Steg 2: Konfigurera den manuella triggern för inhämtning

Aktivera en manuell körväg för att hämta in och indexera dokument från Google Drive.

1. Lägg till och öppna Manual Run Trigger för att starta inhämtningens flöde.
2. Säkerställ att flödet är kopplat: Manual Run Trigger → Drive File Listing.

Steg 3: Anslut Google Drive och filbearbetning

Hämta filer från Drive, iterera över dem och fånga metadata för efterföljande OCR.

1. Öppna Drive File Listing och ställ in Resource på fileFolder och Search Method på query.
2. Ställ in Filter → Folder ID till er Drive-mapp-URL i uttrycksfältet (nuvarande värde är =).
3. Autentiseringsuppgifter krävs: Anslut era googleDriveOAuth2Api-uppgifter i Drive File Listing och Drive File Download.
4. I Append File Metadata bekräftar ni att tilldelningarna använder uttryck som {{ $json.id }}, {{ $json.name }}, {{ $json.webViewLink }} och {{ $json.modifiedTime }}.
5. I Drive File Download ställer ni in Operation på download och sätter File ID till {{ $('Append File Metadata').item.json.file_url }}.

Steg 4: Konfigurera Mistral OCR-pipeline

Ladda upp filer till Mistral, generera en signerad URL och kör OCR för att extrahera text.

1. Öppna Mistral File Upload och behåll URL som https://api.mistral.ai/v1/files med Method satt till POST och Content Type till multipart-form-data.
2. Autentiseringsuppgifter krävs: Anslut era mistralCloudApi-uppgifter i Mistral File Upload, Mistral Signed Link, Mistral OCR Request och Mistral Chat Model.
3. I Mistral Signed Link ställer ni in URL på =https://api.mistral.ai/v1/files/{{ $json.id }}/url och behåller frågeparametern expiry på 24.
4. I Mistral OCR Request ställer ni in JSON Body till { "model": "mistral-ocr-latest", "document": { "type": "document_url", "document_url": "{{ $json.url }}" }, "include_image_base64": true }.
5. I Validate OCR Output säkerställer ni att villkoret kontrollerar {{ $json.data[0].parseJson().skipped }} med Not Exists för att bara släppa igenom giltiga OCR-resultat.

Steg 5: Extrahera metadata och normalisera för indexering

Extrahera dokumentmetadata och normalisera den sedan till ett konsekvent format för embedding och lagring.

1. Öppna Derive Document Metadata och bekräfta att Text är satt till {{ $json.pages[0].markdown }}.
2. Säkerställ att Mistral Chat Model är ansluten som språkmodell för Derive Document Metadata; lägg till autentiseringsuppgifter i Mistral Chat Model (överordnad nod), inte i extraktorn.
3. I Assemble Metadata Fields verifierar ni att uttrycken mappar fält som {{ $('Drive File Download').item.json.file_title }} och {{ $('Validate OCR Output').item.json.pages[0].markdown }}.
4. Öppna Normalize Output Payload och behåll JavaScript-koden som mappar till content och metadata (observera att nyckeln " source" innehåller ett inledande blanksteg).

Steg 6: Dela upp texten i chunkar och infoga i Qdrant

Dela upp dokument i chunkar, skapa embeddings och infoga i Qdrant för återhämtning.

1. I Segment Text Chunks behåller ni chunk-konfigurationen med chunkSize = 1000 och chunkOverlap = 100.
2. Autentiseringsuppgifter krävs: Anslut era qdrantApi-uppgifter i Qdrant Insert Store och Qdrant Retrieval Tool.
3. Bekräfta att OpenAI Embedding Generator är ansluten som embeddingmodell för Qdrant Insert Store; lägg till autentiseringsuppgifter i OpenAI Embedding Generator (överordnad nod), inte i lagringsnoden.
4. I Qdrant Insert Store behåller ni Mode som insert och Embedding Batch Size som =200.
5. I Standard Document Loader bekräftar ni metadatauttryck som {{ $('Assemble Metadata Fields').item.json["Document name"] }} och {{ $('Drive File Download').item.json.file_url }}.

Steg 7: Konfigurera AI-chattorkestrering och verktyg

Konfigurera chatboten så att den använder Qdrant-återhämtning, OpenAI-embeddings och valfri extern webbsökning.

1. Öppna AI Chat Orchestrator och granska System Message för era önskade regler för återhämtning och svar.
2. Autentiseringsuppgifter krävs: Anslut era openAiApi-uppgifter i OpenAI Chat Model Core, som är kopplad till AI Chat Orchestrator som språkmodell.
3. Säkerställ att Qdrant Retrieval Tool är ansluten till AI Chat Orchestrator och använder docaiauto för Qdrant Collection.
4. Säkerställ att OpenAI Embedding Tool A är ansluten till Qdrant Retrieval Tool för embeddings; lägg till autentiseringsuppgifter i OpenAI Embedding Tool A (överordnad nod), inte i verktyget.
5. I External Web Lookup behåller ni URL som https://api.tavily.com/search och JSON Body-uttrycket som konfigurerat med {query}.

Steg 8: Granska stöd-/platshållarnoder

Bekräfta eventuella icke-exekverande eller platshållarnoder och behåll dem för framtida utbyggnad eller tydlighet i dokumentationen.

1. Behåll Flowpast Branding som en dokumentations-anteckning (påverkar inte körning).
2. Granska Unnamed (okänd nod) som en platshållare; den påverkar inte exekveringen om den inte kopplas in.
3. Bekräfta att Character Chunk Splitter är länkat in i Standard Document Loader som AI-textsplitter.

Steg 9: Testa och aktivera ert arbetsflöde

Validera både inhämtningens flöde och chattflödet innan ni slår på produktion.

1. Klicka på Execute Workflow och kör Manual Run Trigger för att bekräfta att filer går igenom Drive File Listing → Qdrant Insert Store.
2. Verifiera lyckad OCR och metadataextraktion genom att kontrollera output i Validate OCR Output och Assemble Metadata Fields.
3. Testa chattflödet genom att skicka ett meddelande till Chat Message Trigger och bekräfta att AI Chat Orchestrator returnerar ett svar med källor.
4. När testerna passerar växlar ni arbetsflödet till Active för produktion.