Steg 2: Anslut bildkällistan

Läs in och dela upp listan med bild-URL:er för rapportsidor för bearbetning.

1. I Load Report Image List, behåll Mode inställt på raw och jsonOutput inställt på det angivna uttrycket för URL-arrayen.
2. Ställ in Separate URL Items med fieldToSplitOut som url.
3. Ställ in Batch Five Items med batchSize till 5.
4. Lämna Page Reference Hold som en pass-through-nod för att bevara sidans URL för senare mappning.

Steg 3: Skapa bild-embeddings och upserta till Qdrant

Det här steget hämtar varje bild, kodar den, skapar embeddings och upsertar sedan vektorer till Qdrant i batchar.

1. I Fetch Page Image, ställ in URL till ={{ $json.url }}.
2. Ställ in Encode Image Base64 med operation som binaryToPropery.
3. I Cohere Image Embedding, ställ in URL till https://api.cohere.com/v2/embed och behåll JSON-body som refererar till {{ $json.data }}.
4. Inloggningsuppgifter krävs: Anslut era cohereApi-inloggningsuppgifter i Cohere Image Embedding.
5. I Assemble Vector Points, mappa fält med ={{ $json.id }}, ={{ $('Page Reference Hold').item.json.url }} och ={{ $json.embeddings.float[0] }}.
6. Ställ in Collect Point Batch till aggregate = aggregateAllItemData och destinationFieldName = points.
7. I Upsert Vector Points, behåll operation som upsertPoints och points-uttrycket för vektors serialisering.
8. Inloggningsuppgifter krävs: Anslut era qdrantRestApi-inloggningsuppgifter i Upsert Vector Points.

Steg 4: Konfigurera chatt-triggern och agenten

Sätt upp chattens ingångspunkt och agenten som avgör när rapportfrågeverktyget ska användas.

1. I Chat Intake Trigger, ställ in public till true så att den kan ta emot chattmeddelanden.
2. I Conversational Agent, behåll systemMessage som You are a helpful assistant. och ha returnIntermediateSteps aktiverat.
3. Anslut Command-R Chat Model som språkmodell för Conversational Agent och ställ in model till command-r.
4. Inloggningsuppgifter krävs: Anslut era cohereApi-inloggningsuppgifter i Command-R Chat Model.
5. Anslut Report Query Tool som verktyg för Conversational Agent och behåll inputSchema och description intakta.

Steg 5: Rutta verktygsanrop och sök i vektordatabasen

När agenten begär en dokumentsökning extraherar arbetsflödet frågan, meddelar användaren och hämtar relevanta bilder.

1. I Tool Call Check, behåll villkoret som kontrollerar ={{ $json.intermediateSteps.find(step => step.action.tool === "Report_Query_Tool") }}.
2. I Extract Tool Query, mappa tool och query med ={{ $json.intermediateSteps[0].action.tool }} och ={{ $json.intermediateSteps[0].action.toolInput.query }}.
3. I Send Wait Notice, ställ in message till Please wait while I search the document... och behåll waitUserReply som false.
4. I Retrieve Relevant Images, ställ in mode till load och prompt till ={{ $json.query }}.
5. Inloggningsuppgifter krävs: Anslut era qdrantApi-inloggningsuppgifter i Retrieve Relevant Images.
6. Anslut Embedding Generator som embedding-modell för Retrieve Relevant Images och behåll modelName inställt på =embed-v4.0.
7. Inloggningsuppgifter krävs: Anslut era cohereApi-inloggningsuppgifter i Embedding Generator.
8. Använd Collect Search Results för att aggregera resultat med aggregate inställt på aggregateAllItemData.

Steg 6: Generera vision-svar och svara

Skicka bildreferenserna till vision-modellen och svara tillbaka i chatten med källhänvisningar.

1. I Vision Model Request, ställ in URL till https://api.cohere.com/v2/chat och behåll JSON-body som inkluderar command-a-vision-07-2025 och bild-URL:er.
2. Inloggningsuppgifter krävs: Anslut era cohereApi-inloggningsuppgifter i Vision Model Request.
3. I Send Vision Reply, ställ in message till det angivna uttrycket som använder {{ $json.message.content[0].text }} och bygger källtabellen från Collect Search Results.
4. Anslut Conversation Memory till Send Vision Reply via AI-minneskopplingen och behåll sessionKey som ={{ $('Chat Intake Trigger').item.json.sessionId }}.
5. I grenen utan verktyg, konfigurera Send Standard Reply att använda ={{ $json.output }} och koppla Alt Conversation Memory med samma sessionKey-uttryck.

Steg 7: Testa och aktivera ert arbetsflöde

Kör indexeringen först och validera sedan chattupplevelsen end-to-end.

1. Klicka på Execute Workflow på Manual Launch Trigger för att indexera alla rapportbilder i Qdrant.
2. Verifiera att körningen lyckas genom att kontrollera att Upsert Vector Points slutförs utan fel och att batcharna loopar igenom alla URL:er.
3. Öppna test-URL:en för Chat Intake Trigger och ställ en fråga om rapporten för att trigga Conversational Agent.
4. Bekräfta att verktygsanrop följer vägen Tool Call Check → Extract Tool Query → Send Wait Notice → Retrieve Relevant Images → Vision Model Request → Send Vision Reply.
5. När ni är nöjda, växla arbetsflödet till Active för produktionsanvändning.