Steg 2: anslut MCP-verktygen och inparametrarna

Det här steget ansluter Bright Data MCP-verktygen och definierar sök-inmatningen och webhook-URL:en som används genom hela arbetsflödet.

1. Öppna Retrieve Bright Data Tools och välj rätt MCP-credentials. Credential Required: Anslut era mcpClientApi-credentials.
2. I Define Input Parameters, ställ in webhook_notification_url till https://webhook.site/[YOUR_ID].
3. I Define Input Parameters, ställ in search till dnb starbucks url (eller er målfråga).
4. Koppla Retrieve Bright Data Tools till Define Input Parameters för att behålla flödesordningen.

Steg 3: konfigurera pipeline för sökning och URL-extraktion

Dessa noder hämtar sökresultat, extraherar DNB-URL:er med en LLM och förbereder ett strukturerat utdata-schema.

1. Öppna Search Engine MCP Call och ställ in Tool Name till search_engine och Operation till executeTool.
2. Ställ in Tool Parameters till ={ "query": "{{ $json.search }}", "engine": "google" } i Search Engine MCP Call. Credential Required: Anslut era mcpClientApi-credentials.
3. I Extract DNB URLs via LLM, ställ in Text till =Extract the URLs for DNB {{ $json.result.content[0].text }} och behåll Prompt Type som define.
4. Öppna URL Output Schema Parser och ställ in JSON Schema Example till { "url": "url" }. Den här parsern är kopplad till Extract DNB URLs via LLM.
5. Säkerställ att OpenAI URL Chat Model är ansluten som språkmodell för Extract DNB URLs via LLM. Credential Required: Anslut era openAiApi-credentials.

Steg 4: skrapa DNB-innehåll och tolka företagsprofilen

Det här avsnittet skrapar DNB-sidan och extraherar en strukturerad företagsprofil med hjälp av LLM:en och en JSON-schema-parser.

1. Konfigurera DNB Page Scrape MCP med Tool Name inställt på scrape_as_markdown och Operation inställt på executeTool.
2. Ställ in Tool Parameters i DNB Page Scrape MCP till ={ "url": "{{ $json.output.url }}" } . Credential Required: Anslut era mcpClientApi-credentials.
3. I LLM Company Profile Parse, ställ in Text till =Extract the Company Profile from {{ $json.result.content[0].text }} Output in a highly structured JSON format. och behåll Prompt Type som define.
4. I Profile Schema Parser, behåll Schema Type som manual och klistra in hela JSON-schemat från arbetsflödet i Input Schema.
5. Säkerställ att OpenAI Profile Chat Model är ansluten som språkmodell för LLM Company Profile Parse. Credential Required: Anslut era openAiApi-credentials.

Steg 5: konfigurera utdatadestinationer och parallell körning

Efter tolkning av profilen förgrenas arbetsflödet för att spara en fil och notifiera en webhook samtidigt.

1. Bekräfta att LLM Company Profile Parse skickar utdata till både Build Binary Payload och Send Webhook Notification parallellt.
2. I Build Binary Payload, behåll Function Code som items[0].binary = { data: { data: new Buffer(JSON.stringify(items[0].json, null, 2)).toString('base64') } }; return items;.
3. I Save Structured File, ställ in Operation till write och File Name till =d:\DNB_Info.json.
4. I Send Webhook Notification, ställ in URL till ={{ $('Define Input Parameters').item.json.webhook_notification_url }} och aktivera Send Body.
5. I Send Webhook Notification, ställ in body-parametern dnb_company_info till ={{ $json.output }}.

Steg 6: testa och aktivera ert arbetsflöde

Kör arbetsflödet end-to-end för att validera sökresultat, skrapning, LLM-tolkning och leverans av utdata.

1. Klicka på Execute Workflow på Manual Launch Trigger för att köra flödet.
2. Bekräfta att Search Engine MCP Call returnerar resultat och att Extract DNB URLs via LLM producerar en strukturerad URL.
3. Verifiera att DNB Page Scrape MCP returnerar markdown-innehåll och att LLM Company Profile Parse matar ut strukturerad JSON.
4. Kontrollera att Save Structured File skriver d:\DNB_Info.json och att Send Webhook Notification tar emot payloaden.
5. När allt ser korrekt ut, växla arbetsflödet till Active för produktionsanvändning.