Steg 2: Anslut Google Drive och tolka länkar

Konfigurera åtkomst till Google Drive och konvertera användarens länkar till Drive-ID:n för att lista och ladda ner filer.

1. Öppna Parse Drive Link och behåll JavaScript Code som det är för att extrahera mapp- eller fil-ID:n från Drive-URL:er.
2. Öppna Retrieve Drive Items och ställ in Resource till fileFolder.
3. I Retrieve Drive Items ställer ni in Folder ID till {{ $('Parse Drive Link').item.json.folderId }}.
4. Inloggning krävs: Anslut era googleDriveOAuth2Api-uppgifter till Retrieve Drive Items.
5. Öppna Download Drive File och ställ in Operation till download.
6. I Download Drive File ställer ni in File ID till {{ $json.id }} och behåller konverteringsalternativet på text/plain.
7. Inloggning krävs: Anslut era googleDriveOAuth2Api-uppgifter till Download Drive File.

Steg 3: Konfigurera initiering av vektordatabas och inmatning

Initiera Postgres-vektortabellen, iterera igenom filer, ladda dokument, skapa embeddings och lagra vektorerna i Supabase.

1. Öppna Initialize Vector DB och ställ in Operation till executeQuery med den angivna SQL:en som skapar tabellen documents och funktionen match_documents.
2. Inloggning krävs: Anslut era postgres-uppgifter till Initialize Vector DB.
3. Öppna Batch Item Iterator och behåll standardinställningarna för att iterera genom Drive-objekt i batchar.
4. Öppna Binary Document Loader och ställ in Data Type till binary så att nedladdade filer tolkas som dokument.
5. Öppna Gemini Embedding Generator och säkerställ att den förblir ansluten som embedding-leverantör för Store Vectors in Supabase.
6. Inloggning krävs: Anslut era googlePalmApi-uppgifter till Gemini Embedding Generator.
7. Öppna Store Vectors in Supabase och ställ in Mode till insert med Table Name satt till documents och Query Name satt till match_documents.
8. Inloggning krävs: Anslut era supabaseApi-uppgifter till Store Vectors in Supabase.

Steg 4: Ställ in AI-assistenten och verktyg för hämtning

Konfigurera agenten, språkmodellen, verktygen och minnet så att chatsvaren utnyttjar lagrat studiematerial.

1. Öppna Learning Assistant Agent och ställ in Text till {{ $json.chatInput }}.
2. I Learning Assistant Agent behåller ni den angivna System Message för att styra studieinteraktioner och hantering av Drive-länkar.
3. Öppna Gemini Chat Language Model och ställ in Model Name till models/gemini-2.5-pro.
4. Inloggning krävs: Anslut era googlePalmApi-uppgifter till Gemini Chat Language Model.
5. Öppna Supabase Vector Retrieval och ställ in Mode till retrieve-as-tool med den angivna Tool Description.
6. Inloggning krävs: Anslut era supabaseApi-uppgifter till Supabase Vector Retrieval.
7. Öppna Gemini Embedding Builder och lämna parametrarna som standard så att den levererar embeddings till Supabase Vector Retrieval.
8. Inloggning krävs: Anslut era googlePalmApi-uppgifter till Gemini Embedding Builder.
9. Öppna Postgres Conversation Memory och ställ in Session Key till {{ $json.sessionId }} med Session ID Type satt till customKey och Context Window Length satt till 10.
10. Inloggning krävs: Anslut era postgres-uppgifter till Postgres Conversation Memory.
11. Öppna Run Sub-Workflow Config Req och behåll mappningen för Drive_Folder_link satt till {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Drive_Folder_link', ``, 'string') }}.
12. Behåll Math Utility Tool ansluten för löpande beräkningar i svaren.

Steg 5: Bekräfta exekveringsflöde och loopning

Verifiera att inmatningskedjan och chattflödet är kopplade exakt enligt avsikt.

1. Bekräfta att inmatningsvägen körs i denna ordning: Subworkflow Trigger Start → Parse Drive Link → Initialize Vector DB → Retrieve Drive Items → Batch Item Iterator → Download Drive File → Store Vectors in Supabase → tillbaka till Batch Item Iterator för nästa objekt.
2. Bekräfta att chattvägen körs: Chat Message Trigger → Learning Assistant Agent.
3. Verifiera att Binary Document Loader är ansluten till Store Vectors in Supabase via dokumentindatan.

Steg 6: Testa och aktivera ert workflow

Kör end-to-end-tester för både inmatning och chatt, och aktivera sedan workflowet för produktion.

1. Klicka på Execute Workflow i Subworkflow Trigger Start och skicka in en riktig Drive-mapplänk för att verifiera att objekt hämtas och att vektorer lagras i Supabase.
2. Trigga Chat Message Trigger manuellt med en fråga om ert material och bekräfta att Learning Assistant Agent svarar med relevant innehåll.
3. En lyckad körning ska visa dokument som har infogats av Store Vectors in Supabase och ett chattsvar som hänvisar till lagrade data.
4. Växla workflowet till Active för att börja hantera live-chattmeddelanden och Drive-inmatning i produktion.