Steg 2: anslut Bright Data API och polla efter resultat

Trigga Bright Data-datasetjobbet och polla sedan tills snapshoten är klar.

1. I Trigger Bright Data Job ställer ni in URL till https://api.brightdata.com/datasets/v3/trigger och Method till POST.
2. I Trigger Bright Data Job → Body Parameters ställer ni in keyword till ={{ $json["Keyword"] }}.
3. I Trigger Bright Data Job → Query Parameters ställer ni in dataset_id till [YOUR_ID], type till discover_new, discover_by till keyword och include_errors till true.
4. Lägg in er Bright Data-token i headers för Trigger Bright Data Job och Check Snapshot Status: Authorization = Bearer [CONFIGURE_YOUR_TOKEN].
5. Konfigurera Polling Delay med Amount satt till 15 och koppla Trigger Bright Data Job → Polling Delay → Check Snapshot Status.
6. I Check Snapshot Status ställer ni in URL till =https://api.brightdata.com/datasets/v3/progress/{{ $('Trigger Bright Data Job').item.json.snapshot_id }}.
7. I Snapshot Ready Branch ställer ni in villkoret Left Value till ={{ $json.status }} och Right Value till running. Koppla true-grenen tillbaka till Polling Delay och false-grenen till Fetch Snapshot Data.
8. I Fetch Snapshot Data ställer ni in URL till =https://api.brightdata.com/datasets/v3/snapshot/{{ $json.snapshot_id }} och ställer in query-parametern format till json.

Steg 3: sätt upp datanormalisering och AI-analys

Normalisera datasetet till strukturerad företagsdata och kör sedan AI-jämförelsen parallellt innan ni slår ihop resultaten.

1. I Normalize Company JSON behåller ni Language som python och använder det tillhandahållna scriptet för att sortera på founded_date och returnera de 10 främsta företagen.
2. Säkerställ att Normalize Company JSON skickar output till både Company Comparison Draft och Merge Analysis Streams parallellt.
3. I Company Comparison Draft ställer ni in Text till ={{$json}} och behåller Prompt Type som define.
4. Verifiera att meddelandet inkluderar uttrycket för användarens nyckelord {{ $('User Form Trigger').first().json['Keyword']}} för att förankra analysen.
5. Anslut Gemini Chat Engine som språkmodell för Company Comparison Draft och behåll Model Name som models/gemini-2.0-flash.
6. Koppla Company Comparison Draft och Normalize Company JSON till Merge Analysis Streams och koppla sedan Merge Analysis Streams till Assemble Final Report.

Normalize Company JSON skickar output till både Company Comparison Draft och Merge Analysis Streams parallellt.

Steg 4: konfigurera utdatadestinationen

Sätt ihop slutrapporten och lägg till resultaten i ert Google-ark.

1. I Assemble Final Report behåller ni Language som python och använder det tillhandahållna scriptet för att slå ihop AI-analysen i den första företagsposten.
2. Koppla Assemble Final Report till Append Results Sheet.
3. I Append Results Sheet ställer ni in Operation till append och väljer målarket i Document ID.
4. Välj utdatafliken i Sheet Name (exempel: gid=0) och behåll Mapping Mode som autoMapInputData.
5. Verifiera att kolumnmappningen inkluderar uttrycket för name: ={{ $json.companies[0].name }}.

Steg 5: testa och aktivera ert arbetsflöde

Validera end-to-end-flödet med en manuell körning och slå sedan på körning i produktion.

1. Klicka Execute Workflow och skicka in User Form Trigger med ett exempelnyckelord (t.ex. AI in healthcare).
2. Följ körningen: Trigger Bright Data Job ska returnera ett snapshot_id, Polling Delay ska loopa tills Snapshot Ready Branch avslutas och Fetch Snapshot Data ska returnera JSON.
3. Bekräfta att Normalize Company JSON matar ut strukturerade företag och att Company Comparison Draft producerar en jämförelsetext som slås ihop i Assemble Final Report.
4. Verifiera att Append Results Sheet lägger till rader i ert kalkylark med företagsdata och AI-analys.
5. När resultaten ser korrekta ut växlar ni arbetsflödet till Active för användning i produktion.