Ditt team ställer samma frågor om och om igen eftersom svaren sitter fast i dokument som ingen hinner hitta tillräckligt snabbt. Så du svarar i chatten, igen, och “single source of truth” börjar sakta glida.
Den här Drive Telegram answers-lösningen träffar driftchefer först, men marknadsansvariga och byråägare känner av den också. Du får konsekventa, direkta svar i Telegram, byggda på de dokument ni redan underhåller i Google Drive.
Nedan ser du hur workflowet tar in filer automatiskt, gör dem till sökbar kunskap och svarar på frågor som en lugn, alltid tillgänglig teammedlem.
Så här fungerar den här automatiseringen
Hela n8n-workflowet, från trigger till slutligt resultat:
n8n Workflow Template: Google Drive och Telegram för snabba dokumentsvar
flowchart LR
subgraph sg0["New File Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "New File Trigger", pos: "b", h: 48 }
n1@{ icon: "mdi:cog", form: "rounded", label: "Download File", pos: "b", h: 48 }
n2@{ icon: "mdi:cog", form: "rounded", label: "Move to Processed Folder", pos: "b", h: 48 }
n3@{ icon: "mdi:robot", form: "rounded", label: "Load Document Data", pos: "b", h: 48 }
n4@{ icon: "mdi:robot", form: "rounded", label: "Split Text into Chunks", pos: "b", h: 48 }
n5@{ icon: "mdi:cube-outline", form: "rounded", label: "Insert into Qdrant", pos: "b", h: 48 }
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/telegram.svg' width='40' height='40' /></div><br/>Telegram Message Trigger"]
n7@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Filter Authorized User", pos: "b", h: 48 }
n8@{ icon: "mdi:vector-polygon", form: "rounded", label: "OpenAI Embeddings", pos: "b", h: 48 }
n9["<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/telegram.svg' width='40' height='40' /></div><br/>Send Response to Telegram"]
n10@{ icon: "mdi:cube-outline", form: "rounded", label: "Qdrant Knowledge Base", pos: "b", h: 48 }
n11@{ icon: "mdi:robot", form: "rounded", label: "AI Agent1", pos: "b", h: 48 }
n12@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model1", pos: "b", h: 48 }
n11 --> n9
n1 --> n5
n0 --> n1
n8 -.-> n5
n8 -.-> n10
n5 --> n2
n3 -.-> n5
n12 -.-> n11
n10 -.-> n11
n7 --> n11
n4 -.-> n3
n6 --> n7
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 n0,n6 trigger
class n3,n4,n11 ai
class n12 aiModel
class n5,n10 ai
class n8 ai
class n7 decision
classDef customIcon fill:none,stroke:none
class n6,n9 customIcon
Problemet: team kan inte självserva svar från dokument
Google Drive är bra för lagring. Det är mindre bra när “jag behöver rätt svar på 10 sekunder” gäller. Någon frågar i Telegram, du söker i Drive, öppnar tre versioner av ett dokument, skummar rubriker, och klistrar sedan in ett svar som du hoppas fortfarande stämmer. Multiplicera det med onboarding, återkommande kundfrågor, interna SOP:ar och de små “var är den där länken?”-förfrågningarna. Det handlar inte bara om tid. Det är kontextbyten, tappat fokus och inkonsekventa svar som skapar ännu mer följdfrågor senare.
Friktionen byggs på. Här är var det brukar fallera.
- Folk slutar leta i Drive eftersom sökresultaten känns opålitliga, så varje fråga blir ett avbrott i chatten.
- Du svarar till slut ur minnet, vilket gör att två kollegor kan få två olika “officiella” svar.
- Nya dokument delas inte rätt, så kunskap blir kvar i en persons huvud.
- Även när dokumentet finns tar det så lång tid att hitta rätt stycke att det känns enklare att fråga i Telegram.
Lösningen: en Telegram-bot som svarar från dina Google Drive-dokument
Det här workflowet förvandlar din Drive-mapp till en levande kunskapsbas och kopplar den direkt till Telegram. När du lägger ett dokument i en specifik Google Drive-mapp plockar n8n upp det, extraherar texten och delar upp den i läsbara segment. Segmenten omvandlas till “embeddings” (en sökbar representation av innebörd) med OpenAI och lagras sedan i en Qdrant vektordatabas. När någon ställer en fråga i Telegram hämtar boten de mest relevanta utdragen från Qdrant, skickar dem till en AI-agent och returnerar ett tydligt svar i samma chatt. Ingen dokumentjakt. Ingen copy-paste.
Flödet startar med två triggers som kör parallellt: en Drive-mappbevakare (var 15:e minut) och en Telegram-lyssnare för meddelanden. Drive-uppladdningar matar kunskapsbasen, medan Telegram-frågor går till agenten som konsulterar Qdrant och svarar med bästa matchning och kontext.
Det du får: automatisering vs. resultat
| Vad det här workflowet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut i praktiken
Säg att ditt team får 10 “snabba frågor” per dag i Telegram, och att varje fråga tar kanske 6 minuter att söka i Drive, öppna dokument, bekräfta detaljer och sedan svara. Det är ungefär en timme om dagen, och det är oftast samma 20 frågor som återkommer. Med det här workflowet tar det mindre än en minut att fråga boten, och grovjobbet sker i bakgrunden (Drive-synken kör var 15:e minut). Du får tillbaka din timme, och svaren slutar variera beroende på vem som råkar vara online.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Telegram för en chattbaserad fråge- och svarsbot
- Google Drive för att lagra och uppdatera dokument
- Qdrant API-nyckel (hämta den i din Qdrant-dashboard)
Svårighetsgrad: Nybörjare. Du klistrar in några inloggningsuppgifter, anger mapp-ID:n och ändrar ett auktoriseringsvärde.
Vill du inte sätta upp detta själv? Prata med en automatiseringsexpert (gratis 15-minuters konsultation).
Så fungerar det
En fil landar i din Drive-mapp. En Google Drive-trigger kontrollerar din valda mapp var 15:e minut och upptäcker nya uppladdningar som ska in i kunskapsbasen.
Dokumentet förbereds för sökning. n8n laddar ner filen, läser in innehållet och delar sedan upp det i segment (tillräckligt stora för att behålla betydelsen, tillräckligt små för att kunna hämtas korrekt senare).
Innebörd lagras, inte bara text. OpenAI genererar embeddings för varje segment och Qdrant lagrar dem i en collection som du kontrollerar. Efter en lyckad körning flyttas filen till en “bearbetad”-mapp så att teamet vet att den är inkluderad.
En Telegram-fråga kommer in. Boten svarar bara på auktoriserade chatt-ID:n, därefter hämtar en AI-agent relevanta utdrag från Qdrant och skickar ett tydligt svar tillbaka till Telegram. Konversationsminne håller svaren sammanhängande över följdfrågor.
Du kan enkelt ändra vilken Drive-mapp som indexeras eller vilka Telegram-chattar som är tillåtna, beroende på behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera Google Drive-triggern
Konfigurera arbetsflödet för att upptäcka nya filer i en specifik Google Drive-mapp och starta ingest-flödet.
- Lägg till noden Drive File Created Trigger som din trigger.
- Ställ in Event på
fileCreated. - Ställ in Trigger On på
specificFolderoch välj mapp-ID-värdet[YOUR_ID]i Folder To Watch. - I Poll Times behåller ni schemat på
every 15 minutes. - Inloggningsuppgifter krävs: anslut era googleDriveOAuth2Api-inloggningsuppgifter.
[YOUR_ID]-platshållare med ert riktiga Google Drive-mapp-ID, annars kommer triggern aldrig att köras.Steg 2: anslut Telegram för inkommande förfrågningar
Det här steget säkrar boten genom att bara tillåta meddelanden från ett auktoriserat chatt-ID.
- Lägg till noden Telegram Incoming Trigger och behåll Updates inställt på
message. - Inloggningsuppgifter krävs: anslut era telegramApi-inloggningsuppgifter.
- Öppna Authorize User Filter och ställ in villkoret Left Value till
{{ $json.message.chat.id }}. - Ställ in Right Value till ert Telegram-chatt-ID (ersätt
[YOUR_ID]). - Bekräfta körflödet: Telegram Incoming Trigger → Authorize User Filter → AI Conversation Agent.
Steg 3: anslut Google Drive och Qdrant för dokumentingest
Det här steget laddar ner nya filer, delar upp text, genererar embeddings, lagrar vektorer i Qdrant och flyttar bearbetade filer.
- I Retrieve Drive File ställer ni in Operation på
downloadoch File ID på{{ $json.id }}. Inloggningsuppgifter krävs: anslut era googleDriveOAuth2Api-inloggningsuppgifter. - I Segment Text Blocks ställer ni in Chunk Size till
3000och Chunk Overlap till300. - I Load File Payload ställer ni in Data Type på
binary. - I Generate OpenAI Vectors behåller ni standardalternativen. Inloggningsuppgifter krävs: anslut era openAiApi-inloggningsuppgifter. Den här embedding-noden matar både Store in Qdrant och Qdrant Knowledge Tool.
- I Store in Qdrant ställer ni in Mode till
insert, Embedding Batch Size till100och väljer Qdrant Collection-värdet[YOUR_ID]. Inloggningsuppgifter krävs: anslut era qdrantApi-inloggningsuppgifter. - I Relocate to Processed Dir ställer ni in Operation till
move, Drive ID tillMy Drive, Folder ID till[YOUR_ID]och File ID till{{ $('Retrieve Drive File').item.json.id }}. Inloggningsuppgifter krävs: anslut era googleDriveOAuth2Api-inloggningsuppgifter. - Bekräfta körflödet: Drive File Created Trigger → Retrieve Drive File → Store in Qdrant → Relocate to Processed Dir.
Steg 4: konfigurera AI Conversation Agent
Konfigurera agenten med ett Qdrant-hämtningsverktyg och OpenAI-chatmodellen så att den kan besvara Telegram-meddelanden med hjälp av kunskapsbasen.
- I Qdrant Knowledge Tool ställer ni in Mode till
retrieve-as-tool, Tool Description tillИспользуйте эту базу знаний, чтобы отвечать на вопросы пользователяoch Include Document Metadata tillfalse. Inloggningsuppgifter krävs: anslut era qdrantApi-inloggningsuppgifter. Det här verktyget är anslutet till AI Conversation Agent. - I OpenAI Chat Engine väljer ni Model-värdet
[YOUR_ID](cachelagrat namn:ft:gpt-4.1-2025-04-14:aimagine:adept3:CrV9Ir4p). Inloggningsuppgifter krävs: anslut era openAiApi-inloggningsuppgifter. Den här modellen matar AI Conversation Agent. - I AI Conversation Agent ställer ni in Text till
{{ $json.message.text }}och Prompt Type tilldefine. - Ställ in System Message till hela prompt-innehållet som finns i noden, som börjar med
You are an expert in business process automation using N8N, specializing in e-commerce and AI integration...och slutar medVector knowledge base is your reliable assistant for generating high-quality content.
Steg 5: konfigurera Telegram-svar som utdata
Skicka agentens svar tillbaka till den auktoriserade Telegram-användaren.
- Lägg till Dispatch Telegram Reply efter AI Conversation Agent.
- Ställ in Text till
{{ $json.output }}. - Ställ in Chat ID till
{{ $('Telegram Incoming Trigger').item.json.message.chat.id }}. - Inloggningsuppgifter krävs: anslut era telegramApi-inloggningsuppgifter.
Steg 6: testa och aktivera ert arbetsflöde
Validera båda triggers och bekräfta att kunskapsbasen och Telegram-svaren fungerar hela vägen end-to-end.
- Klicka på Execute Workflow och ladda upp en testfil till den övervakade Google Drive-mappen.
- Bekräfta att filen laddas ner av Retrieve Drive File, att embeddings skapas och lagras av Store in Qdrant, och att filen flyttas av Relocate to Processed Dir.
- Skicka ett Telegram-meddelande från ert auktoriserade chatt-ID och verifiera att det passerar Authorize User Filter.
- Kontrollera att AI Conversation Agent returnerar ett svar och att Dispatch Telegram Reply skickar det till samma chatt.
- När allt fungerar, slå om arbetsflödet till Active för produktionsanvändning.
Vanliga fallgropar
- Google Drive-inloggningar kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först status för Google OAuth-anslutningen i dina n8n-credentials.
- Om du använder Wait-noder eller extern rendering varierar processningstider. Öka väntetiden om efterföljande noder fallerar på tomma svar.
- Problem med Qdrant-setup beror oftast på fel collection-namn eller saknade API-rättigheter. Verifiera att collection-namnet matchar både i “Store in Qdrant” och “Qdrant Knowledge Tool”, och bekräfta sedan i Qdrant-dashboarden att du ser nyligen skrivna poster.
Vanliga frågor
Cirka 15 minuter om du redan har konton och nycklar redo.
Nej. Du kopplar konton, klistrar in ett par ID:n och justerar ett filtervärde för auktoriserad åtkomst.
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 med OpenAI API-användning för embeddings och chattsvar.
Två alternativ: n8n Cloud (hanterat, enklast setup) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, men då vill du justera logiken i “Authorize User Filter” så att den tillåter en lista med chatt-ID:n i stället för ett enda. Du kan också ändra systemprompten i “AI Conversation Agent” för att matcha er tonalitet och byta modell i “OpenAI Chat Engine” om du föredrar ett annat GPT-alternativ. Många team lägger också till ett enkelt loggsteg för att spara frågor, vilket gör det lättare att upptäcka luckor i dokumentationen.
Oftast är det bot-token, helt ärligt. Generera en ny i @BotFather och spara sedan om den i Telegram-credentials som används av “Telegram Incoming Trigger” och “Dispatch Telegram Reply”. Kontrollera också att värdet i “Authorize User Filter” matchar ditt faktiska Telegram-användar-ID, eftersom en mismatch ser ut som “boten är trasig” när den i själva verket bara blockeras av design.
Många, så länge din Qdrant-instans och din n8n-runtime har tillräckligt med resurser. På n8n Cloud begränsas volymen främst av dina månatliga körningar; self-hosting tar bort körningsbegränsningar, men din server måste fortfarande hantera uppladdningar och embedding-anrop. I praktiken börjar team med några dussin dokument och skalar sedan upp när de ser vad folk frågar efter mest.
För det här specifika användningsfallet “svar från dokument” är n8n oftast bättre eftersom det hanterar grenlogik, dokumentsegmentering och Qdrant-liknande retrieval-flöden på ett ställe. Zapier och Make kan fungera, men ofta behöver du sy ihop fler steg och kostnaden ökar när användningen växer. n8n ger dig också möjligheten att self-hosta, vilket är viktigt om boten blir populär internt. Samtidigt: om du bara behöver ett enkelt vidarebefordra-och-svara-flöde utan kunskapsbas kan de verktygen vara snabbare att komma igång med. Prata med en automatiseringsexpert om du är osäker på vad som passar.
När detta väl rullar blir samma dokument som du redan underhåller till omedelbara svar där teamet redan ställer frågorna. Sätt upp det, mata in bra dokument och låt boten ta avbrotten.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.