Redis – Node Nordic – AI Konsult för företag

Tavily + Google Sheets: researchrapporter, klara snabbt

Rickard Andersson — Thu, 22 Jan 2026 07:51:01 +0000

Du börjar med ett ämne. Sedan förökar sig flikarna. Länkar i ett dokument, anteckningar i ett verktyg du aldrig öppnar igen, källor inklistrade i ett kalkylark “för senare”. Senare kommer aldrig.

Den här Tavily Sheets automation träffar content marketers först, ärligt talat. Men byråstrateger som bygger kundbriefar och grundare som skriver thought leadership känner samma tröghet. Du vill ha ett researchat, källbelagt utkast snabbt, utan att tappa spåret av bevisen.

Det här arbetsflödet gör ett inskickat ämne till en Markdown-rapport för research och sparar sedan intro, innehållsförteckning, avsnitt och klickbara källor i Google Sheets. Du får se hur det fungerar, vad du behöver och var team vanligtvis kör fast.

Så fungerar den här automationen

Hela n8n-arbetsflödet, från trigger till slutlig output:

n8n Workflow Template: Tavily + Google Sheets: researchrapporter, klara snabbt

Click to explore

flowchart LR

    subgraph sg0["Form Submission Flow"]
        direction LR
        n0@{ icon: "mdi:robot", form: "rounded", label: "Outline Topic Planner", pos: "b", h: 48 }
        n1@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine A", pos: "b", h: 48 }
        n2@{ icon: "mdi:robot", form: "rounded", label: "Five Topic Parser", pos: "b", h: 48 }
        n3@{ icon: "mdi:robot", form: "rounded", label: "Intro Draft Agent", pos: "b", h: 48 }
        n4@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine B", pos: "b", h: 48 }
        n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Distribute Topics", pos: "b", h: 48 }
        n6["

Combine Streams A"]
        n7@{ icon: "mdi:swap-vertical", form: "rounded", label: "Assign Topic Fields", pos: "b", h: 48 }
        n8["

Combine Streams B"]
        n9@{ icon: "mdi:swap-vertical", form: "rounded", label: "Expand Topic List", pos: "b", h: 48 }
        n10@{ icon: "mdi:database", form: "rounded", label: "Retrieve Source List", pos: "b", h: 48 }
        n11@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine C", pos: "b", h: 48 }
        n12@{ icon: "mdi:robot", form: "rounded", label: "Source Analysis Agent", pos: "b", h: 48 }
        n13@{ icon: "mdi:database", form: "rounded", label: "Update Sources Sheet", pos: "b", h: 48 }
        n14@{ icon: "mdi:database", form: "rounded", label: "Fetch All Content", pos: "b", h: 48 }
        n15@{ icon: "mdi:robot", form: "rounded", label: "Generate Contents Plan", pos: "b", h: 48 }
        n16@{ icon: "mdi:database", form: "rounded", label: "Write ToC Sheet", pos: "b", h: 48 }
        n17@{ icon: "mdi:database", form: "rounded", label: "Store Intro Sheet", pos: "b", h: 48 }
        n18@{ icon: "mdi:robot", form: "rounded", label: "Parse Title Intro Chapters", pos: "b", h: 48 }
        n19["

Form Submission Trigger"]
        n20@{ icon: "mdi:swap-vertical", form: "rounded", label: "Iterate Records", pos: "b", h: 48 }
        n21@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine D", pos: "b", h: 48 }
        n22["

External Search Request"]
        n23@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Search Results", pos: "b", h: 48 }
        n24["

Transform Results Script"]
        n25@{ icon: "mdi:cog", form: "rounded", label: "Aggregate Draft Output", pos: "b", h: 48 }
        n26@{ icon: "mdi:robot", form: "rounded", label: "Section Writer Agent", pos: "b", h: 48 }
        n27@{ icon: "mdi:cog", form: "rounded", label: "Aggregate Source Output", pos: "b", h: 48 }
        n28["

Combine Section Data"]
        n29@{ icon: "mdi:cog", form: "rounded", label: "Aggregate Topic Items", pos: "b", h: 48 }
        n30@{ icon: "mdi:database", form: "rounded", label: "Read Topic Sheet", pos: "b", h: 48 }
        n31["

Extract Section Items"]
        n24 --> n26
        n24 --> n27
        n3 --> n17
        n6 --> n20
        n8 --> n6
        n28 --> n20
        n12 --> n13
        n22 --> n23
        n26 --> n25
        n2 -.-> n0
        n5 --> n8
        n17 --> n6
        n7 --> n9
        n9 --> n8
        n23 --> n24
        n25 --> n31
        n25 --> n28
        n27 --> n28
        n29 --> n30
        n10 --> n12
        n0 --> n3
        n0 --> n5
        n0 --> n7
        n31 --> n28
        n13 --> n14
        n30 --> n10
        n14 --> n15
        n20 --> n29
        n20 --> n22
        n15 --> n16
        n19 --> n0
        n1 -.-> n0
        n4 -.-> n3
        n11 -.-> n12
        n11 -.-> n15
        n21 -.-> n26
        n18 -.-> n3
    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 n19 trigger
    class n0,n2,n3,n12,n15,n18,n26 ai
    class n1,n4,n11,n21 aiModel
    class n10,n13,n14,n16,n17,n30 database
    class n22 api
    class n24,n31 code
    classDef customIcon fill:none,stroke:none
    class n6,n8,n19,n22,n24,n28,n31 customIcon

Problemet: research sprids över verktyg (och det gör även din tid)

Research ska minska risken i det du skriver. I stället skapar den ofta sitt eget kaos. Du söker, öppnar tio flikar, skummar, kopierar länkar, klistrar in citat och försöker sedan minnas vilken källa som stödde vilken poäng. Under tiden är “utkastet” fortfarande en tom sida. Även när du får ihop det blir källhanteringen skör: trasiga länkar, saknade referenser och ett dokument som inte visar hur du kom fram till det när en kund (eller redaktör) frågar: “Var kommer det här ifrån?” Det är inte hårt arbete som gör ont. Det är det ständiga hoppandet mellan sammanhang.

Friktionen byggs på. Här är var det ofta faller isär i verkligheten.

Du lägger runt 2 timmar på att samla källor och känner dig ändå för dåligt källbelagd.
Anteckningar finns på tre ställen, så du läser om samma artiklar nästa vecka.
Din disposition och dina källor hänger inte ihop, vilket gör att “faktakoll” hamnar sist.
När du delegerar research får du en hög länkar utan struktur eller användbara avsnitt.

Lösningen: Tavily research + AI-skrivande, lagrat strukturerat i Sheets

Det här n8n-arbetsflödet tar ett enda ämnesinskick och gör det till en djup, organiserad researchrapport i Markdown. Det börjar med att använda en AI-agent (via OpenRouter) för att generera fem underämnen som gör ämnet faktiskt researchbart, inte luddigt. Sedan tar det fram en arbetstitel, en introduktion och en innehållsförteckning så att du slipper stirra på en tom sida. För varje underämne anropar arbetsflödet Tavily för att hämta de främsta källorna (fem per avsnitt), analyserar källorna och använder dem för att skriva detaljerat Markdown-innehåll som är förankrat i bevisen. Till sist sparar det intro, innehållsförteckning, avsnittsutkast och klickbara källor i Google Sheets och skapar en prydlig “researchdatabas” som du kan återanvända när du senare skriver blogginlägg eller kundleveranser.

Arbetsflödet startar med en formulärtrigger. Därifrån planerar det dispositionen, samlar källor via Tavilys Search API och skriver avsnittsutkast med en AI-agent som använder källorna som kontext. Allt landar i Google Sheets, så dina länkar, anteckningar och utkast alltid finns på ett ställe.

Vad du får: automation vs. resultat

Det här arbetsflödet automatiserar

Resultat du får

Gör ett ämne till fem researchbara underämnen och en användbar plan.
Hämtar de främsta källorna för varje underämne via Tavily och normaliserar sedan resultaten.
Skriver Markdown-avsnitt med en AI-agent och använder hämtade källor för förankring.
Sparar källor, intro, innehållsförteckning och utkast i Google Sheets automatiskt.

Cirka 25 källor insamlade per ämne (5 underämnen × 5 källor).
En redigeringsklar Markdown-researchrapport i stället för utspridda anteckningar.
Renare överlämningar till skribenter eftersom varje avsnitt redan har struktur.
Betydligt mindre “var fick du det där ifrån?”-stress under granskning.
Ett återanvändbart researchbibliotek i Sheets som du kan bygga vidare på varje vecka.

Exempel: så här ser det ut

Säg att du publicerar två researchade inlägg per vecka. Manuellt kanske du lägger cirka 2 timmar per inlägg på att samla källor (öppna flikar, kopiera länkar, klistra in utdrag) plus ytterligare en timme på att göra den röran till en disposition, alltså runt 6 timmar i veckan bara för att nå “redo att skriva”. Med det här arbetsflödet skickar du in ämnet i ett formulär (2 minuter) och låter sedan flödet generera fem underämnen, hämta cirka 25 källor och skriva Markdown-avsnitt medan du gör något annat. Även om du lägger en timme på att granska och forma outputen får de flesta team tillbaka runt 3 timmar per vecka direkt.

Det du behöver

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
Google Sheets för att lagra källor, innehållsförteckning och utkast.
Tavily för att hämta de främsta källorna per underämne.
OpenRouter API-nyckel (hämta den i din OpenRouter-dashboard).

Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in API-nycklar och matchar dina kolumnrubriker i Google Sheet mot arbetsflödets förväntade fält.

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

Så fungerar det

Ämnesinskick startar allt. En formulärtrigger startar arbetsflödet i samma ögonblick som du skickar in ett ämne, så du slipper släpa runt på prompts eller copy-pasta mellan flera verktyg.

Dispositionen planeras innan sökningen börjar. En AI-agent genererar fem fördjupande underämnen och tar sedan fram en arbetstitel, ett intro och en innehållsförteckning så att researchen har en tydlig destination.

Varje underämne får riktiga källor från Tavily. Arbetsflödet loopar igenom underämnena, skickar varje till Tavily via HTTP-begäran, delar upp resultaten och omvandlar dem till en konsekvent struktur som en AI-skribent faktiskt kan använda.

Markdown-avsnitt och källistor sparas i Sheets. Det skriver intro och innehållsförteckning på rätt plats, uppdaterar ett källblad med klickbara länkar och lagrar avsnittsutkast så att du kan granska, redigera och återanvända dem senare.

Du kan enkelt justera antalet underämnen eller källor för att matcha önskat djup. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera formulärtriggern

Konfigurera arbetsflödets startpunkt så att nya formulärinskick kan initiera research-pipelinen.

Lägg till och öppna Form Submission Trigger för att definiera formulärfälten som krävs för ämnesinmatning.
Låt webhooken vara aktiverad så att inskick kan starta Outline Topic Planner automatiskt.
Bekräfta att Form Submission Trigger är kopplad till Outline Topic Planner i canvasen.

Om ni uppdaterar formulärfält senare, testa arbetsflödet igen för att säkerställa att Outline Topic Planner fortfarande tar emot förväntad data.

Steg 2: Anslut Google Sheets

Det här arbetsflödet läser och skriver till flera ark för källor, ämnen, introduktioner och innehållsförteckningar.

Öppna varje Google Sheets-nod och anslut autentiseringsuppgifter.
Använd samma kalkylarksval och arknamn i Retrieve Source List, Update Sources Sheet, Fetch All Content, Write ToC Sheet, Store Intro Sheet och Read Topic Sheet.
Verifiera läs-/skrivbehörigheter för alla flikar som används av dessa noder.

Credential Required: Anslut era Google Sheets-autentiseringsuppgifter i alla Google Sheets-noder (totalt 6).

Steg 3: Konfigurera AI för ämnesplanering och utkast till introduktion

Konfigurera AI-agenterna och deras språkmodeller så att de producerar ämnen och introduktioner.

I Outline Topic Planner, välj OpenRouter Chat Engine A som språkmodell.
Koppla Five Topic Parser till Outline Topic Planner som output parser.
I Intro Draft Agent, välj OpenRouter Chat Engine B som språkmodell och koppla Parse Title Intro Chapters som output parser.
Bekräfta exekveringsflödet: Outline Topic Planner skickar output till Intro Draft Agent, Distribute Topics och Assign Topic Fields parallellt.

Credential Required: Anslut era OpenRouter-autentiseringsuppgifter i OpenRouter Chat Engine A och OpenRouter Chat Engine B.

Parsers Five Topic Parser och Parse Title Intro Chapters tar inte emot autentiseringsuppgifter direkt – säkerställ att autentiseringsuppgifter är tillagda i deras överordnade agenters språkmodeller.

Steg 4: Konfigurera ämnesdistribution och batchning

Dela upp och slå ihop ämnesoutput för att förbereda efterföljande bearbetning och batchning.

Säkerställ att Assign Topic Fields routas till Expand Topic List och sedan till Combine Streams B.
Anslut Distribute Topics till Combine Streams B så att båda strömmarna slås ihop.
Routa Combine Streams B till Combine Streams A och därefter till Iterate Records för batchhantering.
Bekräfta att Store Intro Sheet matar in i Combine Streams A för att synkronisera introduktionsutkast med ämnen.

Outline Topic Planner skickar output till både Distribute Topics och Assign Topic Fields parallellt, så verifiera att båda utgångarna är anslutna till Combine Streams B.

Steg 5: Konfigurera källhämtning och analys

Hämta källor från Sheets, analysera dem med AI och uppdatera källistan.

Bekräfta att Read Topic Sheet matar in i Retrieve Source List och därefter till Source Analysis Agent.
Koppla OpenRouter Chat Engine C till Source Analysis Agent som språkmodell.
Verifiera flödet från Source Analysis Agent till Update Sources Sheet och därefter till Fetch All Content.

Credential Required: Anslut era OpenRouter-autentiseringsuppgifter i OpenRouter Chat Engine C.

Steg 6: Konfigurera extern sökning och utkast för avsnitt

Kör externa sökningar, transformera resultat och skriv avsnitt med AI parallellt.

Ställ in External Search Request för att fråga er sök-API-endpoint och skicka resultaten till Split Search Results.
Säkerställ att Split Search Results flödar in i Transform Results Script.
Bekräfta parallell exekvering: Transform Results Script skickar output till både Section Writer Agent och Aggregate Source Output parallellt.
Koppla OpenRouter Chat Engine D till Section Writer Agent som språkmodell.

Credential Required: Lägg till autentiseringsuppgifter för alla API:er som används i External Search Request, och anslut era OpenRouter-autentiseringsuppgifter i OpenRouter Chat Engine D.

Steg 7: Aggregera utkast och bygg innehållsplanen

Aggregera avsnittsutkast och källor, och skapa sedan innehållsförteckningen.

Verifiera att Section Writer Agent skickar output till Aggregate Draft Output.
Bekräfta parallell exekvering: Aggregate Draft Output skickar output till både Extract Section Items och Combine Section Data parallellt.
Slå ihop inputs i Combine Section Data från Aggregate Source Output, Extract Section Items och Aggregate Draft Output innan Iterate Records-looparna.
Säkerställ att Fetch All Content matar Generate Contents Plan och därefter till Write ToC Sheet.

Om Combine Section Data får tomma inputs, kontrollera uppströmsaggregeringar och batchstorlekar i Iterate Records.

Steg 8: Testa och aktivera ert arbetsflöde

Kör ett komplett test för att verifiera output i alla ark och bekräfta att AI-stegen exekveras korrekt.

Klicka på Execute Workflow och skicka in ett testformulär till Form Submission Trigger.
Kontrollera att ämnesoutput visas i Google Sheets och att Store Intro Sheet och Write ToC Sheet får nya rader.
Bekräfta att Update Sources Sheet fylls i och att sökdrivet innehåll slutförs hela vägen till Aggregate Draft Output.
När resultaten ser korrekta ut, växla arbetsflödet till Active för produktion.

🔒

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 något slutar fungera, kontrollera först autentiseringen i n8n och delningsinställningarna för kalkylarket.
Tavily (HTTP-begäranden) kan slå i rate limits när du kör stora batcher. Om du ser intermittenta fel, sakta ner loopen genom att minska batchstorleken eller glesa ut anropen.
Standardprompter i OpenRouter AI-agenter är generiska. Lägg in din tonalitet tidigt (ton, målgrupp, citeringsstil), annars kommer du att skriva om varje avsnitt för hand.

Vanliga frågor

Hur lång tid tar det att sätta upp den här Tavily Sheets automation automation?

Cirka 30 minuter om dina API-nycklar och ditt Google Sheet är redo.

Behöver jag kunna koda för att automatisera Tavily Sheets automation?

Nej. Du kopplar främst konton och klistrar in API-nycklar. Den enda “tekniska” delen är att matcha kolumnerna i ditt Google Sheet mot fälten som arbetsflödet skriver.

Är n8n gratis att använda för det här Tavily Sheets automation-arbetsflödet?

Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in kostnader för OpenRouter- och Tavily-API-användning.

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

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

Kan jag anpassa det här Tavily Sheets automation-arbetsflödet för färre källor per avsnitt?

Ja, men du bör ändra på två ställen så att allt förblir konsekvent. Minska inställningen för “topp 5 källor” i Tavily-sökanropet (steget HTTP Request) och uppdatera skrivprompten i Section Writer Agent så att den inte förväntar sig fem källhänvisningar varje gång. Vanliga justeringar är att använda tre källor för snabba inlägg, generera fler än fem underämnen för pelarsidor och skriva kortare avsnitt för nyhetsbrev.

Varför fallerar min Google Sheets-anslutning i det här arbetsflödet?

Oftast är det ett behörighetsproblem. Säkerställ att Google-kontot som är kopplat i n8n har redigeringsåtkomst till exakt det kalkylarket, och kontrollera sedan autentiseringen igen i Google Sheets-noderna, som “Write ToC Sheet” eller “Store Intro Sheet”. Om det fortfarande fallerar har ofta fliknamnet i arket eller de förväntade kolumnrubrikerna ändrats, så att noden inte hittar var den ska skriva.

Hur många rapporter kan den här Tavily Sheets automation automation hantera?

Många. På n8n Cloud Starter begränsas du av månatliga körningar, och varje rapport använder flera körningar eftersom den loopar igenom underämnen och källor. Om du kör med egen hosting finns inget tak för körningar, så det beror främst på serverstorlek plus rate limits i Tavily/OpenRouter.

Är den här Tavily Sheets automation automation bättre än att använda Zapier eller Make?

För det här användningsfallet är svaret oftast ja. Arbetsflödet kräver loopar, att slå ihop strömmar, att tolka strukturerad AI-output och att hantera batchar, vilket är områden där n8n brukar kännas mer flexibelt och billigare. Zapier eller Make kan fungera om du förenklar flödet (färre underämnen, färre skrivningar), men så fort du vill ha “research + skriv + lagra prydligt” kommer du att känna begränsningarna. Egen hosting är också viktig här eftersom research-flöden kör mycket. Prata med en automationsexpert om du vill ha hjälp att välja den mest strukturerade lösningen för din volym.

Du får en repeterbar researchmotor som lämnar ett tydligt spår i Google Sheets. Sätt upp den en gång och använd sedan de återvunna timmarna till att publicera mer (eller bara andas).

The post Tavily + Google Sheets: researchrapporter, klara snabbt first appeared on Node Nordic - AI Konsult för företag.

WhatsApp + Google Sheets: snabba svar till hotellgäster

Rickard Andersson — Thu, 22 Jan 2026 07:50:03 +0000

Din reception får samma WhatsApp-frågor hela dagen. ”Vad kostar det i natt?” ”Kan jag checka ut sent?” ”Har ni ett deluxe ledigt?” Du svarar, om och om igen, samtidigt som det riktiga jobbet staplas på.

Den här automatiseringen för WhatsApp-gästsvar slår hårdast mot receptionschefer, men driftansvariga och små hotellägare känner av den också. Du får omedelbara, konsekventa svar som hämtar data från samma källor som teamet redan litar på (Sheets och er bokningsdatabas).

Du får lära dig vad det här flödet gör, vad du behöver för att köra det och hur det omvandlar WhatsApp-meddelanden till korrekta svar utan att dra in personalen i ett konstant kopiera-klistra-läge.

Så fungerar automatiseringen

Här är hela arbetsflödet som du kommer att sätta upp:

n8n Workflow Template: WhatsApp + Google Sheets: snabba svar till hotellgäster

Click to explore

flowchart LR

    subgraph sg0["Incoming WhatsApp Hook Flow"]
        direction LR
        n0["

Incoming WhatsApp Hook"]
        n1["

Validate Incoming Text"]
        n2["

Lookup User Record"]
        n3["

Select Model Index"]
        n4["

Persist User Model"]
        n5@{ icon: "mdi:brain", form: "rounded", label: "Route AI Model", pos: "b", h: 48 }
        n6@{ icon: "mdi:brain", form: "rounded", label: "Gemini Chat Model A", pos: "b", h: 48 }
        n7@{ icon: "mdi:brain", form: "rounded", label: "Gemini Chat Model B", pos: "b", h: 48 }
        n8@{ icon: "mdi:memory", form: "rounded", label: "Conversation Memory", pos: "b", h: 48 }
        n9@{ icon: "mdi:robot", form: "rounded", label: "AI Reception Agent", pos: "b", h: 48 }
        n10["

Dispatch WhatsApp Reply"]
        n11@{ icon: "mdi:database", form: "rounded", label: "Fetch Pricing Sheet", pos: "b", h: 48 }
        n12@{ icon: "mdi:database", form: "rounded", label: "Run MySQL Query", pos: "b", h: 48 }
        n11 -.-> n9
        n9 --> n10
        n5 -.-> n9
        n1 --> n2
        n3 --> n4
        n8 -.-> n9
        n0 --> n1
        n2 --> n3
        n4 --> n9
        n6 -.-> n5
        n7 -.-> n5
        n12 -.-> n9
    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 n5,n6,n7 aiModel
    class n8 ai
    class n2,n4,n11,n12 database
    class n1,n3 code
    classDef customIcon fill:none,stroke:none
    class n0,n1,n2,n3,n4,n10 customIcon

Varför det här spelar roll: repetitiva gästfrågor äter upp din dag

De flesta hotell förlorar inte tid på en enda stor uppgift. Det är de små avbrotten. En WhatsApp-signal kommer in medan du checkar in någon. En till kommer under en betalningsstrul. Sen är det ”vad kostar två nätter?” följt av ”några rabatter?” och plötsligt har du spenderat den senaste timmen som en mänsklig FAQ. Än värre: svaren glider isär. En medarbetare anger förra månadens pris, en annan missar en kampanj och gästen tappar förtroendet. Ärligt talat är det utmattande att hålla en vänlig ton när du svarar på samma sak för tionde gången.

Friktionen byggs på. Så här fallerar det i verkligheten.

Personalen jonglerar WhatsApp, en PMS-export och ett prisark, vilket gör att svaren blir långsammare ju stressigare passet blir.
Frågor om pris och tillgänglighet leder lätt till misstag eftersom man förlitar sig på minnet eller gamla skärmdumpar.
Kontext går förlorad när gäster skickar flera meddelanden, så teamet frågar om grunderna igen och gästerna blir irriterade.
Om ni skalar upp förfrågningar med annonser eller partnerskap hanterar samma team fler chattar och kvaliteten faller snabbt.

Det du bygger: en AI-receptionist i WhatsApp som hämtar riktig data

Det här flödet gör WhatsApp till en självhjälpskanal för gästsupport som fortfarande känns mänsklig. En gäst skickar ett meddelande till ert WhatsApp Business-nummer. n8n fångar texten (och kan även stödja röstinmatning), kontrollerar vem gästen är och behåller ett kort konversationsminne så att svaren håller sig till ämnet. Sedan tolkar en AI-agent vad gästen faktiskt vill, hämtar boknings- och gästinformation från er MySQL-databas med säkra, skrivskyddade frågor och kan vid behov hämta aktuella priser eller kampanjer från Google Sheets. Till sist skickas ett strukturerat, naturligt svar tillbaka i WhatsApp på några sekunder. Personalen kliver bara in vid specialfall, inte vid varje rutinfråga.

Flödet startar med det inkommande WhatsApp-meddelandet. Därifrån tilldelar Redis gästen en av två Gemini-modeller så att trafiken hålls balanserad och svarstiderna förblir snabba. AI-agenten använder MySQL och Google Sheets som sanningskälla och skickar sedan det slutliga svaret tillbaka via WhatsApp.

Det du bygger

Vad som automatiseras

Vad du uppnår

Inkommande WhatsApp-meddelanden fångas upp och valideras innan bearbetning.
Gäster routas till en AI-modell via Redis, med en sparad tilldelning på en timme.
Agenten genererar skrivskyddade MySQL SELECT-frågor för att hämta boknings- och gästinfo.
Priser, kampanjer eller säsongspriser kan hämtas från Google Sheets vid behov.

Svara på vanliga boknings- och prisfrågor på under en minut, även under rusning.
Minska repetitiva receptionschattar till snabba undantag och eskaleringar.
Håll prissvaren konsekventa eftersom de kommer från ett kontrollerat ark eller en databas.
Hantera fler förfrågningar utan att lägga till en person i bemanningen.
Minska ”fram och tillbaka” eftersom boten behåller kortsiktig konversationskontext.

Förväntade resultat

Säg att ert hotell får cirka 40 WhatsApp-frågor per dag, och att varje fråga tar ”bara” 3 minuter när du väl har hittat bokningen eller kontrollerat prisarket. Det blir ungefär 2 timmar personalstid dagligen, och det hamnar ofta mitt i de mest intensiva tidsfönstren. Med det här flödet triggas gästmeddelandet direkt, AI:n gör uppslagningen och skriver ett svar, och ni behöver mest bara övervaka. I praktiken får många team tillbaka de där 2 timmarna, plus färre misstag från att råka ange fel pris.

Innan du börjar

n8n-instans (testa n8n Cloud gratis)
Självhostningsalternativ om du föredrar det (Hostinger fungerar bra)
WhatsApp Business Cloud för att ta emot och skicka meddelanden.
Redis för att lagra modellrouting och sessionsdetaljer.
MySQL för bokningar, rum och gästregister.
Google Sheets för att hantera priser, rabatter eller kampanjer.
Google Gemini API-nyckel (hämta den från Google AI Studio / Google Cloud-konsolen).

Kunskapsnivå: Medel. Du kopplar upp inloggningar och bekräftar dina databastabeller/rättigheter, men du bygger ingen app från grunden.

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

Steg för steg

Ett gästmeddelande triggar flödet. Triggern för WhatsApp Business Cloud fångar meddelandetexten samt grundläggande kontakt-/sessionsdetaljer så att du kan koppla svaren till rätt person.

Meddelandet struktureras och kontrolleras. Ett valideringssteg säkerställer att du jobbar med användbar input (viktigt om gäster skickar tomma meddelanden, märklig formatering eller röstrelaterade payloads).

Redis tilldelar (och kommer ihåg) AI-modellen. Flödet slår upp ett sparat modellval för den WhatsApp-användaren, och om inget finns tilldelar det en modell och sparar den i cirka en timme. Det här undviker att en modell överbelastas när chattvolymen sticker iväg.

AI-agenten hämtar fakta, inte gissningar. LangChain-agenten tolkar frågan, kör skrivskyddade SELECT-frågor mot MySQL för bokningar/tillgänglighet och kan hämta priser eller kampanjer från Google Sheets innan den skriver ett svar.

Svaret skickas tillbaka till WhatsApp. Gästen får ett tydligt svar i samma kanal som de använde för att fråga, och konversationsminnet hjälper agenten att vara konsekvent genom en kort fram och tillbaka-dialog.

Du kan enkelt justera agentprompten så att den matchar er varumärkeston, lägga till flerspråkiga svar eller ändra vilken datakälla som ska gälla när Sheets och MySQL inte stämmer överens. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera WhatsApp-triggern

Det här arbetsflödet startar när ett nytt WhatsApp-meddelande kommer in. Konfigurera triggern för att ta emot meddelandeuppdateringar och skicka dem vidare in i flödet.

Lägg till och öppna Incoming WhatsApp Hook.
Ställ in Updates på messages.
Inloggningsuppgifter krävs: Anslut era whatsAppTriggerApi-uppgifter.
Spara noden så att n8n genererar webhook-URL:en som ni ska använda i er WhatsApp-leverantör.

Tips: Om ni inte tar emot meddelanden, kontrollera på nytt er WhatsApp-leverantörs webhook-URL och verifieringsinställningar.

Steg 2: Anslut Redis för användarstatus

Arbetsflödet validerar textinmatning, slår upp en användares tidigare modellval, växlar det och sparar det nya värdet. Exekveringsflödet är Incoming WhatsApp Hook → Validate Incoming Text → Lookup User Record → Select Model Index → Persist User Model.

Öppna Validate Incoming Text och behåll JavaScript-koden som avslutar tidigt när ingen text finns.
Öppna Lookup User Record och ställ in Operation på get.
Ställ in Key till =llm-user:{{ $json.contacts[0].wa_id }}.
Inloggningsuppgifter krävs: Anslut era redis-uppgifter i Lookup User Record.
Öppna Select Model Index och behåll JavaScript-koden som växlar modelIndex mellan 0 och 1.
Öppna Persist User Model och ställ in Key till =llm-user:{{ $('Incoming WhatsApp Hook').item.json.contacts[0].wa_id }}.
Ställ in Value till ={{ JSON.stringify({ modelIndex: $json.modelIndex }) }} och aktivera Expire med TTL inställt på 3600.
Inloggningsuppgifter krävs: Anslut era redis-uppgifter i Persist User Model.

⚠️ Vanlig fallgrop: Om Validate Incoming Text inte returnerar några items kommer nedströmsnoder inte att köras. Säkerställ att er WhatsApp-meddelandepayload innehåller en textkropp.

Steg 3: Sätt upp AI-mottagningsagenten och modellrouting

Modellval och konversationsminne är kopplade till agenten. Route AI Model väljer mellan Gemini Chat Model A och Gemini Chat Model B, medan Conversation Memory behåller sessionskontext per WhatsApp-användare.

Öppna Route AI Model och behåll reglerna som utvärderar ={{$json.modelIndex}} för 0 och 1.
Öppna Gemini Chat Model A och Gemini Chat Model B.
Inloggningsuppgifter krävs: Anslut era googlePalmApi-uppgifter till både Gemini Chat Model A och Gemini Chat Model B.
Öppna Conversation Memory och ställ in Session Key till ={{ $('Incoming WhatsApp Hook').item.json.contacts[0].wa_id }} och Session ID Type till customKey.
Öppna AI Reception Agent och ställ in Text till ={{ $('Incoming WhatsApp Hook').item.json.messages[0].text.body }}.
Låt Prompt Type vara inställt på define och använd det medföljande System Message som instruerar agenten att endast generera SQL-SELECT-frågor.

Tips: Conversation Memory är en AI-subnod; den kopplas till AI Reception Agent via AI-minnesporten, så ni lägger inte till inloggningsuppgifter i minnesnoden i sig.

Steg 4: Konfigurera dataverktyg för agenten

Agenten kan anropa verktyg för att hämta prisdata och köra skrivskyddade databasfrågor. Dessa verktyg är anslutna som AI-verktyg till AI Reception Agent.

Öppna Fetch Pricing Sheet och ställ in Document ID till [YOUR_ID].
Ställ in Sheet Name till Sheet1 (värde gid=0).
Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter (det här verktyget är kopplat till AI Reception Agent).
Öppna Run MySQL Query och ställ in Query till {{ $('AI Reception Agent').item.json.query }}.
Ställ in Operation till executeQuery.
Inloggningsuppgifter krävs: Anslut era mySql-uppgifter (det här verktyget är kopplat till AI Reception Agent).

⚠️ Vanlig fallgrop: Agentens systemmeddelande förbjuder SQL-skrivningar. Säkerställ att er databasanvändares behörigheter också blockerar skrivoperationer.

Steg 5: Konfigurera WhatsApp-svar som utdata

Det slutliga svaret skickas tillbaka till den ursprungliga WhatsApp-avsändaren efter att agenten har genererat ett svar.

Öppna Dispatch WhatsApp Reply och ställ in Operation till send.
Ställ in Text Body till ={{ $json.output }}.
Ställ in Recipient Phone Number till ={{ $('Incoming WhatsApp Hook').item.json.messages[0].from }}.
Ersätt Phone Number ID med ert faktiska ID (för närvarande [YOUR_ID]).
Inloggningsuppgifter krävs: Anslut era whatsAppApi-uppgifter.

⚠️ Vanlig fallgrop: Om Phone Number ID lämnas som [YOUR_ID] kommer WhatsApp-svar att misslyckas.

Steg 6: Testa och aktivera ert arbetsflöde

Kör ett live-test för att verifiera hela flödet, från inkommande WhatsApp-meddelande till AI-svar.

Klicka på Execute Workflow och skicka ett WhatsApp-meddelande till ert anslutna nummer.
Verifiera att Validate Incoming Text släpper igenom itemet och att Lookup User Record returnerar (eller skapar) status.
Bekräfta att AI Reception Agent producerar en output och att Dispatch WhatsApp Reply skickar ett svar.
När allt fungerar, växla arbetsflödet till Active för att köra i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Tips för felsökning

Inloggningar för WhatsApp Business Cloud kan gå ut eller sakna webhook-behörigheter. Om meddelanden inte triggar: kontrollera först din webhook-prenumeration i Meta Developer och tokeninställningarna i n8n-uppgifterna.
Redis-nycklar och TTL spelar större roll än många tror. Om modellrouting känns slumpmässig: bekräfta att dina llm-user:-nycklar skrivs och att TTL ligger nära 3600 sekunder.
MySQL-åtkomst ska vara skrivskyddad, men den behöver också rätt tabeller. Om agenten svarar ”kan inte hitta data”: validera tabellnamn (som bookings och rooms) och testa samma SELECT-fråga i ditt databasverktyg.

Snabba svar

Hur lång tid tar det att sätta upp den här automatiseringen för WhatsApp-gästsvar?

Räkna med cirka 60–90 minuter om WhatsApp, MySQL och Sheets redan är åtkomliga.

Krävs det kodning för den här automatiseringen av gästsvar?

Nej. Du kopplar konton, lägger in inloggningsuppgifter och justerar några prompts och mappningsfält.

Är n8n gratis att använda för det här flödet för WhatsApp-gästsvar?

Ja. n8n har ett gratis alternativ för självhosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Gemini API-användning och eventuella kostnader för databasdrift.

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

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och kör n8n stabilt. Självhosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här flödet för WhatsApp-gästsvar för andra användningsfall?

Ja, och det bör du sannolikt göra. Du kan justera prompten för AI-receptionsagenten för att stödja flera språk, lägga till formulering för ”överlämning till personal” eller styra mot merförsäljning som frukost och transfer. Om dina priser finns någon annanstans än i Sheets kan du ersätta steget Fetch Pricing Sheet med en HTTP Request till ditt PMS, eller hoppa över det helt och förlita dig på MySQL. Du kan också justera Redis TTL så att återkommande gäster behåller samma modellrouting längre än en timme.

Varför misslyckas min WhatsApp Business Cloud-anslutning i det här flödet?

Oftast är det ett webhook- eller tokenproblem. Bekräfta att din Meta-webhook pekar på rätt n8n-URL och att din app prenumererar på message events. Om den triggar ibland men inte alltid: kontrollera att WhatsApp Business-numret är korrekt kopplat till appen och att inloggningen i n8n inte har roterats. Säkerställ också att steget Validate Incoming Text inte kastar payloaden för att den inte är ren text.

Vilken volym kan det här flödet för WhatsApp-gästsvar hantera?

På n8n Cloud Starter kan du hantera en måttlig månadsvolym, och högre nivåer hanterar fler körningar. Om du självhostar finns ingen inbyggd gräns för antal körningar; det beror främst på serverstorlek och dina rate limits för WhatsApp/Gemini. Praktiskt är flödet byggt för parallell hantering eftersom det kan routa över två Gemini-modeller och håller sessioner lätta med kort minne. Om du förväntar dig hundratals chattar per dag bör du övervaka kötider och skala n8n-worker samt databasprestanda.

Är den här automatiseringen för WhatsApp-gästsvar bättre än att använda Zapier eller Make?

Ofta, ja. Det här flödet bygger på mer än enkel logik av typen ”skicka meddelande → få svar”: det routar mellan modeller, lagrar sessionsdetaljer i Redis, använder konversationsminne och frågar MySQL säkert. n8n passar bättre för den typen av förgrening och datahantering, och du kan självhosta om volymen växer. Zapier eller Make kan fortfarande fungera för enklare automationer, som att logga meddelanden till ett ark eller skicka en notis. Om du är osäker, prata med en automationsspecialist så kartlägger vi det enklaste alternativet för din setup.

När det här väl är igång slutar rutinfrågor på WhatsApp att avbryta teamet varannan minut. Du får mer strukturerade svar, lugnare pass och gäster som känner sig omhändertagna utan att behöva vänta.

The post WhatsApp + Google Sheets: snabba svar till hotellgäster first appeared on Node Nordic - AI Konsult för företag.

Telegram + Yahoo Finance: snabba aktiesvar i chatten

Rickard Andersson — Thu, 22 Jan 2026 07:49:43 +0000

Din Telegram fylls med ”Vad står AAPL i?” och ”Är Tesla upp i dag?” och plötsligt gör du stressade uppslag, tvivlar på tickers och klistrar in halvläsliga siffror i chatten.

Community managers känner av det först. Marknadsteam som driver investeringskanaler stöter på det här direkt efter. Och om du är en grundare som vill hålla en snabb grupp trovärdig, ser den här automatiseringen för Telegram stock answers till att svaren blir korrekta utan att du behöver leva i Yahoo Finance-flikar.

Det här flödet lyssnar efter aktiefrågor, hittar rätt ticker, hämtar färsk data från Yahoo Finance och svarar i ett korrekt formaterat format. Du får se vad det automatiserar, vilka resultat du kan förvänta dig och vad du behöver för att köra det stabilt.

Så här fungerar automatiseringen

Hela n8n-flödet, från trigger till slutligt output:

n8n Workflow Template: Telegram + Yahoo Finance: snabba aktiesvar i chatten

Click to explore

flowchart LR

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

Telegram Intake Trigger"]
        n1@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine", pos: "b", h: 48 }
        n3@{ icon: "mdi:wrench", form: "rounded", label: "Fetch Ticker Label", pos: "b", h: 48 }
        n9@{ icon: "mdi:web", form: "rounded", label: "Retrieve Stock Details", pos: "b", h: 48 }
        n10["

Telegram Message Sender"]
        n11@{ icon: "mdi:memory", form: "rounded", label: "Conversation Memory", pos: "b", h: 48 }
        n12@{ icon: "mdi:robot", form: "rounded", label: "Market Analysis Agent", pos: "b", h: 48 }
        n11 -.-> n12
        n9 -.-> n12
        n3 -.-> n12
        n0 --> n12
        n12 --> n10
        n1 -.-> n12
    end

    subgraph sg1["Workflow Execution Flow"]
        direction LR
        n2@{ icon: "mdi:play-circle", form: "rounded", label: "Workflow Execution Trigger", pos: "b", h: 48 }
        n4@{ icon: "mdi:robot", form: "rounded", label: "Extract Key Details", pos: "b", h: 48 }
        n5@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine B", pos: "b", h: 48 }
        n6["

Web Search Request"]
        n7["

Lookup Ticker Query"]
        n8@{ icon: "mdi:swap-vertical", form: "rounded", label: "Assign Ticker Value", pos: "b", h: 48 }
        n6 --> n4
        n7 --> n8
        n4 --> n7
        n5 -.-> n4
        n2 --> n6
    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,n2 trigger
    class n12,n4 ai
    class n1,n5 aiModel
    class n3 ai
    class n11 ai
    class n9,n6,n7 api
    classDef customIcon fill:none,stroke:none
    class n0,n10,n6,n7 customIcon

Problemet: aktiefrågor skapar snabba, offentliga misstag

Aktiefrågor ser enkla ut tills de inte är det. ”Vad är priset på Apple?” är lätt. ”Hur är det med ’Meta’?” blir snabbt rörigt (namnbyten, flera listningar, ADR:er och tickers som liknar varandra). Sedan kommer den verkliga boven: hastighet. I en live Telegram-grupp känns ett långsamt svar som inget svar, så någon annan svarar med det de råkade hitta först. Nu sprider din kanal fel siffror, och du får städa upp efteråt. Det handlar inte bara om tid. Det handlar om trovärdighet.

Friktionen byggs på. Här är var det brukar fallera i praktiken.

Du slutar med att öppna sök, sedan Yahoo Finance, och sedan dubbelkolla tickern för att undvika fällan ”fel bolag, rätt namn”.
Varje manuellt svar formateras olika, vilket gör att kanalen ser rörig och mindre pålitlig ut över tid.
Under intensiva börstimmar ignorerar du antingen frågor, eller så lägger du cirka 1–2 timmar om dagen på att svara på samma grundfrågor.
Om du kopierar siffror för hand kommer du förr eller senare att klistra in inaktuell data eller fel siffra, och någon kommer att påpeka det.

Lösningen: Telegram-till-Yahoo Finance-svar, automatiskt

Det här flödet gör Telegram-meddelanden till direkta, konsekventa aktiesvar. När någon ställer en fråga i chatten använder automatiseringen en AI-agent för att förstå vad personen menar (bolagsnamn, ticker-gissning, och vilket nyckeltal de frågar om). Sedan kör den en webbsökning för att bekräfta sammanhanget, extraherar nyckeldetaljer från resultaten och gör en dedikerad ticker-uppslagning så att du inte svarar med fel symbol. När tickern är fastställd hämtar den aktuella marknadsdata från Yahoo Finance och formaterar svaret till ett enkelt, lättläst meddelande. Till sist skickar den tillbaka det strukturerade svaret till Telegram, så gruppen får ett snabbt svar som ser ut att komma från en disciplinerad analytiker, inte någon som panikväxlar mellan flikar.

Flödet startar med en Telegram-trigger. Därifrån klassar AI-agenten frågan och hämtar rätt ticker via sök + uppslagning. Efter det hämtar den Yahoo Finance-statistik och postar ett tydligt svar tillbaka i samma chatt.

Det här får du: automatisering vs. resultat

Det här automatiserar flödet

Resultat du får

Läser Telegram-meddelanden och upptäcker aktierelaterade frågor.
Extraherar bolagsnamnet och matchar det mot rätt ticker.
Hämtar senaste Yahoo Finance-data (pris och nyckeltal) för den tickern.
Formaterar och skickar ett förenklat svar tillbaka till Telegram automatiskt.

De flesta team får ut svar på under en minut i stället för manuella uppslag.
Färre ”fel ticker”-ögonblick, vilket håller kanalen trovärdig.
Svaren ser konsekventa ut, så communityt litar snabbare på informationen.
Du tar tillbaka cirka 5 timmar i veckan om chatten får dagliga frågor.
Mindre mental belastning under börstimmar eftersom flödet hanterar repetitiva frågor.

Exempel: så här ser det ut

Säg att din Telegram-grupp får 20 aktiefrågor en vanlig vardag. Manuellt kan du lägga cirka 5 minuter per fråga på att hoppa mellan sök och Yahoo Finance, vilket är ungefär 100 minuter om dagen. Med det här flödet lägger du i princip 0 minuter på att svara: triggern är själva meddelandet, och flödet svarar vanligtvis efter att uppslagning och hämtning har körts (ofta runt en minut). Det är cirka 1–2 timmar tillbaka per dag, och svaren slutar se improviserade ut.

Det du behöver

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
Telegram för att ta emot frågor och skicka svar.
Apify för att köra Google Search + Yahoo Finance-actors.
OpenRouter API-nyckel (hämta den i din OpenRouter-dashboard).

Svårighetsnivå: Nybörjare. Du kopplar konton, klistrar in några API-nycklar och kör ett snabbt testmeddelande i Telegram.

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

Så fungerar det

Ett Telegram-meddelande startar allt. En användare frågar om en aktie i din chatt, och Telegram-triggern fångar texten direkt så att n8n kan jobba med den.

AI-agenten tar fram avsikt och kontext. Med OpenRouters chattmodell plus ett extraktionssteg identifierar flödet bolagsnamnet, vad användaren vill ha (pris, utveckling, statistik) och den bästa sökfrågan för att lösa en ticker på ett tillförlitligt sätt.

Ticker-matchning sker innan data hämtas. Flödet använder webbsök och en dedikerad ticker-uppslagning, och sätter sedan det slutliga ticker-värdet så att Yahoo Finance-anropen blir strukturerade och förutsägbara.

Ett formaterat svar postas tillbaka till Telegram. Aktiedetaljer hämtas och förenklas, och sedan svarar din bot med ett snyggt meddelande som publiken faktiskt kan läsa.

Du kan enkelt ändra svarsmallen så att den inkluderar de nyckeltal din publik bryr sig om (som börsvärde eller dagintervall) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera Telegram-triggern

Det här arbetsflödet startar när en användare skickar ett meddelande till er Telegram-bot, som fångas upp av triggern och skickas vidare till analysagenten.

Lägg till eller öppna Telegram Intake Trigger och anslut er bot.
Konfigurera Telegram-webhooken för Telegram Intake Trigger i n8n så att den kan ta emot meddelanden.
Bekräfta att noden routar direkt till Market Analysis Agent enligt arbetsflödet.

Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter

Steg 2: Anslut datakällorna för webbsökning och ticker-uppslag

Arbetsflödets gren för dataanrikning börjar med en webbsökning, extraherar detaljer, slår sedan upp en ticker och tilldelar den för senare användning.

Öppna Workflow Execution Trigger och säkerställ att den är kopplad till Web Search Request som startpunkt för research-grenen.
Konfigurera Web Search Request att anropa er föredragna sökendpoint.
Verifiera körflödet: Web Search Request → Extract Key Details → Lookup Ticker Query → Assign Ticker Value.
Konfigurera Lookup Ticker Query att anropa ert API för ticker-uppslag och returnera en symbol.
Använd Assign Ticker Value för att mappa den returnerade tickern till ett rent fält för vidare användning.

⚠️ Vanlig fallgrop: Om ert sök- eller ticker-API kräver autentisering, lägg till inloggningsuppgifterna i Web Search Request och Lookup Ticker Query innan ni testar.

Steg 3: Sätt upp AI-lagret för extrahering

Noden för AI-extrahering använder en språkmodell för att plocka ut strukturerade detaljer från webbsökresultaten.

Öppna Extract Key Details och bekräfta att den är kopplad till OpenRouter Chat Engine B som språkmodell.
Säkerställ att OpenRouter Chat Engine B är konfigurerad med den modell ni vill använda för entitetsextrahering.
Behåll flödet intakt så att Extract Key Details skickar output till Lookup Ticker Query.

Inloggningsuppgifter krävs: Anslut era OpenRouter-inloggningsuppgifter

Steg 4: Konfigurera Market Analysis Agent och verktyg

Den primära konversationsagenten analyserar användarens input och kan anropa verktyg för att hämta ticker-etiketter och aktiedetaljer, samtidigt som kontexten i konversationen behålls.

Öppna Market Analysis Agent och bekräfta att den är kopplad till OpenRouter Chat Engine som språkmodell.
Verifiera att Fetch Ticker Label och Retrieve Stock Details är kopplade till Market Analysis Agent som AI-verktyg.
Bekräfta att Conversation Memory är kopplad till Market Analysis Agent som AI-minne för att behålla kontext.
Säkerställ att agentens huvudsakliga input kommer från Telegram Intake Trigger för att matcha användarfrågan med verktygsanvändningen.

OpenRouter Chat Engine är ansluten som språkmodell för Market Analysis Agent — säkerställ att inloggningsuppgifter är tillagda i OpenRouter Chat Engine.

Noder för AI-verktyg och minne (Fetch Ticker Label, Retrieve Stock Details, Conversation Memory) ärver inloggningsuppgifter från den överordnade Market Analysis Agent — lägg inte till inloggningsuppgifter direkt i dessa undernoder.

Steg 5: Konfigurera Telegram-output

När analysen är klar skickas det slutliga svaret tillbaka till användaren i Telegram.

Öppna Telegram Message Sender och välj samma bot-inloggningsuppgifter som används i Telegram Intake Trigger.
Bekräfta att huvud-output från Market Analysis Agent är kopplad till Telegram Message Sender.
Mappa svarstexten från agenten till Telegram-meddelandets brödtext.

Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter

Steg 6: Testa och aktivera ert arbetsflöde

Validera hela flödet från Telegram-input via analys och svar, och aktivera sedan för produktionsanvändning.

Klicka på Execute Workflow och skicka ett testmeddelande till er Telegram-bot.
Verifiera att körningen följer: Telegram Intake Trigger → Market Analysis Agent → Telegram Message Sender.
Kontrollera att research-grenen kör som förväntat: Workflow Execution Trigger → Web Search Request → Extract Key Details → Lookup Ticker Query → Assign Ticker Value.
Bekräfta att användaren får ett komplett aktieinsiktsmeddelande i Telegram.
När ni är nöjda, slå på arbetsflödet Active för att möjliggöra kontinuerlig bearbetning.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Behörigheter för Telegram-botten är lätta att missa. Om svar slutar postas, kontrollera bot-token och bekräfta att botten får läsa meddelanden i den chatten.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
Apify- och OpenRouter-uppgifter kan gå ut eller slå i användningsgränser. Om flödet börjar returnera tomma ticker-träffar, kontrollera först dina Apify-körningar/loggar och din OpenRouter-användningsdashboard.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för Telegram stock answers?

Cirka 10–15 minuter om du redan har API-nycklarna.

Behöver jag kunna koda för att automatisera Telegram stock answers?

Nej. Du kommer mest att klistra in uppgifter och testa triggern. Logiken är redan inbyggd i flödet.

Är n8n gratis att använda för det här Telegram stock answers-flödet?

Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för OpenRouter-användning och eventuella Apify actor-körningar.

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

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

Kan jag anpassa det här Telegram stock answers-flödet efter min kanals format?

Ja, och det bör du. De flesta justerar AI-agentens instruktioner så att de matchar deras ton, och finjusterar sedan ”Assign Ticker Value” och den slutliga Telegram-meddelandeformateringen för att inkludera (eller ta bort) saker som dagintervall, börsvärde och en kort sammanfattningsrad. Om din publik även frågar om ETF:er eller krypto-tickers kan du routa de frågorna via en Switch-nod och anropa en annan uppslagsrequest. Den mest robusta anpassningen är helt enkelt att bestämma vad botten ska svara när den inte kan fastställa en ticker med tillräcklig säkerhet (ställ en följdfråga i stället för att gissa).

Varför misslyckas min Telegram-anslutning i det här flödet?

Oftast är det en ogiltig eller roterad bot-token, eller att botten saknar behörighet i målchatten. Dubbelkolla Telegram-uppgifterna i n8n och bekräfta sedan att botten kan läsa meddelanden och posta svar där du testar. Om det fungerar i privat chatt men inte i en grupp handlar det vanligtvis om chattbehörigheter eller en integritetsinställning.

Hur många aktiefrågor kan den här automatiseringen för Telegram stock answers hantera?

Många, så länge dina användningsgränser i OpenRouter och Apify matchar din volym.

Är den här automatiseringen för Telegram stock answers bättre än att använda Zapier eller Make?

Ofta, ja, eftersom det här flödet inte bara är ”trigger och skicka”. Du har en AI-agent, extraktion, förgreningslogik och flera HTTP-uppslag, vilket är där Zapier och Make kan bli sköra eller dyra. n8n ger dig också mer kontroll över hur ticker-matchningen fungerar, vilket är det som förhindrar offentliga misstag. Om du kör egen drift kan du hantera chattar med hög volym utan att räkna varje steg som en debiterbar händelse. Å andra sidan, om du bara behöver ett enkelt autosvar med ett enda uppslag kan Zapier eller Make kännas enklare. Prata med en automationsexpert om du vill ha hjälp att välja.

När det här väl rullar slutar din Telegram-kanal att vara beroende av vem som råkar vara online för att göra uppslag. Flödet svarar på återkommande frågor på ett korrekt formaterat sätt, och du håller kanalen i rörelse.

The post Telegram + Yahoo Finance: snabba aktiesvar i chatten first appeared on Node Nordic - AI Konsult för företag.

Google Sheets + Jigsaw: sorterade planritningar

Rickard Andersson — Thu, 22 Jan 2026 07:40:34 +0000

Planritningsuppladdningar låter enkelt tills inkorgen fylls av suddiga skärmdumpar, fel PDF:er och “nästan” användbara ritningar som slösar bort en eftermiddag.

Det här är den typ av röra som fastighetsförvaltare snubblar över varje vecka. Real estate ops-team märker det när annonser staplas på hög, och byråer som hanterar intake åt byggbolag drabbas också. Med floorplan OCR automation slutar du dubbelkolla filer och börjar få strukturerade mått direkt in i Google Sheets.

Det här flödet klassificerar varje uppladdning, stoppar skräp tidigt och extraherar rumsstorlekar från giltiga planritningar. Du får se vad det gör, vad du behöver och var team oftast kör fast.

Så fungerar automatiseringen

Hela n8n-flödet, från trigger till slutlig output:

n8n Workflow Template: Google Sheets + Jigsaw: sorterade planritningar

Click to explore

flowchart LR

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

Incoming Upload Webhook"]
        n2["

Return Consent Prompt"]
        n3["

Split Uploaded Files"]
        n4@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Detect File Category", pos: "b", h: 48 }
        n5@{ icon: "mdi:cog", form: "rounded", label: "Extract PDF Details", pos: "b", h: 48 }
        n6@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Validate Size and Pages", pos: "b", h: 48 }
        n7["

Compute Heuristic Score"]
        n8@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Route by Confidence", pos: "b", h: 48 }
        n9["

Return Low Quality Reply"]
        n10["

Classify Image Content"]
        n11["

Classify PDF Content"]
        n12["

Return Image Verdict"]
        n13["

Return PDF Verdict"]
        n14["

Return Size Limit Notice"]
        n15["

Store File in Jigsaw"]
        n16@{ icon: "mdi:cog", form: "rounded", label: "Utility: No Action", pos: "b", h: 48 }
        n11 --> n13
        n0 --> n3
        n0 --> n2
        n10 --> n12
        n1 --> n0
        n6 --> n7
        n6 --> n14
        n8 --> n9
        n8 --> n11
        n8 --> n16
        n5 --> n6
        n4 --> n15
        n4 --> n5
        n15 --> n10
        n3 --> n4
        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 n0,n4,n6,n8 decision
    class n1,n2,n9,n10,n11,n12,n13,n14,n15 api
    class n3,n7 code
    classDef customIcon fill:none,stroke:none
    class n1,n2,n3,n7,n9,n10,n11,n12,n13,n14,n15 customIcon

Problemet: planritningar kommer in rörigt, och det bromsar allt

Om du tar emot planritningar från hyresgäster, ägare, mäklare eller entreprenörer känner du igen mönstret. Folk laddar upp vad som helst som “ser ungefär rätt ut”: flersidiga broschyrer, foton av en utskrift tagen på kvällen, pyttesmå PDF:er med oläsbara mått eller helt orelaterade bilder. Sedan måste någon i ditt team öppna varje fil, avgöra om den går att använda och manuellt skriva in rumsdimensioner någonstans. Det värsta är omarbetet. Du upptäcker ofta att ritningen är skräp först efter att du redan försökt extrahera data från den.

Det eskalerar snabbt. Här brukar processen fallera.

Någon måste granska varje uppladdning manuellt, och den där “snabbkollen” blir lätt runt 2 timmar i veckan när volymerna ökar.
Dåliga filer slinker igenom, vilket gör att efterföljande team bygger offerter, annonser eller mängdningar på saknade eller felaktiga mått.
Även när ritningen är giltig bjuder kopiering av mått till ett kalkylark in till stavfel och inkonsekventa namn (Sovrum 1 vs. Sovrm).
När du inte kan lita på intake kan du inte skala, eftersom varje ny annons eller varje nytt projekt bara ökar den manuella granskningen.

Lösningen: validera planritningar automatiskt och extrahera mått till Google Sheets

Det här n8n-flödet fungerar både som grindvakt och som en assistent för dataregistrering. En användare laddar upp en fil via en webhook (PDF, JPG, PNG och liknande format). Innan något annat händer kontrollerar flödet integritetssamtycke, så att du inte råkar behandla filer du inte ska. Därefter delas uppladdade filer upp och routas efter typ, grundläggande PDF-detaljer hämtas vid behov (som sidantal och storlek), och en kvalitetskontroll i två lager körs: först enkla heuristiker, sedan AI-klassificering för högre säkerhet. Om filen har låg kvalitet eller inte är en planritning avvisas den direkt med ett tydligt svar. Om den godkänns lagrar flödet filen i Jigsaw och skickar den vidare till djupare OCR/AI-analys för att extrahera rumsstorlekar och mått. Outputen är strukturerad (JSON) och även formaterad för manuell granskning, så att datan går att använda och resultatet blir lätt att överblicka.

Flödet startar med en uppladdning och en samtyckeskontroll. Sedan poängsätter det filen och avgör nästa steg baserat på säkerhet. Till sist behandlas giltiga ritningar och de extraherade måtten kan skrivas in i Google Sheets så att teamet kan granska och gå vidare.

Vad du får: automatisering vs. resultat

Vad det här flödet automatiserar

Resultat du får

Tar emot uppladdningar via webhook och validerar integritetssamtycke automatiskt.
Separera PDF:er från bilder och använder rätt processflöde.
Avvisar för stora eller lågkvalitativa PDF:er innan tid slösas på OCR.
Klassificerar innehåll med AI och lagrar giltiga filer i Jigsaw för extrahering.

De flesta team får tillbaka ungefär 2 timmar i veckan bara på manuell filkontroll.
Färre “dåliga ritningar” tar sig in i din pipeline, så granskningar slutar fastna längre fram.
Mer felfri och mer konsekvent data för rums-mått i Google Sheets.
Mindre fram och tillbaka med inskickare eftersom avvisningar sker direkt och är tydliga.
Snabbare offert, annonsuppsättning eller mängdningsförberedelse eftersom kalkylarket fyller sig självt.

Exempel: så här kan det se ut

Säg att du får 30 planritningsuppladdningar i veckan. Manuellt kan du lägga cirka 5 minuter på att öppna varje fil och avgöra om den går att använda, plus ytterligare 10 minuter på att skriva in rumsstorlekar i Google Sheets för de giltiga. Om 20 av dem är giltiga blir det ungefär 6 timmar i veckan. Med det här flödet blir “mänsklig tid” närmare 30 sekunder per uppladdning för att skicka in den och snabbt se beslutet, så du hamnar runt 30 minuter i uppföljning medan extraheringen kör i bakgrunden.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
Jigsaw Stack för fillagring och planritningsanalys
Google Sheets för att lagra extraherade mått för granskning
Jigsaw Stack API-nyckel (hämtas i din Jigsaw-dashboard)

Kunskapsnivå: Medel. Du kopplar ihop några tjänster, klistrar in API-nycklar och testar med ett par riktiga uppladdningar.

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

Så fungerar det

En uppladdning träffar din webhook. En användare skickar in en PDF eller bild via “Incoming Upload Webhook”, där du kan koppla ett formulär, en app eller till och med en enkel intern uppladdningssida.

Samtycke och filhantering sker direkt. Flödet kontrollerar integritetssamtycke och svarar direkt om samtycke saknas, så att du inte behandlar något du inte ska. Därefter delas uppladdningar upp och PDF:er och bilder routas olika eftersom de kräver olika kontroller.

Kvalitetspoäng avgör nästa steg. För PDF:er extraheras grundläggande detaljer och storlek samt sidantal valideras. Sedan beräknas en heuristisk poäng och filen routas baserat på säkerhet, vilket gör att uppenbart skräp avvisas tidigt och bara bra kandidater går vidare till AI-klassificering.

Klassificering, lagring och strukturerad output. Flödet använder HTTP-anrop för att klassificera bild- eller PDF-innehåll, lagrar filen i Jigsaw och returnerar ett beslut. För giltiga planritningar kommer extraheringen tillbaka som strukturerad JSON plus en lättläst tabell som du kan mappa in i Google Sheets för löpande granskning.

Du kan enkelt justera trösklarna för säkerhet för att vara striktare (färre falska positiva) eller mer tillåtande (färre felaktiga avvisningar) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera webhook-triggern

Sätt upp den inkommande uppladdningsendpointen och sekretesskontrollen så att arbetsflödet kan ta emot filer på ett säkert sätt.

Lägg till eller öppna Incoming Upload Webhook och ställ in Path på fp-mvp.
Ställ in HTTP Method på POST och Response Mode på responseNode.
Aktivera Authentication som basicAuth.
Inloggningsuppgifter krävs: Anslut era httpBasicAuth-inloggningsuppgifter i Incoming Upload Webhook.
Öppna Validate Privacy Consent och bekräfta att villkoret använder {{$json.body.GDPR_check || $json.body.GDPR_check2}} för att endast tillåta behandling med samtycke.
Verifiera att “false”-utdata från Validate Privacy Consent går vidare till Return Consent Prompt med JSON-svaret som kräver samtycke.

Tips: Om er frontend skickar samtyckesflaggor under andra fältnamn, uppdatera uttrycket i Validate Privacy Consent så att det matchar.

Steg 2: Koppla filinläsning och kategoriroutning

Dela upp inkommande binärfiler och routa bilder respektive PDF:er till rätt bearbetningsflöden.

I Split Uploaded Files, behåll den medföljande JavaScript-koden som skapar separata filobjekt och bevarar binärnyckeln.
I Detect File Category, säkerställ att kontrollen för bildändelser fortsätter vara {{ ["png","jpg","jpeg","bmp","tiff","webp","gif"].includes($json.fileExtension.toLowerCase()) }}.
Bekräfta att “true”-grenen i Detect File Category går till Store File in Jigsaw (bildflödet).
Bekräfta att “false”-grenen i Detect File Category går till Extract PDF Details (PDF-flödet).

⚠️ Vanlig fallgrop: Om filändelser kommer i versaler krävs anropet toLowerCase() i Detect File Category för att undvika felroutning.

Steg 3: Sätt upp PDF-extraktion och kvalitetsheuristik

Extrahera PDF-innehåll, validera storleks-/sidgränser och beräkna en konfidenspoäng som används för routning.

I Extract PDF Details, ställ in Operation på pdf och Binary Property Name på {{ $json.fileKey }}.
I Validate Size and Pages, behåll båda villkoren: uttrycket för filstorleksgräns och kontrollen av PDF-sidor {{$json.fileExtension.toLowerCase() !== "pdf" ? true : ($json.numpages && $json.numpages < 10)}}.
Säkerställ att “false”-utdata från Validate Size and Pages går till Return Size Limit Notice.
I Compute Heuristic Score, låt Mode vara runOnceForEachItem och behåll den medföljande JavaScript-logiken för poängsättning.
Verifiera att Compute Heuristic Score är kopplad till Route by Confidence för att styra klassificeringen längre ned i flödet.

Steg 4: Konfigurera klassificering och svar

Koppla Jigsaw-klassificeringsendpoints och returnera lämpliga utlåtanden för bilder och PDF:er. Route by Confidence skickar objekt med låg kvalitet till ett avvisningssvar och objekt med högre konfidens till klassificeraren.

I Store File in Jigsaw, ställ in URL på https://api.jigsawstack.com/v1/store/file, Content Type på binaryData och Input Data Field Name på {{ $json.fileKey }}.
I Store File in Jigsaw, bekräfta query-parametrarna: key = {{ $json.fileName }}, overwrite = true, temp_public_url = true, samt headern Content-Type = {{ $json.mimeType }}.
Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Store File in Jigsaw.
I Classify Image Content, ställ in URL på https://api.jigsawstack.com/v1/classification och behåll JSON-kroppen som använder {{ $json.temp_public_url }}.
Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Classify Image Content.
I Classify PDF Content, behåll JSON-kroppen som använder {{ JSON.stringify ($json.text) }}.
Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Classify PDF Content.
Bekräfta utdata: Classify Image Content → Return Image Verdict och Classify PDF Content → Return PDF Verdict.
Verifiera att Route by Confidence skickar matchningar med låg konfidens till Return Low Quality Reply och matchningar med högre konfidens till Classify PDF Content; utdata från Utility: No Action är en no-op-platshållare.
Gå igenom de fem respondToWebhook-noderna (Return Consent Prompt, Return Low Quality Reply, Return Image Verdict, Return PDF Verdict, Return Size Limit Notice) för att säkerställa att deras JSON-svar är korrekta för ert UI.

Steg 5: Testa och aktivera ert arbetsflöde

Kör end-to-end-tester för att bekräfta att samtyckeskontroll, filroutning, klassificering och svar fungerar som förväntat.

Använd test-URL:en för Incoming Upload Webhook för att skicka in en fil med och utan samtyckesflaggor och bekräfta att ni får rätt svar från Return Consent Prompt eller att bearbetningsflödet körs.
Ladda upp en bildfil och verifiera att flödet kör Store File in Jigsaw → Classify Image Content → Return Image Verdict.
Ladda upp en PDF och bekräfta att flödet kör Extract PDF Details → Validate Size and Pages → Compute Heuristic Score → Route by Confidence → Classify PDF Content → Return PDF Verdict.
Trigga en för stor fil för att bekräfta att Return Size Limit Notice svarar med meddelandet om storleksgräns.
När resultaten ser korrekta ut, växla arbetsflödet till Active för produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Behörigheter i Google Sheets kan blockera skrivningar även när kopplingen “ser” korrekt ut. Om rader inte dyker upp, kontrollera delningsinställningarna för kalkylarket och kontot som används i n8n.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
Jigsaw API-nycklar kan löpa ut eller vara hårt begränsade i scope. Om klassificeringen plötsligt misslyckas, kontrollera loggarna i din Jigsaw-dashboard och spara om autentiseringsuppgifterna i n8n.

Vanliga frågor

Hur lång tid tar det att sätta upp den här floorplan OCR automation?

Cirka 45 minuter om dina konton och din API-nyckel är redo.

Behöver jag kunna koda för att automatisera floorplan OCR automation?

Nej. Du kopplar ihop tjänster, klistrar in autentiseringsuppgifter och justerar ett par tröskelvärden.

Är n8n gratis att använda för det här workflowet för floorplan OCR automation?

Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna med Jigsaw API-användning, som beror på hur många filer du behandlar.

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 hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här workflowet för floorplan OCR automation för striktare filavvisning?

Ja, och det bör du sannolikt om du får många brusiga uppladdningar. Du kan skärpa reglerna i “Validate Size and Pages” och höja gränsen i confidence-routingen (“Route by Confidence”) så att gränsfall avvisas tidigare. Många team justerar också den heuristiska poänglogiken så att små, lågupplösta ritningar inte når OCR alls. Om du vill ha andra outputs kan du mappa de returnerade JSON-fälten till nya kolumner i Google Sheets eller byta destination helt.

Varför misslyckas min Jigsaw-anslutning i det här flödet?

Oftast är det en ogiltig eller utgången API-nyckel i HTTP Request-noderna som pratar med Jigsaw. Skapa en ny nyckel i din Jigsaw-dashboard och uppdatera sedan autentiseringsuppgiften i n8n och testa igen med en ny uppladdning. Om det fortfarande misslyckas, kontrollera om din Jigsaw-plan har begränsningar för anrop och bekräfta att endpointen du anropar matchar filtypen (bild vs PDF).

Hur många filer kan den här floorplan OCR automation hantera?

Med n8n Cloud Starter kan du köra några tusen workflow-körningar per månad, och self-hosting tar bort den gränsen helt (din server blir begränsningen). I praktiken hanterar det här flödet uppladdningar en och en utan problem; om du förväntar dig toppar, lägg till en kö (Redis ingår redan i stacken) så att du inte överbelastar dina OCR-anrop.

Är den här floorplan OCR automation bättre än att använda Zapier eller Make?

Ofta, ja. Det här flödet bygger på villkorsstyrd routing, förgrening baserad på säkerhet, filparsing och flera HTTP-anrop, och där brukar n8n vara enklare och billigare att köra i volym. Zapier och Make klarar delar av det, men flerstegslogik för dokument blir snabbt klumpig, och avancerade flöden knuffar dig ofta upp i dyrare nivåer. Om du bara behöver “ladda upp fil → mejla mig” fungerar de verktygen. Om du behöver pålitlig klassificering plus extrahering är n8n ett mer flexibelt val. Prata med en automationsexpert om du vill ha en snabb rekommendation för din exakta process.

Du får bättre uppladdningar, strukturerade mått och färre “kan du skicka igen?”-mejl. Sätt upp det en gång och låt sedan flödet sköta de repetitiva kontrollerna medan du driver projekten framåt.

The post Google Sheets + Jigsaw: sorterade planritningar first appeared on Node Nordic - AI Konsult för företag.

JotForm + Gmail-offerter, momsredo och enhetliga

Rickard Andersson — Thu, 22 Jan 2026 07:37:26 +0000

Dina offertförfrågningar kommer in. Sedan börjar röran. Du kopierar mått från ett formulär, översätter ”smooth plaster” till vad du nu råkade kalla det förra gången, letar upp rätt pris, räknar moms och oroar dig ändå för att du missat en rad.

Den här automatiseringen för JotForm Gmail quotes slår hårdast mot byggföretagare, men kontorsadministratörer och små byråteam som hanterar hantverkskunder känner av den också. Resultatet är enkelt: offerter går iväg snabbt, ser konsekventa ut och varje lead hamnar i en riktig pipeline i stället för att fastna i någons inkorg.

Nedan ser du hur flödet gör om en JotForm-inlämning till en sparad CRM-post plus ett momsredo, specificerat offertmejl i Gmail – och vad du behöver för att köra det stabilt.

Så fungerar automatiseringen

Se hur detta löser problemet:

n8n Workflow Template: JotForm + Gmail-offerter, momsredo och enhetliga

Click to explore

flowchart LR

    subgraph sg0["Flow 1"]
        direction LR
        n0["

Webhook"]
        n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out", pos: "b", h: 48 }
        n2@{ icon: "mdi:location-exit", form: "rounded", label: "upsert form submission -error", pos: "b", h: 48 }
        n3@{ icon: "mdi:location-exit", form: "rounded", label: "upsert form customer -error", pos: "b", h: 48 }
        n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Parser", pos: "b", h: 48 }
        n6["

Save Form Submission"]
        n7["

Upsert Customer"]
        n8["

Create Deal"]
        n9["

Fetch Pricing Rules"]
        n10["

Calculate Quote Line Items"]
        n11["

Save Estimate Header"]
        n12["

Insert Line Items"]
        n13@{ icon: "mdi:swap-vertical", form: "rounded", label: "Prepare Line Item Data", pos: "b", h: 48 }
        n14["

Fetch Complete Quote"]
        n15["

Generate Email HTML"]
        n16["

Fetch Mapping Rules"]
        n17@{ icon: "mdi:swap-vertical", form: "rounded", label: "Prepare AI Context", pos: "b", h: 48 }
        n18["

Normalize Form Data"]
        n19@{ icon: "mdi:message-outline", form: "rounded", label: "Send Email node", pos: "b", h: 48 }
        n5 --> n16
        n5 --> n6
        n0 --> n5
        n1 --> n12
        n8 --> n9
        n7 --> n8
        n7 --> n3
        n12 --> n14
        n17 --> n18
        n16 --> n17
        n9 --> n10
        n15 --> n19
        n18 --> n7
        n14 --> n15
        n11 --> n13
        n6 --> n2
        n13 --> n1
        n10 --> n11
    end

    subgraph sg1["When clicking ‘Test workflow’ Flow"]
        direction LR
        n4@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Test workflow’", pos: "b", h: 48 }
        n20["

SQL Schema Generator"]
        n4 --> n20
    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 n4 trigger
    class n0 api
    class n10,n15,n18,n20 code
    class n4 disabled
    class n20 disabled
    classDef customIcon fill:none,stroke:none
    class n0,n6,n7,n8,n9,n10,n11,n12,n14,n15,n16,n18,n20 customIcon

Utmaningen: snabba offerter utan priskaos

I bygg och renovering är tempo viktigt, men precision är ännu viktigare. En kund skickar mått och tjänsteval via ett formulär, och plötsligt gör du små mängdningar för hand: vägg-m² här, takhöjd där, regler för våtrum någon annanstans. En ”snabb offert” kan bli en halvtimme av att kontrollera á-priser, lägga till förarbete, använda rätt momssats och skriva om samma mejl för hundrade gången. Och eftersom du har fullt upp hamnar datan sällan i ett prydligt CRM, vilket gör att uppföljningar glider och du tappar jobb du borde ha vunnit.

Det blir snabbt mycket. Här är var det skapar fel i verkligheten.

Du skriver om samma kunduppgifter på flera ställen, och ett enda stavfel kan dela upp en kund i ”två” poster för alltid.
Tjänstenamn glider över tid (”decorative plaster” vs ”ornamental finish”), vilket gör prissättningen inkonsekvent och rapporteringen i princip värdelös.
Moms blir en sista-minuten-övning i kalkylark, särskilt när offerter innehåller blandade typer av arbete.
Offerter ser olika ut beroende på vem som skickar dem, så ditt varumärke känns mindre än det är.

Lösningen: skapa offert från JotForm till CRM + skicka via Gmail

Det här flödet startar i samma sekund som en kund skickar in din JotForm-förfrågan. Det tolkar payloaden, plockar ut mått (som vägg- och takytor) och normaliserar rörigt mänskligt språk till konsekventa databasvärden (inklusive nederländska byggtermer mappade mot din katalog). Därefter sparar det råinlämningen för spårbarhet, upsertar kundposten baserat på e-post så att du inte skapar dubbletter och skapar en länkad ”deal” för projektet. Sedan hämtar det dina aktiva prisregler från Supabase, beräknar specificerade offerrader (material, arbete, påslag som höga tak och tillägg som förarbete), grupperar dubbletter och lagrar både offertens huvudpost och varje enskild rad. Till sist kör det en enda optimerad offertfråga och genererar ett varumärkesanpassat HTML-mejl med specificerad tabell och momsuppdelning, redo att skickas via Gmail.

Flödet triggas från en webhook kopplad till ditt formulär. Supabase fungerar som pris-motorn och ett lättviktigt CRM, medan n8n hanterar logik och formatering. Gmail skickar det färdiga offertmejlet med samma struktur varje gång.

Vad som förändras: före vs. efter

Det här tar bort

Effekten du märker

Kopiera/klistra fält från formulär till kalkylark och sedan in i en offertmall.
Manuellt översätta tjänsteval till dina ”riktiga” interna artikelnamn.
Bygga om momstotaler och offerrader varje gång du offererar ett liknande jobb.
Glömma att logga leadet och tappa uppföljningar.

Offerter som går från 30–60 minuters förberedelse till under 30 sekunder.
En kundpost per e-postadress, även om de skickar in två gånger.
Konsekventa á-priser hämtade från din Supabase-katalog, inte från någons minne.
Korrekt formaterad momsuppdelning som visas på samma sätt varje gång.
En deal-pipeline du faktiskt kan gå igenom i slutet av veckan.

Effekt i verkligheten

Säg att du får 10 offertförfrågningar i veckan, och att varje tar cirka 45 minuter att göra om till ett korrekt, specificerat mejl (mått, prissättning, moms och formatering). Det är ungefär 7 timmar administrativ tid, och det hamnar ofta på kvällar. Med det här flödet är ”jobbet” i princip att granska den genererade offerten och trycka skicka i Gmail, vilket kanske tar 2 minuter per förfrågan. Du får tillbaka större delen av veckan, och dina offerter slutar variera från person till person.

Krav

n8n-instans (prova n8n Cloud gratis)
Självhostningsalternativ om du föredrar det (Hostinger fungerar bra)
JotForm för att samla in strukturerade offertförfrågningar.
Supabase för din CRM-databas och priskatalog.
Gmail för att skicka det varumärkesanpassade offertmejlet.

Kunskapsnivå: medel. Du kopplar konton, klistrar in ett genererat SQL-schema i Supabase och justerar en offertmejlmall med dina företagsuppgifter.

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

Flödet steg för steg

En JotForm-inlämning träffar din webhook. Flödet tar emot payloaden direkt och delar sedan upp poster när formuläret innehåller flera efterfrågade tjänster eller upprepade sektioner.

Förfrågan städas upp och standardiseras. n8n tolkar mått som m² och takhöjd och normaliserar sedan valen med mappningsregler som lagras i Supabase (så att ”stucwerk” och ”plastering” kan landa på samma interna artikel).

Dina CRM-poster och prissättningslogik körs automatiskt. Supabase lagrar råinlämningen, upsertar kunden via e-post, skapar en länkad deal, hämtar aktiva prisregler och beräknar offerrader med villkorslogik för påslag och förarbete. Här blir ”tillräckligt bra uppskattningar” till konsekvent, upprepningsbar prissättning.

En polerad Gmail-offert skapas och skickas. Flödet hämtar hela offerten från en optimerad vy, bygger ett varumärkesanpassat HTML-mejl (logotyp, specificerad tabell, momsuppdelning, friskrivningar) och skickar det via Gmail.

Du kan enkelt ändra priskatalogen och mappningsreglerna så att de matchar din tjänstelista och lokal terminologi. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera webhook-triggern

Konfigurera inkommande webhook så att ert formulärsystem kan posta inskickade svar till arbetsflödet.

Lägg till och öppna Incoming Webhook Trigger.
Ställ in HTTP Method på POST.
Ställ in Path på b7ad1332-8112-4ba1-jotform.
Kopiera den genererade webhook-URL:en och klistra in den i ert formulärverktygs webhook-inställningar.
Lämna Flowpast Branding som den är (endast informativt).

Steg 2: anslut Supabase (primär datalagring)

Det här arbetsflödet använder flera Supabase-noder för att lagra inskick, kunder, affärer, regler och offerter. Anslut behörigheter en gång och använd dem för alla Supabase-noder.

Öppna varje Supabase-nod och välj behörighetstypen nedan.
Credential Required: Anslut era supabaseApi-behörigheter för alla Supabase-noder (8+ noder hanterar inskick, kunder, affärer, regler, offerter, rader och rapportvyer).
I Store Form Submission, bekräfta att Table är form_submissions och att nyckelfält inkluderar {{ $json.submission_id }} och {{ $json.body.rawRequest }}.
I Retrieve Mapping Rules, bekräfta att Table är form_value_mappings, att Operation är getAll och att Return All är aktiverat.
I Retrieve Pricing Rules, bekräfta att Table är service_rules_enriched, att Operation är getAll och att Return All är aktiverat.
I Retrieve Full Quote, bekräfta att Table är v_estimate_proforma och att filtret använder {{ $('Store Estimate Summary').item.json.estimate_id }}.

Steg 3: konfigurera bearbetning och normalisering

Dessa noder standardiserar inkommande payload och förbereder normaliserade fält för efterföljande lagring och prissättning.

I Parse Incoming Payload, bekräfta att tilldelningarna inkluderar {{ $json.body.rawRequest }}, {{ $json.ai.content }} och {{ $json.submission_id }}.
Notera den parallella körningen: Parse Incoming Payload skickar utdata till både Retrieve Mapping Rules och Store Form Submission parallellt.
I Assemble AI Context, verifiera att de normaliserade mapping-arrayerna använder uttryck som {{ [...new Set($input.all().filter(item => item.json.field_name === 'core_service_type').map(item => item.json.normalized_value))] }}.
I Normalize Form Inputs, behåll standardlogiken för mappning av namn, adress, tidslinje och normaliserade tjänstefält.

Steg 4: konfigurera offertberäkning och databasskrivningar

Det här avsnittet skapar kund-/affärsposter, beräknar offerrader och sparar offertdata.

I Upsert Client Record, bekräfta fältmappningar som {{ $json.normalized.ContactDetails.email }} och {{ $json.normalized.project_description }}.
I Generate Deal Entry, bekräfta att deal_name använder {{ $json.last_name }}_{{ $json.phone }} och att form_submission_id använder {{ $('Assemble AI Context').item.json.submission_id }}.
I Compute Quote Items, granska kodlogiken för regelmatchning och totalsummor (inga behörigheter krävs).
I Store Estimate Summary, bekräfta att estimate_number är satt till {{ $execution.id }} och att valutan är USD.
I Map Line Item Data, bekräfta att lines mappas från {{ $('Compute Quote Items').item.json.lines }}.
I Separate Records, bekräfta att Field to Split Out är lines och att Fields to Include är estimate_id.
I Insert Quote Lines, bekräfta att radfälten mappas från {{ $json.lines.description }}, {{ $json.lines.quantity }} och {{ $json.lines.catalog_id }}.

Steg 5: konfigurera utdata och e-postleverans

Bygg HTML-offerten och skicka den till kunden via Gmail.

I Build Email HTML, behåll HTML-mallen och mappningslogiken som hämtar från vyn v_estimate_proforma.
Uppdatera bas-URL, Calendly-URL och företagets varumärkesprofil i Build Email HTML vid behov.
Öppna Dispatch Email Notification och bekräfta att fälten använder uttryck som {{ $('Build Email HTML').item.json.email_to }} och {{ $('Build Email HTML').item.json.html }}.
Credential Required: Anslut era gmailOAuth2-behörigheter i Dispatch Email Notification.

Steg 6: lägg till felhantering

Fel-noder fångar upp fel och stoppar körningen med strukturerade felobjekt.

Säkerställ att Store Form Submission har On Error inställt på att fortsätta och att den routar till Handle Submission Error.
Granska Handle Submission Error för att bekräfta att felpayloaden refererar till {{ $('Incoming Webhook Trigger').item.json.body.submissionID }} och {{ $execution.id }}.
Säkerställ att Upsert Client Record routar till Handle Customer Error vid fel.
Granska Handle Customer Error för att bekräfta att den fångar submission_id och execution_id.

⚠️ Vanlig fallgrop: Om Supabase-tabellerna eller vyn v_estimate_proforma inte finns kommer Retrieve Full Quote och efterföljande e-postgenerering att misslyckas. Kör schemakonfigurationen först.

Steg 7: (valfritt) generera Supabase-schema med manuell körning

Använd den inaktiverade manuella grenen för att generera SQL för er Supabase-databas om ni behöver bygga schemat snabbt.

Aktivera Manual Run Trigger och Generate SQL Schema om ni vill skriva ut SQL-schemat.
Kör arbetsflödet manuellt och kopiera utdata sql_schema till Supabase SQL Editor.
När ni har kört SQL:en, inaktivera den manuella grenen för att undvika oavsiktlig körning.

Tips: Efter att ni har kört schemat, bekräfta att exempeldata finns i price_catalog, service_rules och form_value_mappings för att undvika tomma offerter.

Steg 8: testa och aktivera ert arbetsflöde

Kör ett fullständigt test från webhooken och verifiera datalagring och e-postleverans.

Klicka på Execute Workflow och skicka ett exempel-POST till URL:en för Incoming Webhook Trigger.
Bekräfta att Supabase-poster skapas i form_submissions, customers, deals, estimates och estimate_line_items.
Verifiera att Retrieve Full Quote returnerar data och att Build Email HTML genererar HTML-e-postmeddelandet.
Kontrollera inkorgen för att bekräfta att Dispatch Email Notification skickar offerten utan problem.
När allt fungerar, växla arbetsflödet till Active för att aktivera produktionskörning.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Se upp för

Supabase-inloggning kan gå ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera Supabase-projektets Settings → API (Project URL och Service Role key) och bekräfta att nyckeln i n8n fortfarande är giltig.
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 din varumärkesröst tidigt, annars kommer du redigera utdata för alltid.

Vanliga frågor

Hur snabbt kan jag implementera den här automatiseringen för JotForm Gmail quotes?

Cirka en timme om ditt formulär redan är byggt och du har Supabase redo.

Kan icke-tekniska team implementera den här offertautomationen?

Ja, men du vill ha någon som är bekväm med att kopiera den genererade SQL:en till Supabase och klistra in inloggningsuppgifter i n8n. Ingen ”riktig” kodning krävs, och det mesta av arbetet är bara att mappa dina formulärfält till din tjänstekatalog.

Är n8n gratis att använda för det här JotForm Gmail quotes-flödet?

Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Supabase-kostnader (oftast gratisnivån) och vanlig Gmail-användning.

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

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

Hur anpassar jag den här JotForm Gmail quotes-lösningen till mina specifika utmaningar?

Börja med dina Supabase-tabeller: uppdatera price_catalog-artiklar och momssatser så att flödet prissätter som du faktiskt säljer. Justera sedan mappningsreglerna som flödet hämtar i ”Retrieve Mapping Rules” så att logiken i ”Normalize Form Inputs” känner igen dina fältnamn och tjänstebenämningar. De flesta team finjusterar också noden ”Build Email HTML” för att matcha varumärkesfärger, lägga till villkor och ändra call-to-action-knappar. Om du gör specialistjobb (ornament, listmeter, regler för våtrum), lägg in dem som katalogartiklar i stället för att hårdkoda dem.

Varför fungerar inte min Gmail-anslutning i det här flödet?

Oftast beror det på en utgången Google OAuth-anslutning i n8n. Återanslut Gmail-credentialen, bekräfta att avsändarkontot har rätt att skicka som den adressen och dubbelkolla att du inte flyttat flödet mellan miljöer utan att uppdatera inloggningsuppgifterna. Om det fungerar manuellt men fallerar vid livekörningar, kontrollera Googles säkerhetsvarningar och eventuella kontobaserade sändningsbegränsningar.

Vad är kapaciteten för den här JotForm Gmail quotes-lösningen?

För de flesta små team hanterar den er volym utan problem.

Är den här automatiseringen för JotForm Gmail quotes bättre än att använda Zapier eller Make?

Ofta, ja, eftersom prissättningslogiken här är hela poängen. Zapier och Make kan skicka runt formulärfält, men detaljerade offertberäkningar (påslag, gruppering av artiklar, momsuppdelning, idempotenta upserts) blir ofta en skör kedja av steg som snabbt blir dyr. n8n trivs bättre med villkorslogik och datatransformering, och du kan självhosta för obegränsade körningar. Om du bara behöver ”skicka mig ett mejl när ett formulär skickas in”, håll det enkelt och använd det verktyg du redan betalar för. Om du vill ha en riktig offertmotor och CRM-poster är den här metoden ett stabilare val. Prata med en automationsexpert om du vill ha en second opinion på din setup.

När detta väl rullar slutar offertarbete vara en daglig flaskhals. Flödet tar hand om de repetitiva delarna så att du kan lägga tiden på arbete på plats, planering och att stänga affären.

The post JotForm + Gmail-offerter, momsredo och enhetliga first appeared on Node Nordic - AI Konsult för företag.

Google Sheets + Telegram för konsekventa LinkedIn-inlägg

Rickard Andersson — Thu, 22 Jan 2026 07:33:49 +0000

Du börjar veckan med goda intentioner. Sedan blir ditt LinkedIn-postande en rörig mix av halvfärdiga utkast, ”jag postar i morgon” och ännu en idé som försvinner i någon anteckningsapp. Det är ärligt talat utmattande.

Content managers märker det när kalendern blir tyst. Grundare märker det när inflödet av leads bromsar in. Och konsulter känner smärtan av att dyka upp oregelbundet. Den här LinkedIn-postautomationen tar trendande AI-tweetidéer, gör dem till korrekt formaterade utkast och ger dig en enkel ”godkänn eller hoppa över”-loop i Telegram.

Nedan ser du hur flödet körs, vad det producerar och hur ”konsekvent postande” ser ut när du inte gör de repetitiva delarna själv.

Så fungerar automationen

Hela n8n-workflowen, från trigger till slutresultat:

n8n Workflow Template: Google Sheets + Telegram för konsekventa LinkedIn-inlägg

Click to explore

flowchart LR

    subgraph sg0["Daily Sheet Flow"]
        direction LR
        n8@{ icon: "mdi:play-circle", form: "rounded", label: "Daily Sheet Trigger", pos: "b", h: 48 }
        n9@{ icon: "mdi:database", form: "rounded", label: "Retrieve Sheet Rows", pos: "b", h: 48 }
        n12@{ icon: "mdi:robot", form: "rounded", label: "AI Content Agent", pos: "b", h: 48 }
        n13@{ icon: "mdi:brain", form: "rounded", label: "Language Model Route", pos: "b", h: 48 }
        n14@{ icon: "mdi:cog", form: "rounded", label: "Cap Records", pos: "b", h: 48 }
        n15@{ icon: "mdi:robot", form: "rounded", label: "Structured Result Parser", pos: "b", h: 48 }
        n16@{ icon: "mdi:swap-vertical", form: "rounded", label: "Iterate Post Set", pos: "b", h: 48 }
        n17@{ icon: "mdi:cog", form: "rounded", label: "Pause Before Update", pos: "b", h: 48 }
        n18@{ icon: "mdi:database", form: "rounded", label: "Write Sheet Update", pos: "b", h: 48 }
        n19["

Send Telegram Alert"]
        n20@{ icon: "mdi:cog", form: "rounded", label: "Combine Records", pos: "b", h: 48 }
        n13 -.-> n12
        n14 --> n12
        n17 --> n18
        n12 --> n16
        n8 --> n9
        n20 --> n19
        n16 --> n20
        n16 --> n17
        n9 --> n14
        n18 --> n16
        n15 -.-> n12
    end

    subgraph sg1["Sheet Update Flow"]
        direction LR
        n21@{ icon: "mdi:play-circle", form: "rounded", label: "Sheet Update Trigger", pos: "b", h: 48 }
        n22@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Filter Approved Items", pos: "b", h: 48 }
        n23@{ icon: "mdi:cog", form: "rounded", label: "Limit to Twenty", pos: "b", h: 48 }
        n24["

Derive Post Schedule"]
        n25@{ icon: "mdi:swap-vertical", form: "rounded", label: "Iterate Approved Posts", pos: "b", h: 48 }
        n26@{ icon: "mdi:cog", form: "rounded", label: "Hold Until Post Time", pos: "b", h: 48 }
        n27["

Retrieve Image File"]
        n28["

Publish LinkedIn Post"]
        n29@{ icon: "mdi:database", form: "rounded", label: "Mark As Posting", pos: "b", h: 48 }
        n30@{ icon: "mdi:database", form: "rounded", label: "Mark As Posted", pos: "b", h: 48 }
        n31["

Notify User"]
        n23 --> n24
        n30 --> n25
        n29 --> n27
        n21 --> n22
        n28 --> n30
        n27 --> n28
        n22 --> n23
        n24 --> n25
        n26 --> n29
        n25 --> n31
        n25 --> n26
    end

    subgraph sg2["Morning Schedule Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "Morning Schedule Trigger", pos: "b", h: 48 }
        n1["

Fetch AI Tweets"]
        n2["

Normalize Tweet Text"]
        n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Iterate Tweet Batches", pos: "b", h: 48 }
        n4@{ icon: "mdi:database", form: "rounded", label: "Lookup Existing Tweet", pos: "b", h: 48 }
        n5@{ icon: "mdi:cog", form: "rounded", label: "Skip Existing Entry", pos: "b", h: 48 }
        n6@{ icon: "mdi:database", form: "rounded", label: "Store New Tweet", pos: "b", h: 48 }
        n7@{ icon: "mdi:cog", form: "rounded", label: "Processing Complete", pos: "b", h: 48 }
        n10@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Route by Condition", pos: "b", h: 48 }
        n11@{ icon: "mdi:cog", form: "rounded", label: "Delay Before Save", pos: "b", h: 48 }
        n11 --> n6
        n10 --> n11
        n10 --> n5
        n3 --> n7
        n3 --> n4
        n0 --> n1
        n2 --> n3
        n1 --> n2
        n6 --> n3
        n4 --> n10
        n5 --> n3
    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 n8,n21,n0 trigger
    class n12,n15 ai
    class n13 aiModel
    class n22,n10 decision
    class n9,n18,n29,n30,n4,n6 database
    class n27,n1 api
    class n24,n2 code
    classDef customIcon fill:none,stroke:none
    class n19,n24,n27,n28,n31,n1,n2 customIcon

Problemet: konsekvent LinkedIn-postande faller isär snabbt

Att komma på idéer är inte det svåra. Det svåra är att göra en bra idé till ett färdigt utkast, lägga det någonstans där du hittar det igen och sedan faktiskt publicera vid rätt tidpunkt. De flesta team försöker hantera det här med webbläsarbokmärken, ett Google-dokument och goda vibbar. Sedan smyger dubbletter in (”har vi redan täckt det här?”), utkast försvinner i Slack-trådar och veckan bara försvinner. På fredag har du lagt ungefär 2 timmar på att samla inspiration och ändå inte postat något.

Friktionen byggs på. En liten fördröjning i varje steg dödar konsekvensen i det tysta.

Du skriver om samma idé tre gånger eftersom det inte finns någon enda källa som är ”sanningen” för utkast.
Dubblettidéer slinker igenom, vilket gör att du slösar tid på att slipa inlägg du ändå inte kommer använda.
Godkännanden sker på slumpmässiga ställen, så publicering blir en sista-minuten-rusch.
Ditt ”content-system” saknar uppföljning, så du kan inte se vad som är klart, godkänt, schemalagt eller redan postat.

Lösningen: från trend till utkast till inlägg, med godkännande i Telegram

Det här flödet automatiserar skapandet av dagliga LinkedIn-inlägg med trendande AI-tweets som råmaterial. Det startar på ett morgonschema, hämtar nya tweets via en HTTP-förfrågan, städar upp texten och kontrollerar Google Sheets så att du inte redan har sparat samma idé. Nya idéer skrivs in i ett spårningsark, och sedan konverterar en AI-agent utvalda rader till LinkedIn-klara utkast med din OpenAI/OpenRouter-modellsetup. Därefter får du ett Telegram-meddelande som faktiskt är användbart: det lyfter fram utkasten och ger en godkännandesignal som automationen kan agera på. När något är godkänt schemalägger flödet varje inlägg, väntar till rätt tid, publicerar på LinkedIn och markerar arket så att du alltid vet vad som hände.

I praktiken har flödet två loopar. Den ena loopen samlar in och avdubbletter tweetidéer till Google Sheets. Den andra loopen skapar utkast, pingar dig i Telegram, schemalägger godkända poster och pushar dem till LinkedIn (och uppdaterar sedan arket så att inget är ett mysterium senare).

Det här får du: automation vs. resultat

Vad det här flödet automatiserar

Resultat du får

Hämtar trendande AI-tweets dagligen via RapidAPI och normaliserar texten.
Kontrollerar Google Sheets för dubbletter innan något nytt sparas.
Genererar LinkedIn-klara utkast med en AI-agent och strukturerad parsning.
Schemalägger godkända utkast, publicerar på LinkedIn och uppdaterar sedan statusfält automatiskt.

Ungefär 30 minuters uppsättning ersätter en återkommande veckovis publiceringsstress.
Ett enda Google Sheet blir din levande content-pipeline (idé, utkast, godkänt, schemalagt, postat).
Färre dubblettinlägg och färre ”vart tog det där utkastet vägen?”-ögonblick.
Godkännanden hålls enkla eftersom de sker i Telegram, inte utspritt över fem verktyg.
De flesta team får tillbaka några timmar varje vecka när publiceringen inte längre är manuell.

Exempel: så här ser det ut

Säg att du vill publicera 5 LinkedIn-inlägg per vecka. Manuellt kanske du lägger cirka 30 minuter per inlägg på att samla en idé, skriva utkast, få ett snabbt godkännande och posta, vilket blir ungefär 2,5 timmar i veckan. Med det här flödet sker idéinsamlingen automatiskt, utkasten hamnar i Google Sheets och godkännanden sker i Telegram på en minut eller två per utkast. Även om du lägger 20 minuter på att granska och justera veckans utkast landar du ändå på cirka 2 timmar tillbaka.

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 idéer, utkast och statusar.
Telegram för att godkänna utkast och få notifieringar.
RapidAPI-nyckel (hämta den i din RapidAPI-dashboard).
OpenAI- eller OpenRouter-API-nyckel (hämta den på din leverantörs sida för API-nycklar).
Åtkomst till LinkedIn-konto för att publicera inlägg via LinkedIn-noden.

Kunskapsnivå: Medel. Du kopplar konton, klistrar in API-nycklar och justerar några content-fält i arket.

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

Så fungerar det

Daglig idéinsamling sätter igång det. En morgontrigger på schema kör och anropar en HTTP-endpoint för att hämta trendande AI-tweets. Flödet städar upp texten så att du inte sparar skräpig formatering.

Avdubblettering sker innan något sparas. Varje tweet kontrolleras mot Google Sheets, och om den redan finns hoppar flödet över den. Nya idéer sparas, vilket håller arket strukturerat över tid.

Utkastgenerering gör rader till LinkedIn-inlägg. En separat daglig körning mot arket hämtar rader, sätter ett tak för hur många som behandlas och skickar dem sedan till en AI-contentagent (via OpenRouter/OpenAI) och parsar resultaten till strukturerade fält som du kan granska.

Godkännande och publicering styrs via Telegram. När utkast skrivits tillbaka till Google Sheets får du en notifiering i Telegram. När poster godkänns tar flödet fram ett publiceringsschema, väntar till respektive posttid, publicerar på LinkedIn (valfritt genom att hämta en bildfil) och uppdaterar arket till ”publicerar” och sedan ”postat”.

Du kan enkelt ändra godkännandereglerna för att kräva en specifik tagg eller ett visst kolumnvärde utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementation

Steg 1: Konfigurera schematriggrarna

Ställ in de tidsbaserade triggrarna som startar tweet-inhämtning och daglig bearbetning av arket.

Lägg till och konfigurera Morning Schedule Trigger med er önskade tid för att hämta AI-tweets.
Lägg till och konfigurera Daily Sheet Trigger för att styra när systemet bearbetar arket för AI-innehållsgenerering.
Lägg till och konfigurera Sheet Update Trigger så att godkända rader i ert ark kan initiera publicering.

Steg 2: Anslut Google Sheets

Alla läsningar och skrivningar till arket bygger på Google Sheets-noder. Anslut inloggningsuppgifter en gång och återanvänd dem i alla sex Google Sheets-noder.

Öppna Lookup Existing Tweet och anslut Google Sheets-åtkomst. Credential Required: Anslut era Google Sheets-inloggningsuppgifter.
Anslut Google Sheets-inloggningsuppgifter på Store New Tweet, Retrieve Sheet Rows, Write Sheet Update, Mark As Posting och Mark As Posted.
Öppna Sheet Update Trigger och anslut Google Sheets-inloggningsuppgifter. Credential Required: Anslut era Google Sheets-inloggningsuppgifter.

⚠️ Vanlig fallgrop: Om någon Google Sheets-nod saknar inloggningsuppgifter kommer arbetsflödet att misslyckas när det når den noden.

Steg 3: Ställ in AI-innehållsgenerering

Det här arbetsflödet använder en agent plus en språkmodellrutt för att generera innehåll och en strukturerad parser för att formatera resultat.

Öppna AI Content Agent och konfigurera prompts eller verktyg vid behov för er innehållsstil.
Öppna Language Model Route och anslut OpenRouter. Credential Required: Anslut era OpenRouter-inloggningsuppgifter.
Bekräfta att Structured Result Parser är kopplad som output parser för AI Content Agent. Lägg till inloggningsuppgifter i AI Content Agent (inte i parser-noden).

Tips: Language Model Route är ansluten som språkmodell för AI Content Agent—säkerställ att modellens inloggningsuppgifter är konfigurerade innan ni testar.

Steg 4: Konfigurera tweet-inhämtning och avduplicering

Den här vägen hämtar tweets, normaliserar dem, kontrollerar dubbletter och lagrar nya poster.

Konfigurera Fetch AI Tweets för att hämta data från er valda källa (API-endpoint, headers och parametrar).
Använd Normalize Tweet Text för att standardisera innehållsformatering innan batchning.
I Iterate Tweet Batches ställer ni in batchstorlekar som passar er kvot i arket.
Lookup Existing Tweet kontrollerar arket, och Route by Condition skickar resultat till Delay Before Save eller Skip Existing Entry.
Delay Before Save skickar vidare till Store New Tweet, och därefter fortsätter Iterate Tweet Batches tills allt är klart och avslutar vid Processing Complete.

Varning: Se till att reglerna i Route by Condition korrekt upptäcker dubbletter—felaktig logik kan lagra upprepade poster.

Steg 5: Konfigurera godkännandeflöde och publiceringsschema

Den här vägen filtrerar godkända objekt, schemalägger inlägg och förbereder dem för publicering.

Sheet Update Trigger startar godkännandeflödet och skickar data till Filter Approved Items.
Använd Limit to Twenty för att begränsa antalet inlägg som schemaläggs vid varje körning.
Derive Post Schedule ska beräkna framtida tidsstämplar för varje objekt och sedan skicka vidare till Iterate Approved Posts.
Iterate Approved Posts skickar vidare till Hold Until Post Time och Notify User; Hold Until Post Time skickar sedan vidare till Mark As Posting.

Steg 6: Konfigurera publicering och aviseringar

De här stegen hanterar publicering på LinkedIn och användaraviseringar.

Konfigurera Retrieve Image File för att hämta bilder före publicering (om det krävs för ert innehåll).
Öppna Publish LinkedIn Post och anslut LinkedIn-åtkomst. Credential Required: Anslut era LinkedIn-inloggningsuppgifter.
Efter publicering skickar Publish LinkedIn Post vidare till Mark As Posted för att uppdatera arkstatus.
Anslut Telegram-inloggningsuppgifter för Send Telegram Alert och Notify User. Credential Required: Anslut era Telegram-inloggningsuppgifter.

Tips: Aviseringsvägen använder Combine Records före Send Telegram Alert för att konsolidera batchutdata.

Steg 7: Testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att verifiera inhämtning, godkännande, schemaläggning och publicering.

Kör Morning Schedule Trigger manuellt och bekräfta att Fetch AI Tweets → Normalize Tweet Text → Iterate Tweet Batches körs utan fel.
Verifiera kontrollerna i arket: Lookup Existing Tweet routar till Store New Tweet endast för nytt innehåll.
Kör Sheet Update Trigger manuellt och bekräfta att godkända objekt passerar via Filter Approved Items → Derive Post Schedule → Hold Until Post Time.
Kontrollera att publiceringen lyckas: Publish LinkedIn Post uppdaterar arket via Mark As Posted och skickar aviseringar via Notify User.
Växla arbetsflödet till Active för att aktivera schemalagda produktionskörningar.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Google Sheets-autentisering kan gå ut eller kräva specifika behörigheter. Om saker skapar fel, kontrollera panelen Credentials i n8n och bekräfta först att arket är delat med det anslutna Google-kontot.
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 din varumärkesröst tidigt, annars kommer du att redigera output i all evighet.

Vanliga frågor

Hur lång tid tar det att sätta upp den här LinkedIn-postautomationen?

Cirka 30–45 minuter om dina konton och API-nycklar är klara.

Behöver jag kunna koda för att automatisera LinkedIn-postautomation?

Nej. Du kopplar mest ihop verktyg och klistrar in credentials. Enkla justeringar av prompts eller kolumner i arket är valfria.

Är n8n gratis att använda för det här LinkedIn-postautomationsflödet?

Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI/OpenRouter-användning (ofta några dollar i månaden vid små volymer) plus eventuella RapidAPI-kostnader för tweetkällan.

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

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

Kan jag anpassa det här LinkedIn-postautomationsflödet för en annan content-stil eller publiceringstakt?

Ja, och det bör du. De flesta justerar prompten i AI Content Agent så att den matchar deras röst, och anpassar sedan Derive Post Schedule-koden så att inlägg publiceras de dagar och tider du föredrar. Du kan också ändra godkännandelogiken genom att redigera steget Filter Approved Items så att det letar efter ditt eget statusvärde i Google Sheets (som ”Godkänd”, ”Revidera” eller ”Pausa”).

Varför misslyckas min Google Sheets-anslutning i det här flödet?

Oftast beror det på utgångna eller ändrade Google-behörigheter. Återanslut Google Sheets-credential i n8n och bekräfta sedan att arket är åtkomligt för samma Google-konto. Om flödet kan läsa men inte skriva är fildelningsinställningarna ofta boven. Kontrollera också om flikar har bytt namn eller om kolumnrubriker har ändrats, eftersom flödet kan skriva till fält som inte längre finns.

Hur många utkast kan den här LinkedIn-postautomationen hantera?

Tillräckligt för ett litet team. I n8n Cloud är din praktiska gräns planens månadskörningar plus dina API-rate limits. Om du kör egen hosting finns inget hårt tak för körningar, men serverstorlek och API-kvoter spelar fortfarande roll. Flödet sätter också tak och begränsar antal poster (till exempel begränsar det godkända poster till 20), vilket håller det stabilt om du inte medvetet höjer de gränserna.

Är den här LinkedIn-postautomationen bättre än att använda Zapier eller Make?

Ofta ja, eftersom flödet bygger på förgreningslogik, att vänta till schemalagda tider och strukturerad parsning av AI-output, och det kan bli klumpigt eller dyrt i Zapier/Make. n8n ger dig också möjligheten till egen hosting, vilket är en stor grej om du kör många exekveringar. Nackdelen är att du är närmare ”rören”, så du lägger lite mer tid på att sätta upp det första gången. Om du vill att någon kvalitetssäkrar din version, prata med en automationsexpert.

Konsekvent postande slutar vara en hjälteinsats när din pipeline är automatisk och synlig. Flödet tar hand om det repetitiva, och du kan fokusera på delarna som faktiskt låter som du.

The post Google Sheets + Telegram för konsekventa LinkedIn-inlägg first appeared on Node Nordic - AI Konsult för företag.

OpenAI + Redis: spåna idéer på beställning

Rickard Andersson — Thu, 22 Jan 2026 06:55:55 +0000

Brainstorming är enkelt ända tills det inte är det. Du öppnar ett dokument, stirrar på markören och slösar sedan nästa timme på att samla halva idéer i anteckningar, Slack-meddelanden och slumpmässiga flikar.

Det här upplägget för OpenAI Redis-brainstorm träffar marknadsförare hårdast, ärligt talat. Men byråägare som pitchar nya vinklar och grundare som försöker välja riktning känner samma tröghet. Resultatet är enkelt: en prompt in, flera starka alternativ ut, plus en tydlig rekommendation som du faktiskt kan agera på.

Nedan ser du hur arbetsflödet skapar ”oväntade” kreativa triggers, gör om dem till 5+ idéer och sedan förädlar de bästa delarna till ett välformulerat svar på cirka 2 minuter.

Så fungerar den här automatiseringen

Se hur den här löser problemet:

n8n Workflow Template: OpenAI + Redis: spåna idéer på beställning

Click to explore

flowchart LR

    subgraph sg0["chat Flow"]
        direction LR
        n0@{ icon: "mdi:robot", form: "rounded", label: "Random Word Generator", pos: "b", h: 48 }
        n1["

mersenne_twister"]
        n2["

store_idea"]
        n3["

count_ideas"]
        n4["

get_count"]
        n5@{ icon: "mdi:swap-horizontal", form: "rounded", label: "check_queue_is_empty", pos: "b", h: 48 }
        n6["

extract_ideas"]
        n7["

get_idea"]
        n8["

set_idea"]
        n9@{ icon: "mdi:robot", form: "rounded", label: "Brainstorming", pos: "b", h: 48 }
        n10@{ icon: "mdi:play-circle", form: "rounded", label: "chat", pos: "b", h: 48 }
        n11@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model - Critic", pos: "b", h: 48 }
        n12@{ icon: "mdi:swap-horizontal", form: "rounded", label: "check_number_of_ideas", pos: "b", h: 48 }
        n13@{ icon: "mdi:swap-vertical", form: "rounded", label: "filtering", pos: "b", h: 48 }
        n14@{ icon: "mdi:swap-vertical", form: "rounded", label: "get_random_number", pos: "b", h: 48 }
        n15@{ icon: "mdi:robot", form: "rounded", label: "Critic", pos: "b", h: 48 }
        n16@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model - Word Gen..", pos: "b", h: 48 }
        n17@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini Chat Model - B..", pos: "b", h: 48 }
        n10 --> n1
        n7 --> n8
        n8 --> n5
        n13 --> n9
        n4 --> n12
        n2 --> n3
        n3 --> n4
        n9 --> n15
        n6 --> n7
        n1 --> n14
        n14 --> n0
        n5 --> n13
        n5 --> n6
        n0 --> n2
        n12 --> n6
        n12 --> n1
        n11 -.-> n15
        n16 -.-> n0
        n17 -.-> n9
    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 n10 trigger
    class n0,n9,n15 ai
    class n11,n16,n17 aiModel
    class n5,n12 decision
    class n2,n3,n4,n6,n7,n8 database
    class n1 code
    classDef customIcon fill:none,stroke:none
    class n1,n2,n3,n4,n6,n7,n8 customIcon

Utmaningen: brainstorming som beror på ditt humör

Det mesta av tiden som går åt till ”idéarbete” är inte kreativ tid. Det är kontextskiften. Du letar efter gamla anteckningar, försöker minnas vad du testade förra kvartalet och skriver sedan tre säkra vinklar eftersom du har en deadline och inte kan riskera att det blir för udda. Och när du väl får en bra idé hamnar den på fel ställe (i ett DM, på en post-it, i ett dokument som ingen namnger konsekvent). Nästa vecka gör du allt igen, från början, med samma trötta input och samma trötta output.

Friktionen byggs på. Här är var det brukar fallera i vardagen.

”Brainstorming” blir ett 60-minutersmöte som slutar med tre vaga punkter och inget nästa steg.
Du återanvänder samma tankespår, så vinklarna börjar låta likadant mellan kampanjer.
Idéer sprids över flera verktyg, vilket gör det svårt att bygga vidare på det som fungerade.
När du är trött eller stressad sjunker kvaliteten på outputen, även om problemet är viktigt.

Lösningen: AI-brainstorms på beställning med minne

Det här arbetsflödet ger dig en pålitlig ”idé-motor” som du kan använda när du kör fast. Du skickar in en utmaning via en chatt-trigger (tänk: ”Ge mig kampanjvinklar för vårt webbinar om X”). I bakgrunden skapar det ett högentropiskt slumpfrö med ett Mersenne Twister-skript och använder sedan fröet för att ta fram dussintals slumpord som fungerar som kreativa triggers. Orden köas i Redis, så systemet kan hämta dem i batchar, följa progressionen och undvika att upprepa mönster. När ordtröskeln är nådd genererar en AI-agent 5 innovativa lösningar från prompten plus de slumpmässiga triggerorden, och en andra ”kritiker”-agent förfinar de bästa delarna till en slutlig rekommendation.

Arbetsflödet startar i chatten, bygger sedan en randomiserad ”gnista”-lista (36+ ord) som lagras tillfälligt i Redis. Därefter kör det en brainstorm-agent för flera idéer och avslutar med en kritiker-pass med en OpenAI-chattmodell (eller Gemini för brainstorm-modellen) för att leverera ett strukturerat, beslutsklart svar.

Vad som förändras: före vs. efter

Det här elimineras

Effekten du märker

Manuell jakt på ”inspiration” i dokument, DM och gamla kampanjer.
Repetitiv idéproduktion som hela tiden kretsar kring samma vinklar.
Kopiera/klistra in-prompter och omprompter för att outputen är rörig.
Att halvt färdiga tankar försvinner eftersom det saknas ett lätt sätt att fånga dem.

Cirka 45–60 minuters idéarbete blir ungefär 2 minuters genereringstid.
Du får 5+ tydligt olika alternativ i stället för en ”bästa gissning”.
Slutsvaret läses som en rekommendation, inte som en rå AI-dump.
Mer variation i hooks och vinklar eftersom slumpen tvingar fram nya spår.
Mindre tvekan i granskningar eftersom du kan visa flera genomförbara riktningar.

Effekt i verkligheten

Säg att du kör två kampanjer i veckan och vanligtvis lägger ungefär en timme per kampanj bara för att komma fram till ”tre okej vinklar”. Det är runt 2 timmar i veckan innan du ens har skrivit en enda rubrik. Med det här arbetsflödet lägger du in en prompt i chatten, väntar cirka 2 minuter och får 5+ vinklar plus en förfinad rekommendation. Även om du fortfarande justerar slutriktningen i 10 minuter får du tillbaka klart över en timme varje vecka.

Krav

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
Redis för tillfällig ordkö och minne.
OpenAI för att generera ord och kritisera/förfina.
OpenAI API-nyckel (hämta den i OpenAI-dashboarden).

Kunskapsnivå: Medel. Du kopplar in autentiseringsuppgifter, granskar prompter och förstår var API-nycklar ska klistras in.

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

Flödet i arbetsflödet

Ett chattmeddelande triggar allt. Du anger din utmaning via Incoming Chat Trigger, som fångar texten och startar körningen.

Slump genereras och lagras. Mersenne Twister-skriptet skapar ett högentropiskt frö, och sedan genererar en AI-modell 36+ slumpmässiga ord. De orden pushas in i Redis och räknas så att arbetsflödet vet när det har tillräckligt med material att jobba med.

Idéer skissas, sedan ”redigeras”. Idea Generation Agent tar din normaliserade prompt plus de slumpmässiga triggerorden och producerar 5 innovativa lösningar. Sedan använder Refinement Critic Agent en OpenAI-chattmodell för att syntetisera de bästa delarna till en slutlig, välformulerad rekommendation.

Slutsvaret levereras tillbaka i chatten. Du får en kort lista med alternativ och en rekommenderad riktning som du kan klistra in i en brief, ett dokument eller en uppgift till teamet.

Du kan enkelt ändra antalet slumpord efter dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera chatttriggern

Sätt upp chattens startpunkt som initierar idégenereringscykeln och matar randomiseringspipelinen.

Lägg till noden Incoming Chat Trigger och behåll standardparametrarna.
Verifiera att noden är kopplad till Twister Randomizer Script som visas i exekveringsflödet.
Notera webhook-identifikatorn för testning: Incoming Chat Trigger använder brainstorm-generator-webhook.

Steg 2: anslut Redis-lagring och köer

Konfigurera Redis för ordköer, meddelandebuffertar och räknare. Det här arbetsflödet använder flera Redis-noder, så anslut inloggningsuppgifter en gång och återanvänd dem.

Öppna varje Redis-nod (Push Word to Redis, Increment Word Counter, Fetch Word Count, Pop Words from Queue, Retrieve Stored Message, Update Message Buffer) och anslut Redis-inloggningsuppgifter.
I Push Word to Redis, ställ in List till brainstorm och Message Data till {{ $json.output.removeMarkdown().replaceAll('`','') }}.
I Increment Word Counter, ställ in Key till brainstorm_count och aktivera Expire med TTL 30.
I Fetch Word Count, ställ in Key till brainstorm_count och Property Name till count.
I Pop Words from Queue, ställ in List till brainstorm och Property Name till text.
I Retrieve Stored Message, ställ in Key till message och Property Name till message.
I Update Message Buffer, ställ in Key till message och Value till {{ $json.message ? $json.message : "" }}{{ $('Pop Words from Queue').first().json.text }}\n, med Expire aktiverat och TTL 5.

Inloggningsuppgifter krävs: Anslut era Redis-inloggningsuppgifter till alla Redis-noder som listas ovan. Det här arbetsflödet kommer att misslyckas utan Redis-autentisering.

Steg 3: sätt upp randomisering och seed-generering

Använd Mersenne Twister-skriptet för att generera slumpmässiga tal och beräkna deterministiska seeds för ordgenerering.

I Twister Randomizer Script, behåll den angivna JavaScript Code som den är för att generera randomNumber, customRandomNumber och seed.
I Compute Seeded Number, ställ in det tilldelade fältet till Name =number och Value till {{ ($json.randomNumber * $json.customRandomNumber * $json.seed) % 1000000 }}.
Säkerställ att Twister Randomizer Script går vidare till Compute Seeded Number och sedan till Generate Random Word.

Steg 4: konfigurera kölogik och tröskelstyrd routning

Definiera loopen som fyller kön, kontrollerar när den är redo och förbereder nyckelord för idégenereringsprompten.

I Validate Word Threshold, ställ in det numeriska villkoret till Greater Than or Equal med Left Value {{ $json.count.toNumber() }} och Right Value 36.
Koppla den falska grenen från Validate Word Threshold till Twister Randomizer Script för att fortsätta generera ord tills tröskeln uppnås.
Koppla den sanna grenen från Validate Word Threshold till Pop Words from Queue för att börja bygga meddelandebufferten.
I Queue Empty Check, konfigurera tomkontrollen på Left Value {{ $('Pop Words from Queue').first().json.text }} och Right Value {{ $json.values()[0] }}.
I Normalize Message Text, ställ in message till {{ $json.message.replaceAll('\n\n','\n') }} för att rensa nyckelordslistan.
Bekräfta routningen: Queue Empty Check skickar utdata till Normalize Message Text när den är klar, och till Pop Words from Queue för att fortsätta loopen.

⚠️ Vanlig fallgrop: Om Redis-listnamnen skiljer sig kommer loopen aldrig att bli klar. Behåll List inställt på brainstorm överallt där det förekommer.

Steg 5: sätt upp AI-idégenerering och kritik

Koppla AI-modeller till agenterna som genererar och förfinar idéer.

I Idea Generation Agent, ställ in Text till Problem: {{ $('Incoming Chat Trigger').first().json.chatInput }} Keywords: {{ $json.message }}.
I Refinement Critic Agent, ställ in Text till {{ $json.output }}.
Säkerställ att Gemini Brainstorm Model är ansluten som språkmodell för Idea Generation Agent.
Säkerställ att OpenAI Critic Model är ansluten som språkmodell för Refinement Critic Agent.
Säkerställ att OpenAI Word Model är ansluten som språkmodell för Generate Random Word.

Inloggningsuppgifter krävs: Anslut era OpenAI-inloggningsuppgifter i OpenAI Word Model och OpenAI Critic Model. Anslut era Google Gemini-inloggningsuppgifter i Gemini Brainstorm Model. Dessa inloggningsuppgifter läggs till i modellnoderna (inte i agentnoderna).

Steg 6: granska varumärke och dokumentationsnoteringar

Arbetsflödet innehåller en klisterlapp för intern dokumentation och påverkar inte exekveringen.

Behåll Flowpast Branding som ett referensblock; ingen konfiguration krävs.

Steg 7: testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att bekräfta att köloopen, AI-genereringen och kritikens utdata fungerar korrekt.

Klicka på Execute Workflow och skicka ett exempelmeddelande via Incoming Chat Trigger.
Bekräfta att Twister Randomizer Script genererar randomNumber, customRandomNumber och seed, och att Compute Seeded Number ger utdata =number.
Verifiera Redis-köbeteendet: ord visas i Push Word to Redis, räknaren ökar och loopen avslutas när Validate Word Threshold når 36.
Kontrollera att Idea Generation Agent producerar fem idéer och att Refinement Critic Agent returnerar ett enda förfinat förslag.
När resultaten är korrekta, växla arbetsflödet till Active för användning i produktion.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Saker att se upp med

OpenAI-uppgifter kan löpa ut eller kräva specifika behörigheter. Om det uppstår fel, kontrollera dina OpenAI API-nycklar och användningsgränser i OpenAI-dashboarden först.
Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
Redis TTL- och eviction-inställningar kan tyst rensa din kö. Om du inte får tillräckligt många slumpord, kontrollera minnespolicyn och nycklarnas utgångsbeteende i din Redis-instans.

Vanliga frågor

Hur snabbt kan jag implementera den här OpenAI Redis-brainstorm-automatiseringen?

Cirka 10 minuter om dina nycklar och Redis är redo.

Kan icke-tekniska team implementera den här brainstorming-automatiseringen?

Ja, men du vill ha en person som är bekväm med API-nycklar. När det väl är kopplat är användningen i vardagen bara att skicka prompter i chatten.

Är n8n gratis att använda för det här OpenAI Redis-brainstorm-arbetsflödet?

Ja. n8n har ett gratis alternativ för egen hosting 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, som vanligtvis är några cent per brainstorm beroende på modell.

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

Hur anpassar jag den här OpenAI Redis-brainstorm-lösningen till mina specifika utmaningar?

Du kan byta ut Gemini Brainstorm Model mot OpenAI-modellen (eller tvärtom) beroende på vad teamet föredrar. Vanliga anpassningar är att ändra tröskeln för antal slumpord, justera prompten till Idea Generation Agent så att den matchar er tonalitet, och finjustera Critic Agent så att den levererar i ditt föredragna format (brief, tabell, annonskoncept, e-postupplägg).

Varför misslyckas min OpenAI-anslutning i det här arbetsflödet?

Oftast beror det på en utgången eller felaktig API-nyckel, eller att kontot har nått en användningsgräns.

Vilken kapacitet har den här OpenAI Redis-brainstorm-lösningen?

På n8n Cloud Starter är du främst begränsad av månatliga körningar, och de flesta små team klarar sig bra med brainstorms på beställning. Om du hostar själv finns ingen körningsbegränsning från n8n, men serverstorlek och OpenAI:s rate limits spelar fortfarande roll. I praktiken är arbetsflödet byggt för snabba körningar per enskild request, så det känns direkt för en användare och håller även för ett litet team. Om du väntar dig många samtidiga chattförfrågningar, öka Redis-resurserna och överväg att köa körningar.

Är den här OpenAI Redis-brainstorm-automatiseringen bättre än att använda Zapier eller Make?

Ofta, ja, om du bryr dig om kontroll och kostnad. Det här arbetsflödet använder förgreningslogik, köhantering i Redis och agentbeteende i flera steg, vilket blir krångligt (och ibland dyrt) i enklare automationsverktyg. n8n ger dig också möjlighet till egen hosting, vilket är viktigt när du börjar köra frekventa brainstorms. Zapier eller Make kan fortfarande vara helt okej för lätta flöden i två steg: ”prompt in, meddelande ut”. Prata med en automationsexpert om du vill ha en snabb rekommendation för just din setup.

När detta väl är igång slutar ”blank sida”-stopp att vara en grej. Du kommer med utmaningen, arbetsflödet kommer med alternativ, och du kan lägga tiden på att välja och genomföra.

The post OpenAI + Redis: spåna idéer på beställning first appeared on Node Nordic - AI Konsult för företag.

Telegram + Google Kalender: bokningar bekräftade

Rickard Andersson — Thu, 22 Jan 2026 06:54:37 +0000

Du får ett “Kan jag komma in i morgon?”-meddelande… sen ett till… sen fem till. Plötsligt scrollar du, kollar kalendern, ställer följdfrågor och oroar dig ändå för att dubbelboka någon.

Det är här automatiserad bokning i Telegram betalar sig själv. Salongsägare märker det först, ärligt talat, men klinikansvariga och konsulter som tar bokningar i chatten fastnar i samma loop. Resultatet är enkelt: bokningar bekräftas i Telegram och tiden hamnar i Google Calendar utan att du behöver sitta och passa.

Det här flödet gör om meddelanden (text, röst, till och med foton och PDF:er) till schemalagda tider och skickar sedan bekräftelser och påminnelser. Du får se hur det fungerar, vad du behöver och vad du kan justera för att det ska följa dina affärsregler.

Så fungerar automationen

Se hur detta löser problemet:

n8n Workflow Template: Telegram + Google Kalender: bokningar bekräftade

Click to explore

flowchart LR

    subgraph sg0["Telegram Flow"]
        direction LR
        n0@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Initial Data", pos: "b", h: 48 }
        n1["

Set Processing Lock"]
        n2@{ icon: "mdi:cog", form: "rounded", label: "Wait", pos: "b", h: 48 }
        n3["

Get Current Processing Lock"]
        n4@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Am I the Processor?", pos: "b", h: 48 }
        n5["

Pop All Batched Messages"]
        n6["

Delete Message List"]
        n7["

Delete Processing Lock"]
        n8["

Push"]
        n9["

Combine Messages"]
        n10["

Rate Limiter"]
        n11["

Check Limit"]
        n12@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Rate Limited", pos: "b", h: 48 }
        n13["

Redis Hourly"]
        n14["

Increment Counter Hourly"]
        n15@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Send Mesage?", pos: "b", h: 48 }
        n16@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is Owner?", pos: "b", h: 48 }
        n18@{ icon: "mdi:swap-vertical", form: "rounded", label: "Text", pos: "b", h: 48 }
        n19@{ icon: "mdi:wrench", form: "rounded", label: "cancel_agent", pos: "b", h: 48 }
        n20["

Limit Reached?"]
        n21@{ icon: "mdi:location-exit", form: "rounded", label: "Get many events", pos: "b", h: 48 }
        n22@{ icon: "mdi:memory", form: "rounded", label: "Redis Chat Memory", pos: "b", h: 48 }
        n23@{ icon: "mdi:wrench", form: "rounded", label: "nail-salon-booking-mcp", pos: "b", h: 48 }
        n24["

Telegram Trigger"]
        n25@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Switch", pos: "b", h: 48 }
        n26["

Send User Message1"]
        n27["

Send Owner Message1"]
        n28["

Not supported1"]
        n29@{ icon: "mdi:robot", form: "rounded", label: "Analyze Image1", pos: "b", h: 48 }
        n30["

Download Audio1"]
        n31@{ icon: "mdi:robot", form: "rounded", label: "Transcribe Audio1", pos: "b", h: 48 }
        n32["

Download File1"]
        n33@{ icon: "mdi:cog", form: "rounded", label: "Extract from File1", pos: "b", h: 48 }
        n34@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Only PDF File1", pos: "b", h: 48 }
        n35@{ icon: "mdi:swap-vertical", form: "rounded", label: "Audio1", pos: "b", h: 48 }
        n36@{ icon: "mdi:swap-vertical", form: "rounded", label: "Image1", pos: "b", h: 48 }
        n37@{ icon: "mdi:swap-vertical", form: "rounded", label: "File1", pos: "b", h: 48 }
        n38["

Get Image Url1"]
        n39["

Get File Url1"]
        n40["

Incorrect format1"]
        n41["

Get Audio Url1"]
        n47["

Send Booking Message"]
        n48@{ icon: "mdi:message-outline", form: "rounded", label: "send_acknowledgement", pos: "b", h: 48 }
        n49@{ icon: "mdi:robot", form: "rounded", label: "Booking Agent", pos: "b", h: 48 }
        n50@{ icon: "mdi:brain", form: "rounded", label: "gemini-2.5-flash", pos: "b", h: 48 }
        n51@{ icon: "mdi:brain", form: "rounded", label: "gpt-5-mini", pos: "b", h: 48 }
        n8 --> n1
        n18 --> n49
        n2 --> n3
        n37 --> n49
        n35 --> n49
        n36 --> n49
        n25 --> n18
        n25 --> n41
        n25 --> n38
        n25 --> n34
        n25 --> n28
        n16 --> n0
        n51 -.-> n19
        n51 -.-> n49
        n11 --> n12
        n10 --> n13
        n13 --> n14
        n15 --> n26
        n19 -.-> n49
        n49 --> n47
        n39 --> n32
        n29 --> n36
        n32 --> n33
        n41 --> n30
        n38 --> n29
        n20 --> n25
        n34 --> n39
        n34 --> n40
        n30 --> n31
        n21 --> n20
        n9 --> n21
        n0 --> n10
        n24 --> n16
        n50 -.-> n49
        n22 -.-> n19
        n22 -.-> n49
        n31 --> n35
        n12 --> n15
        n12 --> n8
        n33 --> n37
        n26 --> n27
        n4 --> n5
        n6 --> n7
        n1 --> n2
        n48 -.-> n49
        n7 --> n9
        n23 -.-> n19
        n23 -.-> n49
        n14 --> n11
        n5 --> n6
        n3 --> n4
    end

    subgraph sg1["Schedule Flow"]
        direction LR
        n42@{ icon: "mdi:play-circle", form: "rounded", label: "Schedule Trigger1", pos: "b", h: 48 }
        n43["

Calculate Tomorrow1"]
        n44@{ icon: "mdi:location-exit", form: "rounded", label: "Get Schedule Events1", pos: "b", h: 48 }
        n45["

Format Reminder Data1"]
        n46["

Send Client Reminder1"]
        n42 --> n43
        n43 --> n44
        n44 --> n45
        n45 --> n46
    end

    subgraph sg2["Flow 3"]
        direction LR
        n17@{ icon: "mdi:cog", form: "rounded", label: "Execute Airtable Agent", pos: "b", h: 48 }
    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 n24,n42 trigger
    class n29,n31,n49 ai
    class n50,n51 aiModel
    class n19,n23 ai
    class n22 ai
    class n4,n12,n15,n16,n25,n34 decision
    class n1,n3,n5,n6,n7,n8,n13,n14 database
    class n30,n32,n38,n39,n41 api
    class n9,n10,n11,n20,n43,n45 code
    classDef customIcon fill:none,stroke:none
    class n1,n3,n5,n6,n7,n8,n9,n10,n11,n13,n14,n20,n24,n26,n27,n28,n30,n32,n38,n39,n40,n41,n47,n43,n45,n46 customIcon

Utmaningen: bokningsförfrågningar försvinner (och blir röriga) i chatten

Att boka via Telegram låter smidigt tills du är den som ska driva det. Folk skriver i fragment (“I morgon eftermiddag?” sen “Egentligen kl 4?”), de skickar röstmeddelanden när du sitter med en kund, och du slutar med att agera mänsklig router mellan kalendern och inkorgen. Den verkliga kostnaden är inte ett meddelande. Det är det konstanta kontextbytet, de missade uppföljningarna och det obekväma “tyvärr, den tiden är redan tagen” när du råkar bekräfta två personer på samma slot. Än värre: du gör allt det här jobbet bara för att ens komma till startlinjen för tjänsten.

Det drar snabbt iväg. Här är var det fallerar i verkligheten.

Du slösar cirka 10 minuter per bokning bara på att samla in grunderna (tjänst, datum, tid, namn, telefon).
Manuell kontroll av tillgänglighet bjuder in till misstag, särskilt när du svarar mellan behandlingar/möten.
Folk dyker inte upp om det inte finns en påminnelse, och du kommer oftast på påminnelser när det redan är för sent.
Spam och “prisfrågor” täpper till samma kanal som betalande kunder, vilket gör dig långsammare med alla.

Lösningen: bekräfta tider i Telegram, synka till Google Calendar

Det här flödet fungerar som en bokningskoordinator som bor inne i Telegram. Ett meddelande kommer in, det köas säkert (så att du inte processar samma konversation två gånger) och en AI-bokningsagent tar över dialogen: vilken tjänst de vill ha, vem det gäller (inklusive “boka åt min vän Sarah”) och vilken tid de frågar om. Medan kunden chattar kontrollerar automationen Google Calendar för tillgänglighet, följer dina begränsningar (som max antal bokningar per kund) och skickar en tydlig bekräftelse när en tid är låst. Senare kör den en schemalagd kontroll och skickar påminnelser vid en konsekvent tidpunkt (som kl. 20:00 för besök nästa dag). Inga fler post-it-lappar. Inga fler “har jag redan bekräftat det här?”

Flödet startar när en kund skriver till din Telegram-bot. Därefter tolkar det förfrågan (text, rösttranskribering, bildanalys eller PDF-extraktion), kontrollerar dina livehändelser i Google Calendar och bekräftar sedan bokningen tillbaka i Telegram. Slutligen skickar en separat schemalagd trigger automatiska påminnelser för kommande tider.

Vad som förändras: före vs. efter

Det här tar bort

Effekten du kommer att se

Manuell genomläsning av utspridda meddelanden för att återskapa vad kunden faktiskt vill.
Att växla till Google Calendar för varje “är du ledig kl 15?”-fråga.
Copy-paste av bekräftelser och sedan komma ihåg att skicka påminnelser senare.
Att låta spam eller meddelandebomber sabba din svarstid.

De flesta team får tillbaka cirka 5 timmar per vecka när detta körs dagligen.
Dubbelbokningar minskar kraftigt eftersom tillgänglighet kontrolleras innan bekräftelse.
Kunder får snabbare svar, även när du har möten/behandlingar direkt efter varandra.
Påminnelser går ut konsekvent, vilket ger färre “jag glömde”-uteblivanden.
Du kan hantera fler bokningar utan att anställa någon bara för att sköta chatten.

Effekt i praktiken

Säg att du hanterar 8 bokningsförfrågningar per dag via Telegram. Manuellt lägger du kanske 10 minuter per förfrågan på att ställa frågor, kolla Google Calendar, bekräfta och logga detaljer, alltså cirka 80 minuter per dag. Med det här flödet tittar du bara på undantag: boten bekräftar direkt, agenten bekräftar med hjälp av live-tillgänglighet i kalendern och påminnelser går ut automatiskt på kvällen. I praktiken landar du ofta på cirka 10 minuter totalt per dag, mest för specialfall.

Krav

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
Telegram för att ta emot meddelanden och skicka bekräftelser.
Google Calendar för tillgänglighet i realtid och schemaläggning.
Redis för rate limiting, lås och chattminne.
OpenAI API-nyckel (hämta den i din OpenAI-dashboard) för chatt-, bild- och röstbearbetning.

Kunskapsnivå: Medel. Du kopplar konton, klistrar in API-nycklar och justerar några affärsregler som öppettider och bokningsgränser.

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

Flödets gång

Ett Telegram-meddelande sätter igång allt. Boten tar emot ett nytt meddelande och kontrollerar snabbt om det är företagsägaren/admin eller en kund, eftersom de konversationerna ska hanteras olika.

Meddelanden köas och styrs. Redis lagrar inkommande meddelanden kort, tillämpar rate limits (standard är cirka 100 meddelanden per timme) och skapar ett processlås så att samma chatt inte behandlas två gånger när det blir hög belastning.

Innehållet tolkas i klartext. Text går direkt till bokningsagenten, röst laddas ner och transkriberas, bilder kan analyseras för sammanhang och PDF:er kan extraheras (med kontroller som stoppar format som inte stöds). Flödet behåller korttidsminne så att agenten kan ställa följdfrågor utan att börja om.

Tillgänglighet kontrolleras och sedan skickas bekräftelser. Flödet hämtar händelser från Google Calendar, föreslår giltiga tider och när en tid är vald skickar det en bokningsbekräftelse tillbaka till Telegram. En schemalagd trigger tittar senare på kommande händelser och skickar påminnelser för nästa dag vid en konsekvent tidpunkt.

Du kan enkelt ändra bokningsgränser och öppettider så att det matchar hur du jobbar. Se hela implementeringsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera Telegram-triggern

Det här arbetsflödet startar när ett meddelande kommer in i Telegram. Ni konfigurerar den inkommande triggern och ägarkontrollen innan någon bearbetning börjar.

Lägg till och öppna Telegram Incoming Trigger.
Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter.
Bekräfta flödet från Telegram Incoming Trigger till Confirm Owner Status.
I Confirm Owner Status, granska er logik för ägarkontroll så att endast behöriga chattar slussas vidare till Initialize Payload.

⚠️ Vanlig fallgrop: Om Telegram-inloggningsuppgifter saknas kommer triggern inte att ta emot uppdateringar och inga meddelanden kommer att behandlas.

Steg 2: Anslut Redis och hastighetsstyrning

Redis används för meddelandebatchning, låsning och timvisa hastighetsbegränsningar. Detta säkerställer att meddelanden behandlas säkert och inom era användningströsklar.

Öppna Initialize Payload och bekräfta att den går vidare till Rate Control Logic.
I Rate Control Logic, bekräfta att den routar till Hourly Redis Key och därefter till Increment Hourly Count.
Granska Validate Usage Limit och säkerställ att den matar vidare till Check Rate Limit Flag och sedan Should Send Message.
Inloggningsuppgifter krävs: Anslut era Redis-inloggningsuppgifter till alla Redis-noder (8 noder hanterar köning, lås och räknare).

Säkerställ att Redis-instansen har persistent lagring aktiverad för att undvika att lås och köade meddelanden förloras vid omstarter.

Steg 3: Konfigurera innehållsroutning och förbered payload

Meddelanden routas efter innehållstyp (text, ljud, bild eller fil) och förbereds sedan till en standardiserad payload för AI-assistenten.

Verifiera att Limit Threshold Check routar vidare till Route by Content Type efter Retrieve Calendar Events.
I Route by Content Type, bekräfta att grenarna går till Prepare Text Payload, Fetch Audio URL, Fetch Image URL, Validate PDF Only eller Unsupported Content Notice.
Öppna Prepare Text Payload och bekräfta att den ansluter direkt till Reservation Assistant Agent.

Steg 4: Konfigurera fil-, ljud- och bildhantering

Ljud, bilder och dokument laddas ned, tolkas och konverteras till payloads som assistenten kan använda.

Verifiera ljudflödet: Fetch Audio URL → Download Audio File → Transcribe Audio → Audio Payload → Reservation Assistant Agent.
Verifiera bildflödet: Fetch Image URL → Analyze Image Content → Image Payload → Reservation Assistant Agent.
Verifiera filflödet: Validate PDF Only → Fetch File URL → Download Document File → Extract Document Data → File Payload → Reservation Assistant Agent.
Bekräfta att grenen för icke-PDF i Validate PDF Only routar till Invalid Format Alert.
Inloggningsuppgifter krävs: Anslut era OpenAI-inloggningsuppgifter i Analyze Image Content och Transcribe Audio.

⚠️ Vanlig fallgrop: Om er filvalidering släpper igenom icke-PDF:er kan Extract Document Data fallera utan tydliga fel och skapa tomma payloads.

Steg 5: Konfigurera AI-assistenten för bokningar

AI-agenten använder chattmodeller, verktyg och minne för att tolka förfrågningar och bekräfta bokningar.

Öppna Reservation Assistant Agent och verifiera att den tar emot input från Prepare Text Payload, Audio Payload, Image Payload och File Payload.
Säkerställ att GPT Mini Model och Gemini Flash Model är anslutna som språkmodeller till Reservation Assistant Agent.
Inloggningsuppgifter krävs: Anslut era OpenAI-inloggningsuppgifter i GPT Mini Model och era Google Gemini-inloggningsuppgifter i Gemini Flash Model.
Bekräfta att Cancel Agent Tool, Booking MCP Connector, Redis Chat Memory Store och Send Acknowledgement är kopplade till Reservation Assistant Agent.
Inloggningsuppgifter krävs: Anslut era MCP-inloggningsuppgifter för Booking MCP Connector på Reservation Assistant Agent.
Inloggningsuppgifter krävs: Anslut Redis-inloggningsuppgifter för Redis Chat Memory Store på Reservation Assistant Agent.
Inloggningsuppgifter krävs: Anslut Telegram-inloggningsuppgifter för Send Acknowledgement på Reservation Assistant Agent.

För AI-verktygens undernoder (verktyg och minne) ska ni lägga in inloggningsuppgifter på föräldernoden Reservation Assistant Agent, inte på undernoderna.

Steg 6: Anslut schemaläggning i Google Kalender

Arbetsflödet hämtar kalenderns tillgänglighet för bokningsbeslut och skickar schemalagda påminnelser.

Konfigurera Retrieve Calendar Events för att hämta aktuell tillgänglighet till Limit Threshold Check.
Sätt upp påminnelseflödet: Scheduled Trigger → Compute Next Day → Get Scheduled Events → Format Reminder Details → Send Client Reminder.
Inloggningsuppgifter krävs: Anslut era Google Kalender-inloggningsuppgifter i Retrieve Calendar Events och Get Scheduled Events.

Steg 7: Konfigurera utgående Telegram-meddelanden

Meddelanden skickas till användare och ägare för bekräftelser, larm och påminnelser.

Bekräfta dispatch-kedjan: Should Send Message → Dispatch User Message → Dispatch Owner Message.
Verifiera att Reservation Assistant Agent routar till Send Booking Confirmation.
Säkerställ att Unsupported Content Notice, Invalid Format Alert och Send Client Reminder är konfigurerade med meddelandemallar.
Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter till alla Telegram-noder (6 noder hanterar meddelanden till användare och admin).

Steg 8: Testa och aktivera ert arbetsflöde

Kör en fullständig testcykel för att validera routning, AI-svar och notiser innan ni aktiverar i produktion.

Klicka på Execute Workflow och skicka ett Telegram-meddelande med text, ljud, bild och PDF för att validera alla grenar.
Bekräfta att Queue Incoming Message → Create Processing Lock → Delay Execution → Retrieve Current Lock slutförs utan Redis-fel.
Verifiera att en lyckad körning ger ett svar från Send Booking Confirmation och valfria notiser från Dispatch User Message och Dispatch Owner Message.
Aktivera arbetsflödet genom att växla det till Active när resultaten matchar era förväntningar.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Se upp för

Google Calendar-inloggningar kan gå ut eller sakna rätt behörighet (scope). Om bokningar slutar bekräftas, börja med att kontrollera kontokopplingen i Google Calendar-noden i n8n.
Om du använder Wait-noder eller är beroende av extern bearbetning (som ljudtranskribering) varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in ert tonalitet/brand voice och er exakta tjänstelista tidigt, annars kommer du att sitta och redigera outputs för alltid.

Vanliga frågor

Hur snabbt kan jag implementera den här automationen för bokningar i Telegram?

Cirka en timme om din Telegram-bot och Google Calendar redan är klara.

Kan team utan teknisk bakgrund implementera den här bokningsautomation?

Ja, men du vill ha en person som är bekväm med att koppla konton och API-nycklar. När allt är inkopplat är den dagliga användningen bara att “svara i Telegram som vanligt”.

Är n8n gratis att använda för det här flödet för bokningsautomation i Telegram?

Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer startar på $20/månad för högre volym. Du behöver också räkna med OpenAI API-kostnader (ofta några dollar i månaden för mindre team, mer om du transkriberar många röstmeddelanden).

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

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

Hur anpassar jag den här lösningen för bokningsautomation i Telegram till mina specifika utmaningar?

Du kan justera rate limit och bokningstak i Redis och logiken “Validate Usage Limit” och sedan förfina hur Reservation Assistant Agent ställer frågor (tjänst, längd, medarbetare). Många team justerar också logiken “Retrieve Calendar Events” för att respektera buffertar som “inga bokningar inom 2 timmar”, och de anpassar bekräftelse- och påminnelsemeddelanden som skickas av Telegram-noderna.

Varför fallerar min Telegram-anslutning i det här flödet?

Oftast är det ett problem med Telegram-bottoken eller behörigheter, inte själva flödet. Kontrollera inloggningsuppgifterna som används av Telegram Trigger och sänd-noderna och bekräfta sedan att din bot faktiskt kan ta emot meddelanden i chatten du testar. Om felen bara händer vid hög belastning kan du också slå i rate limits och bör granska Redis rate control och dina Telegram API-gränser.

Vilken kapacitet har den här lösningen för bokningsautomation i Telegram?

Om du kör egen hosting finns ingen körningsgräns (det beror främst på din server och hur mycket AI-bearbetning du gör). I n8n Cloud beror kapaciteten på din plans månatliga körningar, och aktiva botar kan nå det snabbare än du tror. I praktiken kan det här flödet hantera många chattar eftersom det köar meddelanden i Redis, men röst- och dokumentbearbetning kommer att sakta ner det lite. Om du väntar dig hög volym, överväg att begränsa vilka medietyper som stöds eller att lägga transkribering utanför peak-tider.

Är den här automationen för bokningar i Telegram bättre än att använda Zapier eller Make?

Ofta ja, eftersom det här inte bara är “meddelande in, händelse ut”. Du jobbar med köning, rate limiting, konversationsminne och AI-baserad tolkning (inklusive rösttranskribering och hantering av bilder/PDF:er), vilket blir både klumpigt och dyrt i enklare byggare. n8n ger dig också möjlighet till egen hosting, så du betalar inte mer varje gång en kund skickar tre meddelanden i rad. Zapier eller Make kan fortfarande funka för enkla tvåstegsflöden, som “formulär → skapa kalenderhändelse”, men chattbaserad bokning är en annan typ av problem. Om du tvekar: kartlägg din verkliga konversationsprocess först och välj sedan verktyg. Prata med en automationsexpert så sanity-checkar vi det med dig.

När detta väl rullar slutar Telegram vara en kaotisk inkorg och blir en pålitlig bokningskanal kopplad till din faktiska tillgänglighet. Sätt upp det en gång och låt bekräftelser och påminnelser sköta sig i bakgrunden.

The post Telegram + Google Kalender: bokningar bekräftade first appeared on Node Nordic - AI Konsult för företag.

Redis + Telegram: mer strukturerade chatt-svar

Rickard Andersson — Thu, 22 Jan 2026 06:52:49 +0000

Telegram-support blir rörig snabbt. En kund skickar tre korta meddelanden, din automation triggar tre gånger och plötsligt jonglerar du dubletter, ofullständig kontext och en tråd som känns… stressig.

Den här Redis-batchningen för Telegram träffar supportansvariga först, men driftschefer och byråägare märker det också. Du får ett konsoliderat ”slutmeddelande” per session i stället för en storm av triggers, så du kan svara en gång med hela bilden.

Nedan ser du hur flödet buffrar inkommande chattfragment i Redis, väntar på en lugn stund (eller en tröskel för antal meddelanden), slår ihop dem och lämnar över en enda strukturerad begäran till ditt system.

Så fungerar den här automationen

Se hur detta löser problemet:

n8n Workflow Template: Redis + Telegram: mer strukturerade chatt-svar

Click to explore

flowchart LR

    subgraph sg0["When clicking ‘Test workflow’ Flow"]
        direction LR
        n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Test workflow’", pos: "b", h: 48 }
        n1@{ icon: "mdi:cog", form: "rounded", label: "No Operation, do nothing1", pos: "b", h: 48 }
        n2["

get wait seconds"]
        n3["

Set last_seen"]
        n4["

Get waiting_reply"]
        n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Mod input", pos: "b", h: 48 }
        n6@{ icon: "mdi:swap-horizontal", form: "rounded", label: "waiting_reply?", pos: "b", h: 48 }
        n7@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
        n8["

Set waiting_reply"]
        n9["

Get buffer"]
        n10["

Delete buffer_in"]
        n11["

Delete waiting_reply"]
        n12@{ icon: "mdi:cog", form: "rounded", label: "WaitSeconds", pos: "b", h: 48 }
        n13["

Buffer messages"]
        n14["

Set buffer_count increment"]
        n15["

Get last_seen"]
        n16["

Get buffer_count"]
        n17@{ icon: "mdi:swap-vertical", form: "rounded", label: "Map ouput", pos: "b", h: 48 }
        n18@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Inactivity + Count", pos: "b", h: 48 }
        n19["

Delete waiting_reply1"]
        n20@{ icon: "mdi:cog", form: "rounded", label: "No Operation, do nothing2", pos: "b", h: 48 }
        n21@{ icon: "mdi:cog", form: "rounded", label: "Wait", pos: "b", h: 48 }
        n22@{ icon: "mdi:play-circle", form: "rounded", label: "When Executed by Another Wor..", pos: "b", h: 48 }
        n23@{ icon: "mdi:swap-vertical", form: "rounded", label: "Mock input data", pos: "b", h: 48 }
        n24@{ icon: "mdi:cog", form: "rounded", label: "No Operation, do nothing3", pos: "b", h: 48 }
        n25@{ icon: "mdi:swap-vertical", form: "rounded", label: "Config Parameters", pos: "b", h: 48 }
        n26["

consolidate buffer"]
        n21 --> n18
        n5 --> n6
        n9 --> n26
        n12 --> n15
        n15 --> n16
        n3 --> n20
        n6 --> n20
        n6 --> n8
        n13 --> n14
        n13 --> n3
        n13 --> n4
        n23 --> n25
        n10 --> n24
        n16 --> n18
        n2 --> n13
        n25 --> n2
        n4 --> n5
        n8 --> n12
        n26 --> n17
        n26 --> n10
        n26 --> n11
        n26 --> n19
        n11 --> n24
        n19 --> n24
        n18 --> n9
        n18 --> n1
        n1 --> n21
        n14 --> n20
        n7 --> n23
        n22 --> n25
        n0 --> n23
    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,n7,n22 trigger
    class n6,n18 decision
    class n3,n4,n8,n9,n10,n11,n13,n14,n15,n16,n19 database
    class n2,n26 code
    classDef customIcon fill:none,stroke:none
    class n2,n3,n4,n8,n9,n10,n11,n13,n14,n15,n16,n19,n26 customIcon

Utmaningen: fragmenterade meddelanden triggar för många svar

Folk skriver inte en prydlig supportförfrågan. De skriver ”Hej”, sedan ”Snabb fråga”, sedan klistrar de in ordernumret och sedan lägger de till själva problemet. Om din Telegram-automation reagerar direkt på varje meddelande hamnar du med flera ärenden, upprepade taggar, dubbla uppföljningar eller, ännu värre, flera AI-anrop som svarar på olika delar av samma problem. Det är inte bara bortkastad tid. Det är den mentala belastningen av att skanna vad som ändrats, lista ut vilket svar som är ”det rätta” och städa upp efteråt.

Inget av detta är ett problem var för sig. Tillsammans är de det.

Du får dubbla triggers för en konversation, vilket skapar brusiga loggar och förvirrande överlämningar.
Korta meddelanden kommer utan kontext, så dina svar blir antingen fel eller fulla av följdfrågor.
Team börjar fördröja svar ”manuellt” bara för att vänta på att kunden ska skriva klart.
Om du använder AI längre ned i kedjan betalar du för upprepade anrop som borde ha varit en enda förfrågan.

Lösningen: buffra i Redis, svara en gång när de är klara

Det här flödet fungerar som en artig ”skrivbuffert” för Telegram-konversationer. När ett meddelande kommer in sparar det texten i en Redis-lista kopplad till ett sessions-ID (context_id) och uppdaterar en ”senast sedd”-tidsstämpel. Sedan väntar det under ett kort inaktivitetsfönster som justeras baserat på meddelandets längd. Om kunden fortsätter att skicka meddelanden fortsätter flödet inte att svara; det fortsätter att buffra. När användaren slutar (eller när du når en liten batchtröskel) hämtar flödet de buffrade meddelandena, konsoliderar dem med lättviktig JavaScript (ingen extern LLM krävs), rensar Redis-nycklarna och returnerar ett sammanslaget meddelande som du kan svara på utan krångel.

Flödet startar på en inkommande Telegram-chattrigger (eller en test-/manuell trigger när du sätter upp det). Redis lagrar meddelanden, räknar dem och håller en ”väntar”-flagga så att du inte kör konkurrerande svarsslingor. Till sist slår konsolideringsfunktionen ihop och avduplicerar de buffrade texterna och skapar en enda, lugn payload till nästa steg.

Vad som förändras: före vs. efter

Detta elimineras

Effekten du kommer att märka

Omedelbara svar som triggar på varje kort Telegram-fragment.
Flera körningar som konkurrerar om att ”äga” samma konversation.
Kopiera/klistra in utspridda meddelanden för att förstå vad användaren menade.
Upprepade åtgärder längre ned i kedjan (ärenden, taggar, AI-anrop) som orsakas av dubletter.

Om användare typiskt skickar 3 meddelanden per ärende kan du minska 3 triggers till 1.
Supportens svar blir tydligare eftersom hela förfrågan kommer som en sammanslagen prompt.
Drift får tystare loggar, färre retries och mindre ”varför körde detta två gånger?”-felsökning.
Du kan lägga till AI senare utan att betala för flera anrop per konversation.
Kunder känner sig snabbare hörda eftersom du svarar en gång med rätt kontext.

Effekt i verkligheten

Säg att en kund brukar skicka 3 separata Telegram-meddelanden för att förklara ett problem. Utan batchning blir det 3 flödeskörningar, 3 notifieringar och ofta 3 delvisa svar, vilket lätt kan äta upp cirka 10 minuter av fram-och-tillbaka per ärende. Med det här flödet buffrar du fragmenten och väntar cirka 10–20 sekunder (baserat på meddelandets längd) innan du agerar. Resultatet är en konsoliderad förfrågan och ett strukturerat svar, vilket typiskt sparar några timmar i veckan när volymen ökar.

Krav

n8n-instans (testa n8n Cloud gratis)
Självhostat alternativ om du föredrar det (Hostinger fungerar bra)
Redis för att buffra meddelanden per session.
Telegram för att ta emot chattmeddelanden och svara.
Telegram-bottoken (hämta den via BotFather i Telegram).

Svårighetsgrad: Nybörjare. Du kopplar Redis och Telegram och klistrar sedan in en liten kodsnutt som redan ingår i flödet.

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

Flödet, steg för steg

Ett Telegram-meddelande kommer in. Flödet fångar texten och ett context_id (din sessionsidentifierare) så att varje konversation buffras separat.

Redis lagrar fragmenten och timingen. Varje meddelande pushas in i en Redis-lista, en räknare ökar och en ”senast sedd”-tidsstämpel uppdateras. En liten ”väntar på svar”-flagga förhindrar att flera svarsslingor körs samtidigt.

Flödet väntar och kontrollerar om det ska trigga. En konfigurerbar fördröjning (kortare för längre meddelanden, längre för små) ger användaren tid att skriva klart. Om inaktiviteten passerar timeouten eller bufferten når batchtröskeln fortsätter det. Om inte väntar det igen och kontrollerar på nytt.

Meddelanden konsolideras, avdupliceras och returneras. Flödet hämtar den buffrade listan, sorterar efter tidsstämpel, tar bort dubletter, slår ihop texten till ett enda strukturerat meddelande, rensar Redis-nycklar för sessionen och lämnar över slut-payloaden till ditt svars-steg.

Du kan enkelt justera inaktivitetsfönstret och batchtröskeln för att matcha din målgrupp (snabba skrivare vs. långsamma, korta frågor vs. långa). Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera den manuella triggern

Det här arbetsflödet kan startas manuellt, via chattinmatning eller av ett annat arbetsflöde. Konfigurera alla tre trigger-vägarna så att de matchar era behov för test och produktion.

Lägg till och behåll noden Manual Run Start för manuell testning.
Konfigurera Incoming Chat Trigger för att ta emot chattinmatning vid skarp användning.
Konfigurera External Workflow Trigger med indata context_id och message för att tillåta att uppströmsarbetsflöden anropar det här flödet.
Säkerställ att både Incoming Chat Trigger och Manual Run Start ansluter till Prepare Sample Payload, och att External Workflow Trigger ansluter till Define Config Values.

Använd Manual Run Start för snabb felsökning och växla sedan till Incoming Chat Trigger eller External Workflow Trigger för produktionstrafik.

Steg 2: anslut Redis

Det här arbetsflödet använder Redis i stor utsträckning för buffring, räknare och flaggor. Anslut Redis-inloggningsuppgifter till alla Redis-noder.

Öppna varje Redis-nod och anslut inloggningsuppgifter: Credential Required: anslut era redis-inloggningsuppgifter.
Tillämpa inloggningsuppgifter på alla Redis-noder (11 totalt), inklusive Queue Incoming Messages, Increment Buffer Counter, Store Last Seen Time, Fetch Waiting Flag, Set Waiting Flag, Read Last Seen Time, Read Buffer Counter, Retrieve Message Buffer, Remove Buffer List, Clear Waiting Flag och Remove Buffer Counter.

⚠️ Vanlig fallgrop: saknade Redis-inloggningsuppgifter orsakar tysta fel vid läsning/skrivning av bufferten och hindrar arbetsflödet från att konsolidera meddelanden.

Steg 3: konfigurera logik för meddelandeförberedelse och timing

Dessa noder förbereder meddelandepayloaden och beräknar fördröjningsfönstret baserat på meddelandets längd.

I Prepare Sample Payload ställer ni in context_id till {{ $json.sessionId }} och message till {{ $json.chatInput || 'Chat 2'}}.
I Define Config Values ställer ni in minWords till 3, waitLong till 10, waitShort till 20 och batchThreshold till 3.
Behåll koden i Compute Delay Seconds som den är så att den beräknar waitSeconds baserat på antal ord.

Steg 4: buffra inkommande meddelanden och spåra aktivitet

Det här steget lagrar inkommande meddelanden i Redis, sätter räknare och hanterar väntflaggan.

I Queue Incoming Messages ställer ni in List till buffer_in:{{$json.context_id}} och Message Data till {{ JSON.stringify({ "message": $json.message, "timestamp": $now }) }}.
I Increment Buffer Counter ställer ni in Key till buffer_count:{{$json.context_id}} och Expire till {{$json.waitSeconds + 60}}.
I Store Last Seen Time ställer ni in Key till last_seen:{{ $json.context_id}}, TTL till {{ $json.waitSeconds + 60 }} och Value till {{$now.toMillis()}}.
I Fetch Waiting Flag ställer ni in Key till waiting_reply:{{$json.context_id}} och Property Name till waiting_reply.
I Assemble Input Fields ställer ni in waiting_reply till {{ $json.waiting_reply }}, context_id till {{ $('Define Config Values').item.json.context_id }}, message till {{ $('Define Config Values').item.json.message }} och waitSeconds till {{ $('Compute Delay Seconds').item.json.waitSeconds }}.
Bekräfta att Queue Incoming Messages skickar utdata till Increment Buffer Counter, Store Last Seen Time och Fetch Waiting Flag parallellt.

Parallell exekvering säkerställer att meddelandelagring, räknande och flaggkontroller sker samtidigt för konsekvent buffring.

Steg 5: konfigurera vänteläge och inaktivitetskontroller

Dessa noder avgör om flödet ska vänta eller tömma bufferten baserat på inaktivitet eller batchstorlek.

I Check Waiting Flag behåller ni villkoret {{ $json.waiting_reply != null}} för att avgöra om en väntan redan pågår.
I Set Waiting Flag ställer ni in Key till waiting_reply:{{ $json.context_id }}, TTL till {{ $json.waitSeconds }} och Value till true.
I Delay by Seconds ställer ni in Amount till {{ $json.waitSeconds }}.
I Read Last Seen Time och Read Buffer Counter behåller ni Key-värdena kopplade till last_seen:{{$json.context_id}} och buffer_count:{{ $('Assemble Input Fields').item.json.context_id }}.
I Evaluate Inactivity Or Count behåller ni båda villkoren: {{$json.count != null && Number($json.count) >= 3}} och {{($now.toMillis() - $('Read Last Seen Time').item.json.last_seen) >= $('Assemble Input Fields').item.json.waitSeconds * 1000}}.
I Hold Until Next Check ställer ni in Amount till {{ Math.max(0, Math.ceil(( $('Assemble Input Fields').item.json.waitSeconds * 1000 - ($now.toMillis() - $('Read Last Seen Time').item.json.last_seen)) / 1000)) }} för att undvika negativa fördröjningar.

⚠️ Vanlig fallgrop: om Read Last Seen Time returnerar null kan inaktivitetskontrollen fallera. Säkerställ att Store Last Seen Time körs parallellt med meddelandebuffringen.

Steg 6: konsolidera och rensa bufferten

När inaktivitet eller batchtröskel uppnås konsolideras bufferten och Redis-nycklar rensas.

I Retrieve Message Buffer ställer ni in Key till buffer_in:{{ $('Compute Delay Seconds').item.json.context_id }} och Property Name till buffer.
Behåll koden i Consolidate Buffer Data intakt så att den parsar, avduplicerar och sammanfogar buffrade meddelanden.
I Map Final Payload mappar ni message till {{ $json.message }} och context_id till {{$('Compute Delay Seconds').item.json.context_id }}.
Bekräfta att Consolidate Buffer Data skickar utdata till Map Final Payload, Remove Buffer List, Clear Waiting Flag och Remove Buffer Counter parallellt.

Idle Placeholder A, Idle Placeholder B och Idle Placeholder C är no-op-noder för routning och kan behållas för tydlighet eller framtida utbyggnad.

Steg 7: testa och aktivera ert arbetsflöde

Verifiera buffertbeteendet end-to-end och aktivera sedan arbetsflödet för användning i produktion.

Klicka på Manual Run Start och skicka flera meddelanden via Incoming Chat Trigger för att simulera en batch.
Verifiera att Redis-nycklar skapas: buffer_in:*, buffer_count:* och last_seen:*, och att Evaluate Inactivity Or Count routar till Retrieve Message Buffer när tröskeln eller fördröjningen uppnås.
Bekräfta att den slutliga payloaden visas i Map Final Payload med ett konsoliderat message och context_id.
Aktivera arbetsflödet och använd Incoming Chat Trigger eller External Workflow Trigger för produktionstrafik.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Se upp för

Redis TTL-inställningar kan ställa till det om de är för korta. Om buffertar ”försvinner slumpmässigt”, kontrollera nycklarnas utgångstid och bekräfta att klocka/tidszon i din instans är rimlig.
Om du använder Wait-noder eller extern rendering varierar processtider. Öka väntetiden om noder längre ned i flödet fallerar på tomma svar.
Telegram-uppgifter och behörigheter kan vara kinkiga. Om svar slutar skickas, kontrollera bottoken igen, bekräfta att boten finns i chatten och titta på felinformationen i Telegram-noden i senaste körningen.

Vanliga frågor

Hur snabbt kan jag implementera den här Redis-batchningen för Telegram?

Cirka 30 minuter om Redis och din Telegram-bot är redo.

Kan icke-tekniska team implementera den här Redis-batchningen för Telegram?

Ja. Ingen kodning krävs utöver att klistra in den medföljande konsolideringssnutten, och det mesta av arbetet är bara att koppla Redis- och Telegram-uppgifter.

Är n8n gratis att använda för det här Redis Telegram-batchningsflödet?

Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in kostnad för Redis-hosting (ofta några dollar i månaden på en VPS).

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

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och klarar n8n bra. Självhosting ger obegränsade körningar men kräver grundläggande serveradministration.

Hur anpassar jag den här Redis-batchningen för Telegram till mina specifika utmaningar?

Det kan du. De flesta team börjar med att redigera noden ”Define Config Values” (minWords, waitShort, waitLong, batchThreshold) för att matcha hur deras kunder skriver. Om du vill ha annan formatering ändrar du join-separatorn i kodenoden ”Consolidate Buffer Data” (till exempel byt från mellanslag till radbrytningar). Du kan också filtrera bort systembrus genom att ignorera tomma texter eller kända bot-meddelanden innan den slutliga sammanslagningen.

Varför misslyckas min Telegram-anslutning i det här flödet?

Oftast beror det på en felaktig eller roterad bottoken. Uppdatera Telegram-uppgifterna i n8n och bekräfta sedan att boten faktiskt finns i chatten där du testar. Om det fortfarande misslyckas, kontrollera detaljerna för senaste körningen och Telegram-nodens felmeddelande, eftersom det ofta visar om det handlar om behörigheter, chat-ID som inte matchar eller rate limiting.

Vilken kapacitet har den här Redis-batchningen för Telegram?

Om du självhostar n8n finns ingen körningsgräns (det beror på din server). På n8n Cloud beror kapaciteten på din plans månadsvisa antal körningar. Rent praktiskt klarar Redis många korta chatt-skrivningar, och flödet är lättviktigt eftersom konsolideringen görs med inbyggd JavaScript i stället för externa AI-anrop.

Är den här Redis-batchningen för Telegram bättre än att använda Zapier eller Make?

Ofta, ja. Zapier och Make är bra för enkla ”meddelande in, åtgärd ut”-flöden, men det här use caset kräver state (buffert, last_seen, räknare) och logik som kontrollerar timing och förhindrar parallella svar. n8n plus Redis hanterar det snyggt, och du kan självhosta för obegränsade körningar när volymen växer. Om du redan har Redis i din stack är integrationen rak och billig att drifta. Om du är osäker på vad som passar ditt team bäst, prata med en automationsexpert så mappar vi det mot din faktiska meddelandevolym.

Strukturerade indata ger bättre support. Sätt upp detta en gång, så slutar dina Telegram-konversationer att kännas som ett rörligt mål.

The post Redis + Telegram: mer strukturerade chatt-svar first appeared on Node Nordic - AI Konsult för företag.

WhatsApp + Google Kalender: bokningar hanteras åt dig

Rickard Andersson — Thu, 22 Jan 2026 06:16:56 +0000

Din WhatsApp blir snabbt en bokningsinkorg. Folk frågar efter tider, ångrar sig, skickar ett röstmeddelande och följer sedan upp med ”någon uppdatering?”. Under tiden tappar din kalender synk.

Salongsägare märker det när receptionen går på knäna. Klinikchefer ser det när antalet uteblivna besök ökar. Och en konsult som jobbar solo tappar bara kvällar på administration. Den här WhatsApp-bokningsautomationen gör chattar till riktiga Google Calendar-bokningar, utan att du behöver passa varje meddelande.

Nedan ser du hur flödet styr meddelanden, kontrollerar tillgänglighet, bekräftar tiden och till och med skickar påminnelser. Målet är enkelt: färre luckor, färre krockar och mycket mindre fram och tillbaka.

Så fungerar automatiseringen

Hela n8n-workflowen, från trigger till slutresultat:

n8n Workflow Template: WhatsApp + Google Kalender: bokningar hanteras åt dig

Click to explore

flowchart LR

    subgraph sg0["WhatsApp Flow"]
        direction LR
        n0["

WhatsApp Trigger"]
        n1["

Not supported"]
        n2@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Input type", pos: "b", h: 48 }
        n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Initial Data", pos: "b", h: 48 }
        n4["

Set Processing Lock"]
        n5@{ icon: "mdi:cog", form: "rounded", label: "Wait", pos: "b", h: 48 }
        n6["

Get Current Processing Lock"]
        n7@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Am I the Processor?", pos: "b", h: 48 }
        n8["

Pop All Batched Messages"]
        n9["

Delete Message List"]
        n10["

Delete Processing Lock"]
        n11["

Push"]
        n12@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is User Text Message?", pos: "b", h: 48 }
        n13@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is Audio Message?", pos: "b", h: 48 }
        n14["

Combine Messages"]
        n15["

Rate Limiter"]
        n16["

Check Limit"]
        n17@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Rate Limited", pos: "b", h: 48 }
        n18["

Redis Hourly"]
        n19["

Increment Counter Hourly"]
        n20@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Send Mesage?", pos: "b", h: 48 }
        n21@{ icon: "mdi:message-outline", form: "rounded", label: "Send Rate Limit Email", pos: "b", h: 48 }
        n22["

Send User Message"]
        n23["

Send Owner Message"]
        n24@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is Owner?", pos: "b", h: 48 }
        n25@{ icon: "mdi:cog", form: "rounded", label: "Execute Airtable Agent", pos: "b", h: 48 }
        n26["

Download Image"]
        n27@{ icon: "mdi:robot", form: "rounded", label: "Analyze Image", pos: "b", h: 48 }
        n28["

Download Audio"]
        n29@{ icon: "mdi:robot", form: "rounded", label: "Transcribe Audio", pos: "b", h: 48 }
        n30["

Download File"]
        n31@{ icon: "mdi:cog", form: "rounded", label: "Extract from File", pos: "b", h: 48 }
        n32["

Get File Url"]
        n33@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Only PDF File", pos: "b", h: 48 }
        n34["

Incorrect format"]
        n35@{ icon: "mdi:swap-vertical", form: "rounded", label: "Text", pos: "b", h: 48 }
        n36@{ icon: "mdi:swap-vertical", form: "rounded", label: "Audio", pos: "b", h: 48 }
        n37@{ icon: "mdi:swap-vertical", form: "rounded", label: "File", pos: "b", h: 48 }
        n38["

Get Image Url"]
        n39["

Get Audio Url"]
        n40@{ icon: "mdi:wrench", form: "rounded", label: "cancel_agent", pos: "b", h: 48 }
        n41@{ icon: "mdi:swap-vertical", form: "rounded", label: "Image", pos: "b", h: 48 }
        n42["

Send Message"]
        n43["

Limit Reached?"]
        n44@{ icon: "mdi:location-exit", form: "rounded", label: "Get many events", pos: "b", h: 48 }
        n45@{ icon: "mdi:robot", form: "rounded", label: "Booking Agent", pos: "b", h: 48 }
        n46@{ icon: "mdi:memory", form: "rounded", label: "Redis Chat Memory", pos: "b", h: 48 }
        n47@{ icon: "mdi:cog", form: "rounded", label: "send_acknowledgement", pos: "b", h: 48 }
        n48@{ icon: "mdi:wrench", form: "rounded", label: "nail-salon-booking-mcp", pos: "b", h: 48 }
        n54@{ icon: "mdi:brain", form: "rounded", label: "gpt-5-mini", pos: "b", h: 48 }
        n55@{ icon: "mdi:brain", form: "rounded", label: "gemini-2.5-flash", pos: "b", h: 48 }
        n37 --> n45
        n11 --> n4
        n35 --> n45
        n5 --> n6
        n36 --> n45
        n41 --> n45
        n24 --> n25
        n24 --> n3
        n2 --> n35
        n2 --> n39
        n2 --> n38
        n2 --> n33
        n2 --> n1
        n54 -.-> n45
        n54 -.-> n40
        n16 --> n17
        n32 --> n30
        n15 --> n18
        n18 --> n19
        n20 --> n22
        n40 -.-> n45
        n27 --> n41
        n45 --> n42
        n30 --> n31
        n39 --> n28
        n38 --> n26
        n33 --> n32
        n33 --> n34
        n28 --> n29
        n26 --> n27
        n43 --> n2
        n44 --> n43
        n14 --> n44
        n3 --> n13
        n29 --> n36
        n0 --> n24
        n55 -.-> n45
        n31 --> n37
        n13 --> n14
        n13 --> n12
        n46 -.-> n45
        n46 -.-> n40
        n22 --> n23
        n17 --> n20
        n17 --> n11
        n23 --> n21
        n7 --> n8
        n9 --> n10
        n4 --> n5
        n47 -.-> n45
        n12 --> n15
        n10 --> n14
        n48 -.-> n40
        n48 -.-> n45
        n19 --> n16
        n8 --> n9
        n6 --> n7
    end

    subgraph sg1["Schedule Flow"]
        direction LR
        n49@{ icon: "mdi:play-circle", form: "rounded", label: "Schedule Trigger", pos: "b", h: 48 }
        n50["

Calculate Tomorrow"]
        n51@{ icon: "mdi:location-exit", form: "rounded", label: "Get Schedule Events", pos: "b", h: 48 }
        n52["

Format Reminder Data"]
        n53["

Send Client Reminder"]
        n49 --> n50
        n50 --> n51
        n51 --> n52
        n52 --> n53
    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,n49 trigger
    class n27,n29,n45 ai
    class n54,n55 aiModel
    class n40,n48 ai
    class n46 ai
    class n2,n7,n12,n13,n17,n20,n24,n33 decision
    class n4,n6,n8,n9,n10,n11,n18,n19 database
    class n26,n28,n30 api
    class n14,n15,n16,n43,n50,n52 code
    classDef customIcon fill:none,stroke:none
    class n0,n1,n4,n6,n8,n9,n10,n11,n14,n15,n16,n18,n19,n22,n23,n26,n28,n30,n32,n34,n38,n39,n42,n43,n50,n52,n53 customIcon

Problemet: WhatsApp-bokningar skapar fel i kalendern

Att boka via chatt låter ”enkelt” tills det blir konstant kontextväxling. En kund frågar om torsdag, du kollar Google Calendar, du svarar, och sedan kommer ett nytt meddelande med en annan tjänstelängd. Nu scrollar du igen. Lägg till röstmeddelanden, skärmdumpar och ”kan jag boka åt min vän?”-förfrågningar så blir det en liten supportdesk som aldrig stänger. Det värsta är den smygande skadan: dubbelbokningar, missade tider du hade kunnat fylla och den där gnagande känslan av att du alltid ligger ett meddelande efter.

Det eskalerar snabbt. Här brukar det brista.

Du kollar tillgänglighet manuellt dussintals gånger per dag, trots att kalendern redan har svaret.
Folk skickar ljud och PDF:er, vilket gör att du måste tolka information innan du ens kan svara.
Ett missat ”bekräfta”-meddelande kan slösa bort en attraktiv tid, särskilt för tjänster med hög efterfrågan.
När volymen ökar svarar du antingen långsamt eller så skyndar du dig och gör fel.

Lösningen: WhatsApp-konversationer som skapar riktiga kalenderbokningar

Den här n8n-workflowen gör inkommande WhatsApp-meddelanden till en styrd bokningsdialog som slutar med en bekräftad Google Calendar-händelse. Den startar i samma ögonblick som en kund skriver till ditt WhatsApp Business-nummer och routar sedan input baserat på vad de skickade (text, röst, bild eller PDF). Skickar de ljud transkriberar flödet det. Skickar de en bild eller ett dokument med pris eller detaljer kan flödet extrahera texten så att ”bokningsintentionen” ändå fångas. Därefter kontrollerar en AI-bokningsagent tillgänglighet i Google Calendar, stämmer av tjänst och duration och föreslår alternativ som kunden faktiskt kan välja mellan. När kunden har bekräftat skickar flödet bokningssvaret tillbaka i WhatsApp och sparar kontext i Redis så att du inte behöver börja om varje gång.

Flödet körs också schemalagt för att skicka påminnelser dagen innan, vilket ger färre ”jag glömde”-meddelanden och färre tomma stolar. Och om någon spammar ditt nummer aktiveras rate limiting (standard är 100 meddelanden per timme), så att systemet förblir användbart under toppar.

Det här får du: automation jämfört med resultat

Det här automatiserar workflowen

Resultatet du får

Routar WhatsApp-meddelanden efter typ (text, röst, bild, PDF) och extraherar användbara bokningsdetaljer.
Kontrollerar Google Calendar-händelser innan tider föreslås, så att förslag bygger på verklig tillgänglighet.
Behåller konversationsminne i Redis, vilket gör uppföljningar konsekventa.
Skickar schemalagda påminnelser dagen innan automatiskt kl. 20.00.

Spara cirka 5 timmar i veckan på kalenderkoll och repetitiva svar för ett typiskt litet team.
Betydligt färre oavsiktliga överlappningar eftersom tillgänglighet verifieras innan bekräftelse.
Snabbare svar även när meddelanden kommer i kluster, eftersom kvittenser skickas ut medan systemet bearbetar.
Mer strukturerad drift när kunder skriver i olika format (röstmeddelanden och skärmdumpar slutar vara ”manuellt arbete”).
Fler fyllda tider tack vare påminnelser som minskar spontana uteblivanden.

Exempel: så kan det se ut

Säg att ditt företag bokar 10 tider per dag via WhatsApp. Manuellt kan du lägga cirka 6 minuter per bokning på att kontrollera Google Calendar, bekräfta tjänstens längd och skicka slutliga detaljer, alltså ungefär en timme per dag. Med den här workflowen låter du i princip bara den rulla: kunden skriver, boten bekräftar tillgänglighet och du kliver in bara vid specialfall, kanske 10 minuter totalt. Det är cirka 4 timmar tillbaka varje vecka, utan att ändra hur dina kunder redan föredrar att boka.

Det här behöver du

n8n-instans (testa n8n Cloud gratis)
Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
WhatsApp Business API för att ta emot och skicka bokningsmeddelanden.
Google Calendar för tillgänglighetskontroller och skapande av händelser.
Redis för rate limiting, lås och chattminne.
OpenAI API-nyckel (skapa den i din OpenAI-dashboard).

Kunskapsnivå: Mellan. Du kopplar konton, lägger in autentiseringsuppgifter och gör några praktiska justeringar för att matcha dina tjänster och bokningsregler.

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

Så fungerar det

En kund skriver till ditt WhatsApp-nummer. Workflowen triggar på inkommande WhatsApp-meddelanden och kontrollerar snabbt om avsändaren är ägare/admin eller kund, eftersom flödena beter sig olika.

Meddelandet normaliseras till ”bokningsklart” textunderlag. Text går igenom direkt. Ljud hämtas och transkriberas (Whisper-liknande transkribering via en AI-modell). Bilder kan analyseras och PDF:er valideras och text-extraheras så att bokningsagenten kan förstå vad som skickats.

Tillgänglighet och regler tillämpas innan någon lovar en tid. Workflowen slår ihop meddelanden, kontrollerar rate limits och hämtar relevanta Google Calendar-händelser. Sedan hanterar bokningsagenten dialogen: matchning av tjänst, duration, föreslagna tider och bekräftelser. Den stödjer också förfrågningar som att boka åt en vän, vilket ärligt talat ofta skapar förvirring när man gör det manuellt.

Svar, bekräftelser och påminnelser skickas automatiskt. Kunden får ett WhatsApp-svar (med smarta ”en stund…”-kvittenser medan flödet bearbetar), och du kan även notifiera ägaren. Separat kör en schemalagd trigger dagligen för att skicka påminnelser dagen innan kl. 20.00 baserat på kommande kalenderhändelser.

Du kan enkelt ändra tidpunkten för påminnelser så att den matchar dina öppettider efter behov. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera WhatsApp-triggern

Starta arbetsflödet genom att aktivera inkommande WhatsApp-meddelanden så att de går in i automatiseringen.

Lägg till och öppna WhatsApp Entry Trigger för att ta emot inkommande meddelanden.
Credential Required: Anslut era WhatsApp-inloggningsuppgifter i WhatsApp Entry Trigger.
Bekräfta att webhooken är registrerad så att inkommande WhatsApp-händelser når n8n.

Tips: Testa webhooken med ett enkelt WhatsApp-meddelande innan ni konfigurerar resten av arbetsflödet.

Steg 2: konfigurera ägarskap och initiering av payload

Det här steget routar ägarens meddelanden till ett delarbetsflöde och initierar inkommande payloads för bearbetning.

Öppna Is Sender Owner? och definiera villkoret som identifierar ägaren.
I ägargrenen, öppna Run Sub-Workflow (Configure Required) och välj mål-workflow som ska köras.
I icke-ägargrenen, öppna Initialize Payload och mappa de inkommande WhatsApp-fälten som ni vill behålla.
Säkerställ att Initialize Payload skickar vidare till Is Audio Input? som visas i körflödet.

⚠️ Vanlig fallgrop: Run Sub-Workflow (Configure Required) måste referera till ett befintligt workflow. Om det lämnas tomt kommer ägargrenen att misslyckas utan att ge någon tydlig indikation.

Steg 3: bygg input-routing och mediabearbetning

Routa meddelanden efter typ och bearbeta ljud, bilder och filer innan ni lämnar över till AI-agenten.

Öppna Is Audio Input? och Is Text Message? för att säkerställa att kontrollerna av meddelandetyp är korrekta för er WhatsApp-payload.
Konfigurera Route by Input Kind så att text skickas till Assign Text Data, ljud till Retrieve Audio Link, bilder till Retrieve Image Link och filer till Validate PDF Only.
Konfigurera noderna för mediahämtning (Retrieve Audio Link, Retrieve Image Link, Retrieve File Link) med WhatsApp-inloggningsuppgifter.
Credential Required: Anslut era WhatsApp-inloggningsuppgifter till alla WhatsApp-noder (9+ noder hanterar inkommande länkar, svar och utgående meddelanden).
Anslut Fetch Audio File, Fetch Image File och Fetch Document File för att hämta binära filer via HTTP.
Öppna Transcribe Recording och Analyze Picture för att förbereda OpenAI-bearbetning för ljud och bilder.
Credential Required: Anslut era OpenAI-inloggningsuppgifter i Transcribe Recording och Analyze Picture.
Använd Extract File Text för att tolka PDF:er efter Fetch Document File och skicka sedan vidare till Assign File Data.

⚠️ Vanlig fallgrop: Om Validate PDF Only är för strikt kommer användare som skickar dokument som inte är PDF alltid att routas till Notify Invalid Format.

Steg 4: konfigurera rate limiting och batchning av meddelanden

Styr genomströmningen med Redis-lås, batchning och timräknare innan meddelanden når agenten.

Öppna Rate Limit Logic och Evaluate Limit för att validera tröskelvärdena som används för begränsning.
Säkerställ att Hourly Redis Counter → Increment Hourly Count → Evaluate Limit är kopplat som visas i körflödet.
Anslut Redis-inloggningsuppgifter till alla Redis-noder (Append to Queue, Apply Processing Lock, Retrieve Current Lock, Pop Batched Messages, Remove Message List, Clear Processing Lock, Hourly Redis Counter, Increment Hourly Count).
Credential Required: Anslut era Redis-inloggningsuppgifter till alla Redis-noder (8 noder hanterar köläggning, lås och räknare).
Bekräfta batchningsflödet: Append to Queue → Apply Processing Lock → Pause Execution → Retrieve Current Lock → Check Processor Role → Pop Batched Messages → Remove Message List → Clear Processing Lock → Merge Message Batch.
Verifiera att Merge Message Batch skickar vidare till Retrieve Calendar Events som nästa steg i pipelinen.

Tips: Om meddelanden verkar fastna, granska Apply Processing Lock och Clear Processing Lock för att säkerställa att lås släpps.

Steg 5: anslut kalender och påminnelseautomatisering

Hämta kalenderhändelser, kontrollera begränsningar och förbered påminnelsemeddelanden till kunder.

Credential Required: Anslut era Google Calendar-inloggningsuppgifter i Retrieve Calendar Events och Fetch Schedule Events.
Bekräfta sekvensen Merge Message Batch → Retrieve Calendar Events → Limit Threshold Check → Route by Input Kind.
Öppna Scheduled Automation Trigger för att definiera när dagliga påminnelser ska köras.
Validera påminnelseflödet: Scheduled Automation Trigger → Compute Next Day → Fetch Schedule Events → Format Reminder Payload → Dispatch Client Reminder.

Steg 6: konfigurera Booking Assistant Agent och AI-verktyg

Konfigurera AI-agenten, dess språkmodeller, minneslagring och verktyg för WhatsApp-svar och bokningsåtgärder.

Öppna Booking Assistant Agent och bekräfta att den tar emot input från Assign Text Data, Assign Audio Data, Assign Image Data och Assign File Data.
Koppla OpenAI Chat Model och Gemini Chat Model som språkmodeller för Booking Assistant Agent.
Credential Required: Anslut era OpenAI-inloggningsuppgifter i OpenAI Chat Model och Google Gemini-inloggningsuppgifter i Gemini Chat Model.
Anslut minne och verktyg till Booking Assistant Agent: Redis Chat Memory Store, Send Acknowledgement, Booking MCP Tool och Cancel Agent Tool.
Credential Required: Lägg till inloggningsuppgifter i de överordnade verktygs-/tjänstenoder som används av Booking Assistant Agent (WhatsApp för Send Acknowledgement, Redis för Redis Chat Memory Store och MCP-inloggningsuppgifter för Booking MCP Tool).

Tips: AI-undernoderna (Redis Chat Memory Store, Send Acknowledgement, Booking MCP Tool, Cancel Agent Tool) ärver inloggningsuppgifter från de tjänster de är kopplade till. Lägg till inloggningsuppgifter på de överordnade tjänsterna, inte på undernoderna.

Steg 7: konfigurera utgående meddelanden och notifieringar

Leverera svar till kunder och ägare, och notifiera via e-post om rate limits uppnås.

Säkerställ att Booking Assistant Agent skickar vidare till Send WhatsApp Output för kundsvar.
Bekräfta rate limit-grenen: Is Rate Limited? → Send Message? → Send Client WhatsApp → Notify Owner WhatsApp → Dispatch Rate Limit Email.
Credential Required: Anslut era WhatsApp-inloggningsuppgifter till Send WhatsApp Output, Send Client WhatsApp, Notify Owner WhatsApp, Dispatch Client Reminder, Unsupported Input Reply och Notify Invalid Format.
Credential Required: Anslut era Gmail-inloggningsuppgifter i Dispatch Rate Limit Email.

Steg 8: testa och aktivera ert arbetsflöde

Verifiera hela automationskedjan från start till mål innan ni aktiverar den för produktion.

Klicka på Execute Workflow och skicka ett WhatsApp-meddelande med text, ljud, bild och PDF för att validera varje gren.
Bekräfta att lyckade körningar ger output i Send WhatsApp Output och Dispatch Client Reminder utan fel.
Testa rate limiting genom att skicka flera meddelanden snabbt och verifiera att Dispatch Rate Limit Email triggas när gränserna nås.
När allt är bekräftat, slå på arbetsflödet till Active för produktionsanvändning.

🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

Google Calendar-inloggningar kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera Google-anslutningen i n8n Credentials och bekräfta först att kalender-scope fortfarande är auktoriserat.
Om du använder Wait-noder eller extern bearbetning (som transkribering eller bildanalys) varierar bearbetningstiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
Standardprompter i AI-noder är generiska. Lägg in ert tonläge tidigt, annars kommer du att redigera utdata för alltid.

Vanliga frågor

Hur lång tid tar det att sätta upp den här WhatsApp-bokningsautomationen?

Cirka 60–90 minuter om din WhatsApp Business API och åtkomst till Google Calendar redan är på plats.

Behöver jag kunna koda för att automatisera WhatsApp-bokningar?

Nej. Du kommer mest att koppla konton och klistra in några autentiseringsuppgifter. ”Jobbet” är att testa riktiga meddelanden så att bokningsreglerna matchar hur din verksamhet faktiskt bokar.

Är n8n gratis att använda för den här WhatsApp-bokningsautomations-workflowen?

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 med kostnader för OpenAI API, som vanligtvis landar på några dollar i månaden för små team (mer om du bearbetar många röstmeddelanden och bilder).

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

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

Kan jag anpassa den här WhatsApp-bokningsautomations-workflowen för flera medarbetares kalendrar?

Ja, men planera först. Du kan byta kalenderuppslaget så att det kontrollerar flera Google-kalendrar och sedan justera tillgänglighetslogiken innan bokningsassistent-agenten föreslår tider. Vanliga anpassningar är olika tjänstelängder per medarbetare, bufferttid mellan bokningar och att begränsa vissa tjänster till specifika dagar.

Varför fallerar min WhatsApp-anslutning i den här workflowen?

Oftast handlar det om en utgången eller felaktigt scope:ad WhatsApp Business API-token, eller att webhooken/triggern inte pekar på rätt n8n-URL. Kontrollera WhatsApp Business API-inställningarna först och bekräfta sedan att dina n8n-uppgifter för WhatsApp fortfarande är giltiga. Om problemen bara uppstår under rusningstid kan du också slå i leverantörens rate limits, vilket visar sig som intermittenta fel när meddelanden ska skickas.

Hur många meddelanden kan den här WhatsApp-bokningsautomationen hantera?

Om du kör egen drift finns inget tak för antalet körningar (det beror främst på din server). På n8n Cloud beror gränsen på din plan, och de flesta småföretag klarar sig på Starter om volymen inte är hög. Den här workflowen har också en standard rate limit på 100 meddelanden per timme för att förhindra att spam tar resurser.

Är den här WhatsApp-bokningsautomationen bättre än att använda Zapier eller Make?

För just det här användningsfallet är n8n oftast ett bättre val eftersom du behöver förgrenad logik, meddelandeköer och minne för att hålla dialogen sammanhängande. Zapier och Make kan flytta data mellan WhatsApp-liknande kanaler och kalendrar, men flöden i flera steg med mycket dialog blir snabbt röriga, och du märker begränsningarna när du lägger till röstmeddelanden, PDF:er eller rate limiting. n8n ger dig också möjlighet till egen drift, vilket kan spela roll om meddelandevolymen växer. Om du bara vill ha en enkel koppling ”nytt meddelande → skapa händelse” kan de enklare verktygen räcka. Prata med en automationsexpert om du vill ha en snabb rekommendation baserat på din volym och dina bokningsregler.

När detta väl är igång slutar din kalender att vara beroende av hur snabbt du svarar. Workflowen tar hand om det repetitiva bokningssnacket så att du kan fokusera på själva besöken.

The post WhatsApp + Google Kalender: bokningar hanteras åt dig first appeared on Node Nordic - AI Konsult för företag.

Redis – Node Nordic – AI Konsult för företag

Tavily + Google Sheets: researchrapporter, klara snabbt

Så fungerar den här automationen

n8n Workflow Template: Tavily + Google Sheets: researchrapporter, klara snabbt

Problemet: research sprids över verktyg (och det gör även din tid)

Lösningen: Tavily research + AI-skrivande, lagrat strukturerat i Sheets

Vad du får: automation vs. resultat

Exempel: så här ser det ut

Det du behöver

Så fungerar det

Steg-för-steg-guide för implementering

Steg 1: Konfigurera formulärtriggern

Steg 2: Anslut Google Sheets

Steg 3: Konfigurera AI för ämnesplanering och utkast till introduktion

Steg 4: Konfigurera ämnesdistribution och batchning

Steg 5: Konfigurera källhämtning och analys

Steg 6: Konfigurera extern sökning och utkast för avsnitt

Steg 7: Aggregera utkast och bygg innehållsplanen

Steg 8: Testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar

Relaterade arbetsflöden

Vanliga frågor

WhatsApp + Google Sheets: snabba svar till hotellgäster

Så fungerar automatiseringen

n8n Workflow Template: WhatsApp + Google Sheets: snabba svar till hotellgäster

Varför det här spelar roll: repetitiva gästfrågor äter upp din dag

Det du bygger: en AI-receptionist i WhatsApp som hämtar riktig data

Det du bygger

Förväntade resultat

Innan du börjar

Steg för steg

Steg-för-steg-guide för implementation

Steg 1: Konfigurera WhatsApp-triggern

Steg 2: Anslut Redis för användarstatus

Steg 3: Sätt upp AI-mottagningsagenten och modellrouting

Steg 4: Konfigurera dataverktyg för agenten

Steg 5: Konfigurera WhatsApp-svar som utdata

Steg 6: Testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Tips för felsökning

Nästa steg

Snabba svar

Telegram + Yahoo Finance: snabba aktiesvar i chatten

Så här fungerar automatiseringen

n8n Workflow Template: Telegram + Yahoo Finance: snabba aktiesvar i chatten

Problemet: aktiefrågor skapar snabba, offentliga misstag

Lösningen: Telegram-till-Yahoo Finance-svar, automatiskt

Det här får du: automatisering vs. resultat

Exempel: så här ser det ut

Det du behöver

Så fungerar det

Steg-för-steg-guide för implementering

Steg 1: Konfigurera Telegram-triggern

Steg 2: Anslut datakällorna för webbsökning och ticker-uppslag

Steg 3: Sätt upp AI-lagret för extrahering

Steg 4: Konfigurera Market Analysis Agent och verktyg

Steg 5: Konfigurera Telegram-output

Steg 6: Testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar

Relaterade flöden

Vanliga frågor

Google Sheets + Jigsaw: sorterade planritningar

Så fungerar automatiseringen

n8n Workflow Template: Google Sheets + Jigsaw: sorterade planritningar

Problemet: planritningar kommer in rörigt, och det bromsar allt

Lösningen: validera planritningar automatiskt och extrahera mått till Google Sheets

Vad du får: automatisering vs. resultat

Exempel: så här kan det se ut

Det här behöver du

Så fungerar det

Steg-för-steg-guide för implementering

Steg 1: Konfigurera webhook-triggern

Steg 2: Koppla filinläsning och kategoriroutning

Steg 3: Sätt upp PDF-extraktion och kvalitetsheuristik

Steg 4: Konfigurera klassificering och svar

Steg 5: Testa och aktivera ert arbetsflöde

Lås upp fullständig steg-för-steg-guide

Vanliga fallgropar