Steg 2: anslut Google Drive-nedladdning och initial vektorinläsning

Den här vägen läser in nyligen skapade filer, extraherar text och infogar vektorer i Supabase.

1. I Assign Record ID ställer ni in tilldelningen för id till {{ $json.id }}.
2. I Drive File Download ställer ni in Operation till download och File ID till {{ $json.id }}.
3. I Drive File Download aktiverar ni Google Docs-konvertering genom att ställa in Docs to Format till text/plain.
4. Inloggningsuppgift krävs: Anslut era googleDriveOAuth2Api-uppgifter i Drive File Download.
5. I Extract Text Content ställer ni in Operation till text.
6. I Recursive Text Divider ställer ni in Chunk Size till 500 och Chunk Overlap till 100.
7. I Standard Data Loader ställer ni in metadata-värdet file_id till {{ $('Assign Record ID').item.json.id }}.
8. I Supabase Vector Index ställer ni in Mode till insert och Table Name till documents.
9. Inloggningsuppgift krävs: Anslut era supabaseApi-uppgifter i Supabase Vector Index.
10. Inloggningsuppgift krävs: Anslut era openAiApi-uppgifter i OpenAI Embedding Builder (används för embeddings till Supabase Vector Index).

Steg 3: konfigurera omindexering vid filuppdatering

Den här vägen tar bort befintliga vektorer för uppdaterade filer och läser in nytt innehåll igen.

1. I Remove Matching Rows ställer ni in Table till documents, Operation till delete och Filter String till =metadata->>file_id=like.*{{ $json.id }}*.
2. Inloggningsuppgift krävs: Anslut era supabaseApi-uppgifter i Remove Matching Rows.
3. I Capture File Identifier ställer ni in file_id till {{ $('File Update Trigger').item.json.id }}.
4. I Drive File Download A ställer ni in File ID till {{ $('Capture File Identifier').item.json.file_id }} och Operation till download.
5. Inloggningsuppgift krävs: Anslut era googleDriveOAuth2Api-uppgifter i Drive File Download A.
6. I Extract Text Content A ställer ni in Operation till text och använder sedan Recursive Text Divider A med Chunk Size 300 och Chunk Overlap 50.
7. I Standard Data Loader A ställer ni in metadata file_id till {{ $('Normalize Records').item.json.file_id }}.
8. I Supabase Vector Index A ställer ni in Mode till insert och Table Name till documents.
9. Inloggningsuppgift krävs: Anslut era supabaseApi-uppgifter i Supabase Vector Index A och openAiApi-uppgifter i OpenAI Embedding Builder A.

Steg 4: routa Telegram-inmatning och hantera rösttranskribering

Det här avsnittet avgör om Telegram-meddelandet är text eller röst och förbereder sedan frågan för assistenten.

1. I Route Voice or Text behåller ni de två reglerna som kontrollerar {{ $json.message.voice.file_id }} och {{ $json.message.text }} med villkoret exists.
2. För röstmeddelanden skickar Route Voice or Text utdata till Telegram File Fetch (röstgrenen).
3. I Telegram File Fetch ställer ni in Resource till file och File ID till {{ $json.message.voice.file_id }}.
4. Inloggningsuppgift krävs: Anslut era telegramApi-uppgifter i Telegram File Fetch.
5. I Transcribe Audio ställer ni in Resource till audio och Operation till transcribe.
6. Inloggningsuppgift krävs: Anslut era openAiApi-uppgifter i Transcribe Audio.
7. För textmeddelanden skickar Route Voice or Text utdata till Map Text Input, som mappar text till {{ $json.message.text }}.

Steg 5: konfigurera RAG-assistenten och vektorverktygen

Konfigurera assistenten så att den använder Supabase vector store och behåller konversationsminne.

1. I RAG Assistant ställer ni in Text till {{ $json.text }} och behåller Prompt Type som define med det angivna systemmeddelandet.
2. Anslut OpenAI Chat Model B som språkmodell för RAG Assistant; ställ in Model till gpt-4o.
3. Inloggningsuppgift krävs: Anslut era openAiApi-uppgifter i OpenAI Chat Model B.
4. I Window Buffer Memory ställer ni in Session Key till {{ $('Telegram Message Trigger').item.json.message.chat.id }} och Session ID Type till customKey.
5. I Vector Store Tool behåller ni Name som MarketingLadder och Description som This vector store holds information about Marketing Ladder agency.
6. Säkerställ att Supabase Vector Index B är ansluten som vektorlagret för Vector Store Tool; den använder Table Name documents.
7. Inloggningsuppgift krävs: Anslut era supabaseApi-uppgifter i Supabase Vector Index B och openAiApi-uppgifter i OpenAI Embedding Builder B.
8. OpenAI Chat Model A är ansluten som språkmodell för Vector Store Tool — se till att inloggningsuppgifter läggs till i OpenAI Chat Model A, inte i verktygsnoden.

Steg 6: konfigurera utdata för Telegram-svar

Skicka assistentens svar tillbaka till användaren i Telegram.

1. I Send Telegram Reply ställer ni in Text till {{ $json.output }}.
2. Ställ in Chat ID till {{ $('Telegram Message Trigger').item.json.message.chat.id }}.
3. Inloggningsuppgift krävs: Anslut era telegramApi-uppgifter i Send Telegram Reply.

Steg 7: testa och aktivera ert workflow

Validera både ingest- och frågeflöden innan ni kör i produktion.

1. Klicka Execute Workflow och ladda upp en ny fil till den övervakade Drive-mappen för att verifiera New File Trigger → Drive File Download → Extract Text Content → Supabase Vector Index.
2. Uppdatera en befintlig fil för att verifiera File Update Trigger → Remove Matching Rows → Drive File Download A → Supabase Vector Index A.
3. Skicka både ett textmeddelande och ett röstmeddelande till er Telegram-bot och bekräfta att Route Voice or Text routar korrekt och att Send Telegram Reply returnerar ett svar.
4. En lyckad körning ska visa vektorinfogningar i Supabase och ett Telegram-svar genererat från RAG Assistant.
5. När ni är nöjda, slå på workflowet till Active för kontinuerlig drift.