Steg 2: Anslut Google Docs

Hämta källinnehållet från Google Docs och konvertera det till strukturerad markdown för efterföljande frågegenerering.

1. Öppna Retrieve Document och ställ in Operation på get.
2. Ställ in Document URL på [YOUR_ID] (ersätt med ert Google Docs-ID eller er URL).
3. Inloggning krävs: anslut era googleDocsOAuth2Api-uppgifter i Retrieve Document.
4. I Markdown Conversion behåller ni den medföljande JavaScript-koden som skapar fältet markdown från dokumentets JSON.
5. Verifiera flödet: Retrieve Document → Markdown Conversion.

Nodrouting: Markdown Conversion skickar utdata parallellt till Generate Closed Questions, Generate Open Questions och Convert to Text File.

Steg 3: Konfigurera initiering och inläsning till vektorlager

Initiera och rensa er Qdrant-kollektion, bädda sedan in och infoga markdown-innehållet i vektordatabasen för retrieval-augmented answers.

1. I Initialize Collection ställer ni in URL till http://QDRANT_URL/collections/COLLECTIONS och Method till PUT.
2. Behåll JSON Body enligt mallen för att definiera size, distance och shard-inställningar för embeddings.
3. Inloggning krävs: anslut era httpHeaderAuth-uppgifter i Initialize Collection.
4. I Purge Collection ställer ni in URL till http://QDRANT_URL/collections/COLLECTIONS/points/delete och Method till POST.
5. Inloggning krävs: anslut era httpHeaderAuth-uppgifter i Purge Collection.
6. I Convert to Text File ställer ni in Operation till toText och Source Property till markdown.
7. Säkerställ att Qdrant Insert Store har Mode satt till insert och att en giltig kollektion är vald.
8. Inloggning krävs: anslut era qdrantApi-uppgifter i Qdrant Insert Store.
9. Inloggning krävs: anslut era openAiApi-uppgifter i OpenAI Embedding Builder (används av Qdrant Insert Store).

Steg 4: Konfigurera ai-generering för öppna och slutna frågor

Konfigurera LLM-kedjorna och parsern för att generera öppna frågor och flervalsfrågor från markdown-innehållet.

1. I Generate Open Questions ställer ni in Text till =Article: ''' {{ $json.markdown }} ''' och behåller Prompt Type som define.
2. Anslut Gemini Chat Model Alpha som språkmodell för Generate Open Questions och behåll Model Name som models/gemini-2.0-flash-exp.
3. Inloggning krävs: anslut era googlePalmApi-uppgifter i Gemini Chat Model Alpha.
4. Koppla Item List Parser Alpha till Generate Open Questions för att parsa en lista med frågor.
5. I Generate Closed Questions ställer ni in Text till =Article: ''' {{ $json.markdown }} ''' och behåller Prompt Type som define.
6. Anslut Gemini Chat Model Gamma som språkmodell för Generate Closed Questions och behåll Model Name som models/gemini-2.0-flash-exp.
7. Inloggning krävs: anslut era googlePalmApi-uppgifter i Gemini Chat Model Gamma.
8. Koppla Item List Parser Beta till Generate Closed Questions för parsning av MCQ-lista.

Eftersom detta workflow använder flera Gemini-noder, säkerställ att Gemini Chat Model Alpha, Gemini Chat Model Beta, Gemini Chat Model Gamma, Gemini Chat Model Delta och Gemini Chat Model Epsilon alla har googlePalmApi-uppgifter konfigurerade.

Steg 5: Konfigurera hämtning, svar och parsning

Använd Qdrant-hämtning med embeddings och strukturerad parsning för att generera svar och flervalsalternativ.

1. I Qdrant Retrieval Store väljer ni samma kollektion som används för infogningar och kopplar den till Vector Store Fetcher.
2. Inloggning krävs: anslut era qdrantApi-uppgifter i Qdrant Retrieval Store.
3. Inloggning krävs: anslut era openAiApi-uppgifter i OpenAI Embedding Beta (används av Qdrant Retrieval Store).
4. I Answer Open Queries ställer ni in Text till ={{ $json.text }} och behåller Prompt Type som define.
5. Anslut Gemini Chat Model Beta som språkmodell för Answer Open Queries.
6. I Qdrant QA Store väljer ni samma kollektion för RAG och kopplar den till Vector RAG Tool.
7. Inloggning krävs: anslut era qdrantApi-uppgifter i Qdrant QA Store.
8. Inloggning krävs: anslut era openAiApi-uppgifter i OpenAI Embedding Delta (används av Qdrant QA Store).
9. I Answer MCQ Builder ställer ni in Text till ={{ $json.text }}, behåller Prompt Type som define, och säkerställer att Has Output Parser är aktiverat.
10. Koppla Structured Parser till Answer MCQ Builder med schemat som inkluderar arrayerna correct och answers.

Steg 6: Konfigurera utdata till Google Sheets

Lägg till resultat för öppna och slutna frågor i separata ark med korrekta fältmappningar.

1. I Append Open Results ställer ni in Operation till append och väljer ert Document ID och Sheet Name.
2. Mappa QUESTION till ={{ $('Iterate Records Alpha').item.json.text }} och ANSWER till ={{ $json.response }}.
3. Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter i Append Open Results.
4. I Append Closed Results ställer ni in Operation till append och väljer målarket för slutna frågor.
5. Mappa QUESTION till ={{ $('Generate Closed Questions').item.json.text }} och svaren till ={{ $json.output.answers[0] }} till ={{ $json.output.answers[3] }}, med CORRECT som ={{ $json.output.correct }}.
6. Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter i Append Closed Results.

Körningsloopning: Generate Open Questions går vidare till Iterate Records Alpha och Generate Closed Questions går vidare till Iterate Records Beta, där båda batchar poster innan de besvaras och läggs till.

Steg 7: Testa och aktivera ert workflow

Kör ett fullständigt manuellt test för att verifiera dokumenthämtning, frågegenerering, vektorinfogningar och tillägg i ark innan ni slår på det.

1. Klicka på Execute Workflow från Manual Launch Trigger för att köra hela pipelinen.
2. Bekräfta att Retrieve Document returnerar data och att Markdown Conversion skapar ett markdown-fält.
3. Verifiera Qdrant-operationerna: Purge Collection slutförs, Convert to Text File körs och Qdrant Insert Store infogar vektorer.
4. Kontrollera att öppna och slutna frågor läggs till i respektive ark av Append Open Results och Append Closed Results.
5. När ni är nöjda, växla workflowet till Active för användning i produktion.