Steg 2: Anslut OpenAI-chattmodeller

Konfigurera språkmodellerna som används för frågegenerering och slutlig textproduktion.

1. Öppna Mini GPT Model och välj modellen gpt-5-mini.
2. Öppna GPT Chat Model och välj modellen gpt-5-chat-latest.
3. Autentiseringsuppgifter krävs: Anslut era OpenAI-autentiseringsuppgifter i både Mini GPT Model och GPT Chat Model.
4. Bekräfta att Mini GPT Model är ansluten som språkmodell för Draft Research Questions, och att GPT Chat Model är ansluten för Compose Final Article.

Steg 3: Konfigurera input-mappning och frågegenerering

Mappa formulärvärden till rena fält och generera en strukturerad lista med researchfrågor.

1. I Prepare Input Values mappar ni Title till {{ $json['Article title'] }} och Guidelines till {{ $json['Article guidelines'] }}.
2. I Draft Research Questions ställer ni in Text till =Content title: {{ $json.Title }} Article guidelines: {{ $json.Guidelines }} .
3. Säkerställ att Draft Research Questions har hasOutputParser aktiverat och är ansluten till Structured Parse Output som output parser.
4. I Structured Parse Output behåller ni JSON Schema Example som returnerar en array av {"question": "..."}-objekt.
5. Koppla flödet: Article Request Form → Prepare Input Values → Draft Research Questions → Explode Question List.

Steg 4: Konfigurera frågeiterering och researchanrop

Dela upp frågelistan i enskilda objekt, anropa den externa assistenten och mappa Q&A-resultaten.

1. I Explode Question List ställer ni in Field to Split Out till output.
2. Använd Iterate Question Batch för att iterera igenom varje fråga.
3. Iterate Question Batch skickar output parallellt till både Aggregate Research Data och Call Super Assistant.
4. I Call Super Assistant ställer ni in URL till https://api.super.work/v1/super, Method till POST, och aktiverar Send Body.
5. Ställ in body-parametrar: question till {{ $json.question }} och assistantId till [YOUR_ID].
6. I Map Q&A Fields ställer ni in Question till {{ $('Iterate Question Batch').item.json.question }} och Answer till {{ $json.answer.replace(/\{\[(\d+)\]\((.*?)\)\}/g, '([source]($2))') }}.

Steg 5: Aggreggera research och skapa artikeln

Aggreggera alla Q&A-resultat och skicka dem till steget för slutlig artikelkomposition.

1. I Aggregate Research Data ställer ni in Aggregate till aggregateAllItemData och Destination Field Name till Content to leverage.
2. Anslut Aggregate Research Data till Compose Final Article.
3. I Compose Final Article ställer ni in Text till =Article title: {{ $('Prepare Input Values').first().json.Title }} Article guidelines: {{ $('Prepare Input Values').first().json.Guidelines }} Content to leverage: This Q&A research provides high-quality knowledge, insights, and sources for your content. Be sure to include source links in your output whenever a source was used. {{ JSON.stringify($json['questions and answers'], null, 2) }} .
4. Säkerställ att GPT Chat Model är ansluten som språkmodell för Compose Final Article.

Steg 6: Konfigurera slutlig output

Mappa den slutliga utkasttexten till ett rent output-fält för vidare användning.

1. I Assemble Article Output ställer ni in Article till {{ $json.text }}.
2. Bekräfta den sista kopplingen: Compose Final Article → Assemble Article Output.

Steg 7: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att validera hela pipelinen och aktivera sedan arbetsflödet för produktionsanvändning.

1. Klicka på Execute Workflow och skicka in Article Request Form med ett exempel på titel och riktlinjer.
2. Verifiera att Draft Research Questions outputar en JSON-array med frågor och att Explode Question List delar upp dem i objekt.
3. Bekräfta att Call Super Assistant returnerar svar och att Aggregate Research Data sammanställer all Q&A till en payload.
4. Kontrollera Assemble Article Output för ett enda Article-fält som innehåller hela utkastet.
5. När det fungerar, slå på arbetsflödet till Active för att tillåta liveinlämningar via formuläret.