence of the user, {{ $('Map Contact Fields').item.json.email }}, and extract the required attributes..
7. Säkerställ att Gemini Chat Model A är ansluten som språkmodell för Build Persona Profile och ställ in Model Name på models/gemini-2.0-flash.
8. Inloggningsuppgifter krävs: anslut era googlePalmApi-uppgifter till Gemini Chat Model A (AI-uppgifter sätts på modellnoden, inte på Build Persona Profile).

⚠️ Vanlig fallgrop: Gmail-noderna kräver inloggningsuppgifter även om arbetsflödet importerades korrekt. Säkerställ att båda Gmail-noderna är autentiserade innan ni testar.

Steg 5: konfigurera säljtextutkast och utdata som Gmail-utkast

Använd personaprofilen för att skapa ett anpassat säljmeddelande och spara det sedan som ett Gmail-utkast adresserat till kontakten.

1. I Draft Sales Message ställer ni Text till # Profile of {{ $('Map Contact Fields').first().json.firstname }} {{ $('Map Contact Fields').first().json.lastname }} {{ Object.keys($json.output).map(key => `## ${key}\n${$json.output[key]}`).join('\n') }}.
2. Ställ in System Prompt Template till You are a sales representative drafting an email to close a potential customer on the following product: {{ $('Map Contact Fields').first().json.product_to_sell }} Use the provided profile to draft the a suitable email which reflects similar communication style and addresses their values, ultimately convinces the customer to inquire about and/or buy this product. Provide only the subject and body of the message as this text will go into a template. Omit the subject and signature..
3. Säkerställ att Gemini Chat Model B är ansluten som språkmodell för Draft Sales Message och ställ in Model Name på models/gemini-2.0-flash.
4. Inloggningsuppgifter krävs: anslut era googlePalmApi-uppgifter till Gemini Chat Model B (AI-uppgifter sätts på modellnoden, inte på Draft Sales Message).
5. Konfigurera Create Gmail Draft med Resource satt till draft och Email Type satt till html.
6. Ställ in Message på {{ $json.output.body }} och Subject på {{ $json.output.subject }}.
7. Ställ in Options → Send To till {{ $('Map Contact Fields').first().json.email }}.
8. Inloggningsuppgifter krävs: anslut era Gmail-uppgifter till Create Gmail Draft (inga är konfigurerade ännu).

Flödesnotis: Create Gmail Draft skickar tillbaka till Iterate Contacts Batch för att fortsätta behandla nästa kontakt.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett manuellt test för att bekräfta att kontakthämtning, personabygge och skapande av utkast fungerar hela vägen.

1. Klicka på Execute Workflow på Manual Start Trigger för att köra ett test.
2. Verifiera att Retrieve HubSpot Contacts returnerar kontakter taggade med DECISION_MAKER.
3. Kontrollera att Fetch Customer Emails returnerar e-posthistorik för varje kontakt.
4. Bekräfta att Build Persona Profile ger ut ett strukturerat persona-objekt och att Draft Sales Message ger ut subject och body.
5. Öppna Gmail och bekräfta att ett utkast finns för varje behandlad kontakt.
6. När ni är nöjda växlar ni arbetsflödet till Active för användning i produktion.

Steg 2: Anslut HubSpot CRM

Hitta kontakten i HubSpot med avsändarens e-postadress och förbered associationsuppslagningar för affärer, företag och ärenden.

1. Öppna Lookup Contact Email och ställ in Operation till search med Authentication = oAuth2.
2. I Lookup Contact Email, ställ in e-postfiltrets värde till {{ String($json.From || '').match(/[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,}/i)?.[0] || '' }} och behåll den konfigurerade listan med properties för kontaktkontext.
3. Öppna Define Record Types och behåll JavaScript-koden som output:ar ["deals","companies","tickets"] när inga poster anges.
4. Öppna Retrieve Contact Links och ställ in URL till https://api.hubapi.com/crm/v4/objects/contacts/{{ $('Lookup Contact Email').item.json.id }}/associations/{{ $json.record }}.
5. Credential Required: Anslut era HubSpot OAuth2-inloggningsuppgifter i Lookup Contact Email.
6. Credential Required: Anslut era HubSpot OAuth2-inloggningsuppgifter i Retrieve Contact Links (redan konfigurerat i arbetsflödet).

Steg 3: Konfigurera CRM batch-läsningar och rensning

Samla in associerade post-ID:n, läs detaljer i batchar och formatera CRM-kontexten för AI-modellen.

1. Öppna Assemble Batch Read och behåll koden som bygger batch read-requests för deals, companies och tickets.
2. Öppna Execute Batch Read och ställ in URL till {{$json.url}}, Body till {{$json.body}} och Raw Content Type till {{$json.headers['content-type']}}.
3. Öppna Clean CRM Context och behåll JavaScript-koden som skickar ut ett enda item med deals, companies, tickets och en summary.
4. Bekräfta körflödet: Define Record Types → Retrieve Contact Links → Assemble Batch Read → Execute Batch Read → Clean CRM Context.
5. Credential Required: Anslut era HubSpot OAuth2-inloggningsuppgifter i Execute Batch Read (denna nod använder hubspotOAuth2Api men har ingen credential konfigurerad ännu).

Steg 4: Konfigurera AI-utkast och Slack-godkännande

Använd Gemini för att skapa ett utkast till e-postsvar och skicka det via Slack för mänskligt godkännande.

1. Öppna Gemini Chat Engine och anslut era Google Gemini-inloggningsuppgifter.
2. Öppna Compose Draft Reply och behåll prompt-texten exakt som den är angiven, inklusive referenser till avsändare och CRM-kontext som {{$('Monitor New Gmail').first().json.From}} och {{ JSON.stringify($json.deals || []) }}.
3. Verifiera att Gemini Chat Engine är ansluten som språkmodell för Compose Draft Reply (AI-credentials ska läggas till i Gemini Chat Engine, inte i agent-noden).
4. Öppna Slack Approval Wait och ställ in Message till {{$('Monitor New Gmail').first().json.From}} sent you the following message: ... {{ $json.output }} så att utkastet visas för godkännande.
5. Ställ in Channel i Slack Approval Wait till ert mål-ID för Slack-kanalen (ersätt [YOUR_ID]).
6. Credential Required: Anslut era Slack OAuth2-inloggningsuppgifter i Slack Approval Wait (redan konfigurerat i arbetsflödet).

Steg 5: Konfigurera utdata för e-postsvar

Skicka endast ett e-postsvar när Slack-godkännandet är true.

1. Öppna Approval Decision och bekräfta att villkoret är Left Value = {{$json.data.approved}} med den booleska operationen true.
2. Öppna Send Email Reply och ställ in Operation till reply, Message till {{$('Compose Draft Reply').item.json.output}} och Message ID till {{$('Monitor New Gmail').first().json.threadId}}.
3. Säkerställ att Email Type är inställt på text i Send Email Reply och att Append Attribution är avstängt.
4. Credential Required: Anslut era Gmail-inloggningsuppgifter i Send Email Reply.

Steg 6: Testa och aktivera ert arbetsflöde

Validera hela flödet från ett nytt e-postmeddelande till ett Slack-godkänt svar och aktivera sedan arbetsflödet.

1. Klicka på Execute Workflow och skicka ett testmejl till den bevakade inkorgen för att trigga Monitor New Gmail.
2. Bekräfta att Screen Permitted Sender släpper igenom meddelandet och att Lookup Contact Email hittar avsändaren eller hanterar den på ett kontrollerat sätt.
3. Verifiera att Compose Draft Reply returnerar en ren e-posttext och att Slack Approval Wait postar den i Slack med godkännandeknappar.
4. Godkänn i Slack och bekräfta att Approval Decision routar till Send Email Reply.
5. När ni är nöjda, slå på arbetsflödet till Active för att köra kontinuerligt.

Steg 2: Anslut HubSpot

Hitta därefter kontakten via e-post och förbered HubSpot-åtgärder för samtalssammanfattningar och uppgifter.

1. Öppna Lookup Contact via Email och ställ in Operation på search med Authentication inställt på oAuth2.
2. I Filter ställer ni in e-postfiltervärdet på {{ $json['Contact email'] }}.
3. I Additional Fields → Properties ställer ni in uttrycket till {{ ["email","firstname","lastname","jobtitle","company","country","state","city","hs_language","phone","mobilephone","lifecyclestage","hs_lead_status","hubspot_owner_id","hs_email_last_open_date","hs_email_last_reply_date","hs_latest_meeting_activity","hs_sequences_is_enrolled","hs_sequences_enrolled_count","createdate","hs_lastmodifieddate","hs_timezone","notes_last_contacted","hs_object_id"] }}.
4. Öppna Record Call Summary och ställ in Type på call, Resource på engagement och Authentication på oAuth2.
5. Öppna Generate Follow-Up Task och ställ in Type på task, Resource på engagement och Authentication på oAuth2.

Steg 3: Sätt upp AI-byggaren för samtalssammanfattning

AI-agenten sammanfattar transkriptet, skapar en uppföljningsuppgift och uppdaterar saknade HubSpot-kontaktfält.

1. Öppna OpenAI Chat Engine och ställ in Model på gpt-4.1-mini.
2. Öppna AI Call Summary Builder och ställ in Prompt Type på define med Text inställt på den angivna prompten, inklusive uttrycken {{ JSON.stringify($json.properties) }} och {{ $('Transcript Intake Form').item.json['Paste transcript here'] }}.
3. Säkerställ att AI Call Summary Builder har Has Output Parser aktiverat.
4. Öppna Structured Output Parser och behåll JSON-exempelschemat som angivet för att säkerställa en konsekvent output-struktur.
5. Öppna Sync Contact from Transcript och ställ in Email på {{ $('Transcript Intake Form').item.json['Contact email'] }} och mappa AI-fälten i Additional Fields för city, country, jobTitle och jobFunction.

Steg 4: Konfigurera output-åtgärder

Dessa noder sparar AI-outputen i HubSpot som en samtalsaktivitet och en uppföljningsuppgift.

1. I Record Call Summary ställer ni in Metadata → Body på {{ $json.output.Summary }} och Metadata → Status på COMPLETED.
2. I Record Call Summary ställer ni in Additional Fields → Associations → Contact IDs på {{ $('Lookup Contact via Email').item.json.id }}.
3. I Generate Follow-Up Task ställer ni in Metadata → Body på {{ $('AI Call Summary Builder').item.json.output['Task body'] }}.
4. I Generate Follow-Up Task ställer ni in Metadata → Subject på {{ $('AI Call Summary Builder').item.json.output['Task name'] }} och Metadata → Status på NOT_STARTED.
5. I Generate Follow-Up Task ställer ni in Metadata → For Object Type på CONTACT och Additional Fields → Associations → Contact IDs på {{ $('Lookup Contact via Email').item.json.id }}.

Steg 5: Testa och aktivera ert arbetsflöde

Testa hela flödet för att bekräfta att AI-outputen och HubSpot-posterna skapas korrekt.

1. Klicka på Execute Workflow och skicka in ett exempeltranskript via Transcript Intake Form.
2. Verifiera att Lookup Contact via Email hittar rätt kontakt.
3. Bekräfta att AI Call Summary Builder returnerar giltig JSON och att Structured Output Parser tolkar den utan problem.
4. Kontrollera i HubSpot att det skapats en ny samtalsaktivitet från Record Call Summary och en ny uppgift från Generate Follow-Up Task.
5. När allt ser korrekt ut växlar ni arbetsflödet till Active för att köra i produktion.

Steg 2: Koppla HubSpot och deal-iteration

Hämta deal-data från HubSpot och iterera varje deal för efterföljande AI-berikning.

1. Konfigurera Retrieve HubSpot Deals med Resource satt till deal, Operation satt till getAll och Authentication satt till oAuth2.
2. Credential Required: Anslut era HubSpot OAuth2-inloggningsuppgifter i Retrieve HubSpot Deals (inga är konfigurerade i arbetsflödet).
3. Koppla Retrieve HubSpot Deals → Batch Iterate Deals för att hantera bearbetning deal för deal.
4. I Map Current Deal ID, lägg till en tilldelning för dealId med värdet {{ $json.dealId }}.
5. Koppla Batch Iterate Deals → Map Current Deal ID → AI Agent: Collect Client Data.

Steg 3: Sätt upp pipeline för sentimentpoäng för tickets

Den här grenen konverterar inkommande ticket-payloads till sentimentpoäng och returnerar en totalpoäng via webhook-svar.

1. I Transform Tickets Payload, behåll den medföljande JavaScript-koden för att bygga arrayen tickets_text från webhook-payloaden.
2. Konfigurera Split Tickets List med Field To Split Out satt till tickets_text.
3. Ställ in AI Sentiment Review med Input Text satt till {{ $json.tickets_text }}.
4. Ställ in Merge Sentiment Streams till Number Inputs 3 (noden slår ihop tre utdata från AI Sentiment Review).
5. Behåll JavaScript-koden i Compute Sentiment Score för att mappa sentimentkategorier till numeriska poäng.
6. Behåll JavaScript-koden i Aggregate Ticket Scores för att summera poäng till totalScore.
7. Koppla Aggregate Ticket Scores → Return Score Response för att svara till Incoming Tickets Webhook.

Steg 4: Sätt upp AI-agent & granskning av churn-risk

Konfigurera AI-agenten för att samla in deal-, kontakt-, ticket- och funktionsanvändningsdata och generera innehåll för churn-riskvarningar.

1. I LLM Config: Agent & Chains, ställ in modellen till gpt-5-mini.
2. Credential Required: Anslut era OpenAI-inloggningsuppgifter i LLM Config: Agent & Chains (saknas i arbetsflödet).
3. I AI Agent: Collect Client Data, behåll prompttexten som refererar {{ $json.dealId }} och verktygen Tool: Fetch HubSpot Data, Tool: Sentiment Scoring och Tool: Pull Feature Usage.
4. Säkerställ att Parse Agent Findings är ansluten som output parser för AI Agent: Collect Client Data.
5. Konfigurera Tool: Pull Feature Usage med Sheet Name satt till gid=0 och lägg till korrekt Document ID.
6. Behåll JavaScript-koden i Group Feature Usage för att aggregera funktioner och mata ut res som JSON.
7. I AI Chain: Churn Risk Review, behåll prompten med uttrycken {{ $('AI Agent: Collect Client Data').item.json.output.hs_is_closed_timestamp }}, {{ $('AI Agent: Collect Client Data').item.json.output.score }} och {{ $json.res }}.
8. Säkerställ att Parse Alert Email är ansluten som output parser för AI Chain: Churn Risk Review.

Steg 5: Konfigurera leverans av e-post för utdata

Konvertera den AI-genererade varningen till HTML och skicka den till ert Customer Success-team.

1. I Format Alert to HTML, ställ in Mode till markdownToHtml, Markdown till {{ $json.output.message }} och Destination Key till message.
2. Konfigurera Send Churn Email med HTML satt till {{ $json.message }} och Subject satt till {{ $json.output.subject }}.
3. Credential Required: Anslut era SMTP-inloggningsuppgifter i Send Churn Email.
4. Bekräfta loopback-flödet: Format Alert to HTML → Send Churn Email → Batch Iterate Deals för att fortsätta skanna nästa deal.

Steg 6: Testa och aktivera ert arbetsflöde

Validera både den manuella skanningen och webhook-baserade ticket-poängsättningen innan ni går live.

1. Klicka på Execute Workflow på Manual Launch: Churn Scan för att testa vägen för deal-skanning.
2. Skicka en POST-begäran till URL:en för Incoming Tickets Webhook med en body.tickets-JSON-sträng för att testa sentimentpoängsättning.
3. Bekräfta en lyckad körning: Return Score Response ska returnera en totalScore, och Send Churn Email ska skicka en formaterad varning när tröskelvärden triggas.
4. När resultaten ser korrekta ut, växla arbetsflödet till Active för produktionsanvändning.

Steg 2: Anslut Clearbit och logga leadet

Berika inkommande leads och lagra dem innan routning.

1. Konfigurera Clearbit Profile Fetch med URL:en =https://person.clearbit.com/v2/combined/find?email={{$json.email}}.
2. Aktivera Send Headers och sätt Authorization-headerns värde till =Bearer [CONFIGURE_YOUR_API_KEY].
3. Skicka resultatet till Append Table Row och mappa de leadfält ni vill spara (data table ID är för närvarande tomt och måste väljas).
4. Anslut Append Table Row till Journey Route Check för att fortsätta arbetsflödet.

Steg 3: Konfigurera routning och LinkedIn-väg

Använd villkorslogik och väntetider för att routa leads till grenen för LinkedIn-outreach.

1. I Journey Route Check, bekräfta att villkoren använder leftValue journey med operatorerna empty och notEquals mot linkedin.
2. Anslut true-grenen till Pause for LinkedIn och false-grenen till Pause for Email.
3. Granska Pause for LinkedIn för att säkerställa att fördröjningen är konfigurerad som ni vill utifrån er kampanjtajming.

Steg 4: Sätt upp AI-generering av LinkedIn-meddelanden

Skapa personliga LinkedIn-meddelanden och registrera leads i en HeyReach-kampanj.

1. I LinkedIn Message Builder, ställ in Text till exakt detta prompt-block: =- **Name:** {{Name}}\n- **Email:** {{Email}}\n- **Company Name:** {{Company Name}}\n- **Marketing Budget (in USD):** {{Marketing Budget}}\n- **Specific Query or Interest:** {{Any Specific Query}}.
2. Bekräfta att Prompt Type är inställt på define och att Has Output Parser är aktiverat.
3. Gemini Chat Engine är ansluten som språkmodell för LinkedIn Message Builder — säkerställ att inloggningsuppgifter är tillagda i Gemini Chat Engine.
4. LinkedIn Output Parser är ansluten som output parser för LinkedIn Message Builder — lägg till eventuella schemauppdateringar här, men inloggningsuppgifter ska läggas till i överordnad nod.
5. Inloggning krävs: Anslut era googlePalmApi-uppgifter i Gemini Chat Engine.

Steg 5: Konfigurera LinkedIn-registrering och statusuppdatering

Skicka det genererade LinkedIn-meddelandet till ert kampanjverktyg och registrera statusen.

1. I Enroll Leads to Campaign, ställ in Operation till addLeads.
2. Säkerställ att leadfälten mappas korrekt, inklusive meddelandevärdet ={{ $json.linkedinMessage }}.
3. Inloggning krävs: Anslut era heyReachApi-uppgifter i Enroll Leads to Campaign.
4. Anslut Enroll Leads to Campaign till Update LinkedIn Status och välj Data Table ID för loggning.

Steg 6: Sätt upp e-postutkast och skicka via Gmail

Skapa ett personligt e-postmeddelande och skicka det när e-postgrenen triggas.

1. Granska Pause for Email och ställ in önskad fördröjning innan e-post skickas.
2. I Email Draft Agent, ställ in Text till =- **Name:** {{Name}}\n- **Email:** {{Email}}\n- **Company Name:** {{Company Name}}\n- **Marketing Budget (in USD):** {{Marketing Budget}}\n- **Specific Query or Interest:** {{Any Specific Query}}.
3. Gemini Email Engine är ansluten som språkmodell för Email Draft Agent — säkerställ att inloggningsuppgifter är tillagda i Gemini Email Engine.
4. Email Output Parser är ansluten som output parser för Email Draft Agent — justera schema vid behov, men inloggningsuppgifter ska ligga på överordnad nod.
5. I Dispatch Gmail Note, ställ in Send To till ={{ $json.email }} och Subject till hi.
6. Inloggning krävs: Anslut era googlePalmApi-uppgifter i Gemini Email Engine.
7. Inloggning krävs: Anslut era gmailOAuth2-uppgifter i Dispatch Gmail Note.
8. Anslut Dispatch Gmail Note till Append Email Log Row och välj Data Table ID för loggning.

Steg 7: Testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att verifiera berikning, routning, AI-utkast och leverans innan ni slår på det.

1. Klicka på Execute Workflow och skicka in ett testinlägg i JotForm.
2. Bekräfta att Clearbit Profile Fetch returnerar data och att Append Table Row loggar leadet.
3. Validera att Journey Route Check routar till rätt väntnod och att AI-noderna genererar output.
4. Kontrollera att Enroll Leads to Campaign eller Dispatch Gmail Note lyckas och loggar till Update LinkedIn Status eller Append Email Log Row.
5. När ni är nöjda, växla arbetsflödet till Active för användning i produktion.