Du lyckas äntligen frigöra tid för att bygga en prospektlista – och så försvinner den i stökiga exporter, trasiga filter och en “snabb” kalkylbladsstädning som blir en hel eftermiddag. Det värsta är osäkerheten. Drar du ens fram rätt personer, eller bara det som din senaste sökning råkade ge?
Det är här Explorium Sheets automation lönar sig. Sales ops-team märker det först när säljare kräver “färska leads till imorgon”. En rekryterare som jagar nischroller stöter på samma friktion. Och en marknadschef som bygger riktade listor för ABM-kampanjer? Samma sak, annan etikett.
Det här arbetsflödet gör prospektförfrågningar på enkel svenska till validerade Explorium-sökningar, och skickar sedan ut en korrekt formaterad CSV och trycker in strukturerade rader i Google Sheets. Du får se hur det fungerar, vad du behöver och var de verkliga tidsvinsterna uppstår.
Så fungerar den här automatiseringen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: Explorium till Google Sheets: rensade prospektlistor snabbt
flowchart LR
subgraph sg0["When chat message received Flow"]
direction LR
n0@{ icon: "mdi:cog", form: "rounded", label: "Convert to File", pos: "b", h: 48 }
n1@{ icon: "mdi:memory", form: "rounded", label: "Simple Memory", pos: "b", h: 48 }
n2@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
n3@{ icon: "mdi:robot", form: "rounded", label: "AI Agent", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Extract 'data'", pos: "b", h: 48 }
n5["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Merge All Pages"]
n6["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Prepare for CSV"]
n7["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>API Call Validation"]
n8["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Validation Prompter"]
n9@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is API Call Valid?", pos: "b", h: 48 }
n10["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Chat or Refinement"]
n11@{ icon: "mdi:brain", form: "rounded", label: "Anthropic Chat Model", pos: "b", h: 48 }
n12@{ icon: "mdi:wrench", form: "rounded", label: "Explorium MCP", pos: "b", h: 48 }
n13@{ icon: "mdi:robot", form: "rounded", label: "Output Parser", pos: "b", h: 48 }
n14["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Explorium Prospects API Call"]
n3 --> n7
n12 -.-> n3
n13 -.-> n3
n1 -.-> n3
n4 --> n6
n5 --> n4
n6 --> n0
n10 --> n3
n9 --> n14
n9 --> n8
n7 --> n9
n8 --> n10
n11 -.-> n3
n2 --> n10
n14 --> n5
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 n2 trigger
class n3,n13 ai
class n11 aiModel
class n12 ai
class n1 ai
class n9 decision
class n14 api
class n5,n6,n7,n8,n10 code
classDef customIcon fill:none,stroke:none
class n5,n6,n7,n8,n10,n14 customIcon
Problemet: prospektering blir till kalkylbladsstädning
Prospektering ska handla om att rikta in sig – inte om att översätta. Men de flesta team gör fortfarande samma dans: någon skriver en förfrågan i Slack (“Hitta VP of Sales på B2B SaaS i New York”), sedan försöker en mer teknisk person översätta det till rätt filter, kör några sökningar, exporterar en fil och städar den så att CRM-importen inte skapar fel. Sen börjar “det roliga”. Dubbla kolumner, inkonsekventa platser, saknade kontaktflaggor och slumpmässig formatering som gör att listan ser “klar” ut men inte går att använda.
Det går fort att summera ihop. Här är var det faller isär.
- Du slösar cirka 1–2 timmar per lista på att översätta “mänskliga” önskemål till filter som faktiskt fungerar.
- Små formateringsmissar i CSV-exporter gör att importer misslyckas, så folk kör om hela processen i stället för att fixa ett fält.
- Validering sker sent, vilket betyder att du upptäcker att payloaden var fel först efter att API-anropet misslyckas eller returnerar skräp.
- Uppföljningsönskemål (“lägg till Directors”, “filtrera på 100+ anställda”) återställer processen eftersom kontexten inte sparas på ett rent sätt.
Lösningen: förfrågningar i vanlig text → giltiga Explorium-filter → prydligt resultat i Sheets
Det här arbetsflödet ger dig ett chattliknande gränssnitt där du ber om prospekt på normalt språk, och sedan hanterar n8n översättning, validering, hämtning och formatering. Ett chattmeddelande triggar flödet. En AI-agent tolkar vad du menar (titlar, bransch, plats, företagsstorlek, intäktsintervall), omvandlar det till Explorium-kompatibla parametrar och kör en valideringskontroll innan något kostsamt händer. Om payloaden inte godkänns i valideringen loopar arbetsflödet tillbaka, ber modellen korrigera request-strukturen och försöker igen. När den godkänns hämtar den prospektdata från Explorium (inklusive paginering för större listor), formaterar varje rad konsekvent och genererar en nedladdningsbar CSV. Du får också strukturerad output som är redo att landa i Google Sheets för granskning, delning och CRM-förberedelse.
Arbetsflödet startar när du skickar ett meddelande i n8n:s chatt-trigger. AI översätter din förfrågan till Explorium API-filter, och sedan kontrollerar en validator tillåtna nycklar och värdeformat. Till sist slås prospektresultaten ihop över flera sidor, rensas till CSV-klara rader och levereras som en fil plus en snygg dataset som passar Google Sheets.
Vad du får: automatisering kontra resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här kan det se ut
Säg att du behöver en riktad lista per vecka för outreach. Manuellt är det oftast cirka 30 minuter att översätta förfrågan till filter, ytterligare 20 minuter att köra sökningar och exportera, och sedan cirka 40 minuter att städa kolumner och standardisera platser innan det är säkert att importera. Runt 2 timmar totalt. Med det här arbetsflödet lägger du förfrågan i chatten (en minut), flödet validerar och hämtar resultat (ofta 5–10 minuter), och sen får du en korrekt formaterad CSV plus en Sheets-klar output. Du är tillbaka till att göra riktig targeting – inte städning.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Explorium API-uppgifter för att hämta prospekt via bearer token
- Google Sheets för att granska och dela strukturerade resultat
- Anthropic API-nyckel (hämta den i din Anthropic Console)
Kunskapsnivå: Medel. Du kopplar upp behörigheter, klistrar in API-tokens och justerar ett par noder om du behöver andra outputfält.
Vill du inte sätta upp det själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett chattmeddelande startar allt. Du skriver vad du vill ha (“Marketing Directors på SaaS-bolag i New York, 50–200 anställda”), och n8n tar emot det via chatt-trigger-noden.
Arbetsflödet behåller kontext när du förfinar. En sessionsminnesbuffer kommer ihåg vad du bad om, så “lägg till Directors också” eller “filtrera på intäkter över 10 MUSD” kräver inte att du börjar om.
AI översätter din förfrågan till en säker, giltig sökning. Språkagenten använder en LLM (Anthropics chattmotor i den här mallen) plus en parser för strukturerad output för att skapa Explorium-klara parametrar. Sedan kontrollerar ett valideringsskript tillåtna filternycklar, förväntade format (som landskoder) och korrekta intervallfält.
Explorium-resultat samlas in och städas. När payloaden är giltig kör arbetsflödet prospekt-API-anropet, slår ihop resultat över flera sidor, delar upp poster för radvis formatering och genererar en nedladdningsbar CSV-fil. Samma strukturerade dataset kan också hamna i Google Sheets för enkel granskning.
Du kan enkelt ändra outputkolumnerna så att de matchar din CRM-importmall utifrån dina behov. Se den fullständiga implementationsguiden nedan för alternativ för anpassning.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera chatttriggern
Det här arbetsflödet startar när en användare skickar ett chattmeddelande, som sedan routas in i AI-bearbetningsflödet.
- Lägg till noden Incoming Chat Trigger som din trigger.
- Behåll standardinställningarna i Incoming Chat Trigger om ni inte behöver ändra Webhook eller chattalternativen.
- Koppla Incoming Chat Trigger till Merge Chat or Fixes för att starta bearbetningskedjan.
Steg 2: Anslut Explorium API-autentiseringsuppgifter
Arbetsflödet anropar Exploriums MCP API och behöver autentisering både för verktygsanslutningen och API-anropet.
- Öppna Prospect API Request och ställ in URL till
=https://api.explorium.ai/v1/prospects. - Autentiseringsuppgift krävs: Anslut era
httpHeaderAuth-autentiseringsuppgifter i Prospect API Request. - Autentiseringsuppgift krävs: Anslut era
httpHeaderAuth-autentiseringsuppgifter för Explorium MCP-verktyget som används av Language Agent Core. Explorium MCP Tool är en undernod; autentiseringsuppgifterna ska ställas in på den överordnade agentanslutningen.
Steg 3: Konfigurera AI-agenten och minne
AI-lagret omvandlar chattinmatning till en validerad JSON-payload för MCP API och stödjer verktygsanrop och minne.
- I Merge Chat or Fixes behåller ni logiken som sätter combinedInput från felåterkoppling eller användarinmatning.
- Öppna Language Agent Core och ställ in Text till
{{ $json.combinedInput }}. - Säkerställ att Language Agent Core har Has Output Parser aktiverat och att det anpassade systemmeddelandet är intakt för MCP-formatregler.
- Koppla Session Memory Buffer till Language Agent Core och ställ in Context Window Length till
100. - Koppla Structured Output Parser till Language Agent Core och behåll JSON-schemaexemplet som det är.
- Koppla Anthropic Chat Engine som språkmodell för Language Agent Core och välj modellen
claude-sonnet-4-20250514. - Autentiseringsuppgift krävs: Anslut era
anthropicApi-autentiseringsuppgifter i Anthropic Chat Engine.
Steg 4: Konfigurera validering och korrigeringsloopen
Ogiltiga MCP-payloads fångas upp, korrigeras och skickas tillbaka in i AI-agenten tills de blir giltiga.
- Behåll valideringslogiken i Validate API Payload som den är för att säkerställa tillåtna filter och format.
- I Check Payload Validity bekräftar ni att villkoret kontrollerar att
{{ $json.isValid }}är true. - Säkerställ att Check Payload Validity skickar giltig output till Prospect API Request och ogiltig output till Request Correction Prompt.
- Behåll Request Correction Prompt kopplad tillbaka till Merge Chat or Fixes för att loopa korrigerade prompts in i AI-agenten.
Steg 5: Konfigurera hantering av API-svar och filutdata
Resultat pagineras, slås ihop, transformeras till CSV-vänliga rader och konverteras till en fil.
- I Prospect API Request behåller ni JSON Body inställt på
{{ $json.output }}och säkerställer att Method ärPOST. - Verifiera att pagineringen i Prospect API Request använder
{{ $response.body.page + 1 }}och avslutas när{{ $response.body.data.length === 0 }}. - Använd Combine Page Results för att slå ihop alla paginerade data-arrayer till en enda
data-array. - I Split Data Field ställer ni in Field to Split Out till
data. - Behåll radmappningen i Format Rows for CSV för att normalisera prospektfält för export.
- Koppla Generate File Output för att konvertera de formaterade raderna till en filutdata.
Steg 6: Testa och aktivera ert arbetsflöde
Validera hela flödet från början till slut med en livechattinmatning och aktivera sedan arbetsflödet för produktion.
- Klicka på Execute Workflow och skicka ett chattmeddelande till Incoming Chat Trigger.
- Bekräfta att Language Agent Core ger en giltig MCP-begäran och att Validate API Payload sätter
isValidtilltrue. - Verifiera att Prospect API Request returnerar data, att Combine Page Results slår ihop sidorna och att Generate File Output skapar filen.
- När testningen lyckas, växla arbetsflödet till Active för att aktivera det i produktion.
Vanliga fallgropar
- Explorium-uppgifter kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först din Bearer token-header i noderna MCP Client Tool och Prospect API Request.
- Om du använder Wait-noder eller extern rendering varierar processingtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera output för alltid.
Vanliga frågor
Cirka 30–60 minuter om du redan har dina API-nycklar.
Nej. Du kopplar mest behörigheter och redigerar ett par fält. Kodnoderna är redan byggda; du justerar dem bara om du vill ha andra kolumner.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Anthropic API-användning samt kostnader för din Explorium-prenumeration.
Två alternativ: n8n Cloud (managed, enklast setup) 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.
Ja, och det bör du. De flesta anpassar kodnoden “Format Rows for CSV” så att den matchar CRM:ets importheaders, och justerar sedan “Generate File Output” så att CSV:n använder exakt den kolumnordning de förväntar sig. Vanliga justeringar är att lägga till en “has_email”-flagga, dela upp plats i land/region/stad och att hålla LinkedIn-URL:er i ett dedikerat fält. Om teamet vill ha enrichment-fält också kan du även utöka mappningen så att den inkluderar företagsintäkter och intervall för antal anställda.
Oftast är det en utgången eller felaktigt formaterad Bearer token i Header Auth-uppgifterna. Uppdatera uppgifterna som används av både MCP client tool och Prospect API Request, och kör sedan ett test i chatten igen. Om du fortfarande sitter fast kan din Explorium-plan rate-limita dig eller blockera en filterkombination, så kontrollera API-svarets body i n8n:s körningsloggar.
Explorium-sökningar brukar ha ett tak på 10 000 resultat, och det här arbetsflödet paginerar upp till den gränsen. I n8n Cloud beror kapaciteten främst på dina månatliga körningar. Om du self-hostar finns inget körningstak, men stora listor tar fortfarande längre tid och kan slå i API:ets rate limits.
Ofta, ja. Det här arbetsflödet behöver villkorslogik, validering, omförsök, paginering och strukturerad AI-output, och det blir klumpigt (och dyrt) i verktyg som är byggda för enkla “A till B”-zaps. n8n ger dig också möjligheten att self-hosta, vilket är viktigt om du genererar många listor. Å andra sidan, om du bara behöver en enkel engångsexport utan valideringsloop kan Zapier eller Make gå snabbare att sätta upp. Beslutet handlar oftast om volym och hur strikt du vill att outputformateringen ska vara. Prata med en automationsexpert om du är osäker på vad som passar.
Strukturerade listor är inte glamouröst, men de förändrar allt nedströms. Sätt upp det här en gång, så slutar du lägga dina bästa timmar på att fixa CSV-filer.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.