Steg 2: Anslut Google Drive och konfigurera filidentifiering

Konfigurera Drive-åtkomst så att arbetsflödet kan hitta och iterera igenom filer som ska ingest:as.

1. Öppna Retrieve Drive Files och ställ in Resource till fileFolder, Search Method till query och Limit till 150.
2. I Retrieve Drive Files konfigurerar ni mappen i Filter → folderId och behåller Options → Fields med id, name, webViewLink, mimeType och *.
3. Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-credentials i Retrieve Drive Files.
4. Öppna Iterate Records för att bearbeta objekt i batchar; den tar emot objekt från Retrieve Drive Files och cyklar efter Delay Long.

Steg 3: Härled metadata och ladda ner filer

Normalisera filmetadata, tilldela identifierare och ladda ner varje fil för parsning.

1. Öppna Derive File Metadata och behåll JavaScript Code som bygger fileUrl från SharePoint-liknande metadata eller befintlig LinkingUrl.
2. Öppna Assign File Identifiers och bekräfta tilldelningarna: file_id → {{ $json.id }}, file_type → {{ $json.mimeType }}, file_title → {{ $json.name }}, file_url → {{ $json.webViewLink }}, last_modified_date → {{ $json.modifiedTime }}.
3. Öppna Download Drive File och ställ in Operation till download, och ställ sedan in File ID till {{ $json.file_id }}.
4. Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-credentials i Download Drive File.

Steg 4: Parsea och mappa dokumentinnehåll

Parsea den nedladdade filen och mappa nyckelfält till en standardiserad struktur före chunkning.

1. Öppna Parse File Content och ställ in Operation till fromJson.
2. Öppna Delay Short och ställ in Amount till 8 sekunder för att ge utrymme för nedströms bearbetning.
3. Öppna Map Parsed Fields och bekräfta fältmappningarna: title → {{ $json.data.page_title }} && {{ $json.data.title }}, summary → {{ $json.data.comprehensive_summary }}, topics → {{ $json.data.key_topics }}, process markdown → {{ $json.data.processed_markdown }}, raw markdwon → {{ $json.data.raw_markdown }}, cleaned markdown → {{ $json.data.fit_markdown }}, URL → {{ $json.data.url}}.

Steg 5: Chunka, skapa embeddings och lagra vektorer i Supabase

Dela upp innehåll i chunkar, lägg till metadata och lagra embeddings i Supabase för återhämtning.

1. Öppna Chunk Text Payload och behåll JavaScript-logiken som kombinerar summary, cleaned markdown och process markdown, och sedan splittrar med DEFAULT_CHUNK_SIZE = 2000 och DEFAULT_OVERLAP = 0.3.
2. Öppna Store Vectors in Supabase och ställ in Mode till insert, Table Name till website_mark och Query Name till match_website_mark.
3. Öppna Delay Long och ställ in Amount till 30 sekunder; exekveringen loopar sedan tillbaka till Iterate Records för nästa fil.
4. Öppna Character Chunk Splitter och ställ in Chunk Size till 100000 för AI-dokumentpipen.
5. Öppna Standard Document Loader och ställ in JSON Data till {{ $json.content }}, JSON Mode till expressionData och metavärden som source_url → {{ $json.metadata.url }}, loc → {{ $json.metadata.loc }}, title → {{ $json.metadata.title }}, page_no → {{ $json.metadata.page }} och topics → {{ $('Map Parsed Fields').item.json['topics '] }}.
6. Mistral Embeddings Generator är ansluten som embedding-modell för Store Vectors in Supabase—lägg till credentials i Store Vectors in Supabase, inte i embedding-subnoden.

Steg 6: Konfigurera retrieval och RAG-assistenten

Konfigurera vektor-retrieval och den konversationsagent som använder RAG för att besvara chattförfrågningar.

1. Öppna Mistral Chat Model och ställ in Model till mistral-medium-latest och Temperature till 0.7.
2. Öppna Supabase Vector Retrieval och ställ in Mode till retrieve-as-tool, Top K till 10, Tool Name till documents, Tool Description till Use RAG to look up information in the knowledgebase., Table Name till products och Query Name till match_product.
3. Öppna Catalog Support Agent och ställ in Text till {{ $json.chatInput }}, Prompt Type till define och behåll systemprompten som instruerar agenten att fråga Supabase efter katalogförslag.
4. Öppna Map Chat Fields och verifiera chatInput → {{ $json.chatInput || $json.body?.chatInput || $json.body?.[0]?.chatInput }} och sessionId → {{ $json.sessionId || $json.body?.sessionId || $json.body?.[0]?.sessionId }}.
5. Öppna Conversation Memory Buffer och ställ in Context Window Length till 15; detta minne är kopplat till Catalog Support Agent.
6. Mistral Embeddings Lookup är ansluten som embedding-modell för Supabase Vector Retrieval—lägg till credentials i Supabase Vector Retrieval, inte i embedding-subnoden.
7. Conversation Memory Buffer är en subnod till Catalog Support Agent—lägg till credentials i Catalog Support Agent, inte i minnes-subnoden.

Steg 7: Testa och aktivera ert arbetsflöde

Verifiera dokumentingestion och chattsvar innan ni aktiverar arbetsflödet för produktion.

1. Klicka på Execute Workflow på Manual Execution Start för att ingest:a Drive-filer och bekräfta att Store Vectors in Supabase tar emot chunkat innehåll med metadata.
2. Skicka ett testmeddelande via Chat Message Trigger eller POST:a till Incoming Webhook Trigger-sökvägen och bekräfta ett svar från Catalog Support Agent.
3. Lyckad exekvering ska visa dataflöde från Retrieve Drive Files → Iterate Records → Store Vectors in Supabase och chattfrågor som hämtar resultat via Supabase Vector Retrieval.
4. När allt är verifierat, växla arbetsflödet till Active för produktion.