Steg 2: Koppla Google Sheets

Dessa noder läser leaddata och skriver tillbaka icebreakers till ert kalkylark.

1. Öppna Retrieve Lead Rows och välj kalkylarket och bladet som ska läsas från.
2. Ställ in Document ID i Retrieve Lead Rows till rätt Google Sheets-fil och välj Sheet Name.
3. Öppna Update Sheet Records och ställ in Operation till update.
4. Mappa uppdateringsfälten i Update Sheet Records med hjälp av de befintliga uttrycken:
   • id → ={{ $('Retrieve Lead Rows').item.json.id }}
   • Icebreaker → ={{ $json.output.icebreaker }}
   • company_name_cleanup → ={{ $('Normalize Company Name').item.json.message.content.CompanyNameCleanUp }}
5. Säkerställ att Matching Columns inkluderar id så att uppdateringen riktas mot rätt rad.
6. Credential Required: Koppla era Google Sheets-uppgifter i både Retrieve Lead Rows och Update Sheet Records.

Steg 3: Filtrera och batcha leads

Det här steget säkerställer att endast leads utan en icebreaker bearbetas och hanterar dem i batchar.

1. Konfigurera Validate Unprocessed med villkoret:
   • Left Value → ={{ $json.Icebreaker }}
   • Operation → equals
   • Right Value → no data
2. Öppna Batch Lead Iterator och ställ in Batch Size till 25.
3. Verifiera flödet: Retrieve Lead Rows → Validate Unprocessed → Batch Lead Iterator.
4. Bekräfta loopback-slingan: Update Sheet Records → Batch Lead Iterator för att bearbeta nästa batch.

Steg 4: Sätt upp AI-research och generering av icebreaker

Dessa noder normaliserar företagsnamn, researchar prospekt och skapar den slutliga icebreaker-raden.

1. I Normalize Company Name, låt JSON Output vara aktiverat och säkerställ att den använder era OpenAI-modellinställningar.
2. Normalize Company Name refererar redan till organisationsnamnet via {{ $('Retrieve Lead Rows').item.json.organization_name }}; verifiera att det matchar kolumnnamnet i ert kalkylark.
3. Koppla Web Research Model som språkmodell för Run Company Research.
4. I Run Company Research, bekräfta att mallen för human message innehåller:
   • {{ $('Retrieve Lead Rows').item.json.first_name }} {{ $('Retrieve Lead Rows').item.json.last_name }} {{ $('Retrieve Lead Rows').item.json.title }} {{ $('Retrieve Lead Rows').item.json.organization_name }} at {{ $now.toFormat('dd.MM.yyyy') }}
5. Koppla Compose Icebreaker LLM som språkmodell för Draft Icebreaker Line.
6. Koppla Extract Icebreaker JSON som output parser för Draft Icebreaker Line (uppgifter läggs till i Draft Icebreaker Line, inte i parsern).
7. Credential Required: Koppla era OpenAI-uppgifter i Normalize Company Name (redan konfigurerat som openAiApi).
8. Credential Required: Koppla era OpenRouter-uppgifter i Web Research Model och Compose Icebreaker LLM.

Steg 5: Konfigurera uppdateringar av utdata

Det här steget skriver tillbaka den genererade icebreakern till ert kalkylark för varje bearbetat lead.

1. I Update Sheet Records, bekräfta att Columns är mappade till de uttryck som redan är angivna.
2. Dubbelkolla att Matching Columns inkluderar id för att uppdatera rätt rad.
3. Säkerställ att körflödet matchar: Run Company Research → Draft Icebreaker Line → Update Sheet Records.

Steg 6: Testa och aktivera ert arbetsflöde

Validera hela flödet end-to-end innan ni aktiverar det för återkommande användning.

1. Klicka på Execute Workflow från Manual Launch Trigger för att köra ett manuellt test.
2. Bekräfta att Validate Unprocessed endast släpper igenom rader där Icebreaker är lika med no data.
3. Kontrollera att Draft Icebreaker Line outputtar ett giltigt JSON-objekt och att Update Sheet Records skriver det till kalkylarket.
4. När ni är nöjda, slå på arbetsflödet till Active för användning i produktion.