Steg 2: Anslut Google Sheets

Konfigurera in- och utmatningsbladen som används för att läsa URL:er och lagra de sammanfattade resultaten.

1. Öppna Retrieve Sheet Rows och ställ in Document ID till ert kalkylark, och ersätt [YOUR_ID].
2. Ställ in Sheet Name till indatafliken genom att välja input (värde gid=0).
3. Inloggning krävs: Anslut era Google Sheets-uppgifter i Retrieve Sheet Rows (inga uppgifter är konfigurerade just nu).
4. Öppna Append Sheet Row och ställ in Document ID till samma kalkylark, och ersätt [YOUR_ID].
5. Ställ in Sheet Name till utdatafliken genom att välja output (värde 60764768).
6. Bekräfta att kolumnmappningarna i Append Sheet Row använder uttryck som {{ $json.url }}, {{ $json.short_summary }} och {{ $json.published_date }}.
7. Inloggning krävs: Anslut era Google Sheets-uppgifter i Append Sheet Row (inga uppgifter är konfigurerade just nu).

Steg 3: Konfigurera scraping och textbearbetning

Hämta sidinnehåll och konvertera det till ren text som AI-agenten kan analysera.

1. Öppna Iterate Records för att säkerställa att den tar emot data från Retrieve Sheet Rows och loopar igenom varje URL.
2. Konfigurera Web Scrape Service med Operation satt till universal.
3. Inloggning krävs: Anslut era Decodo-uppgifter i Web Scrape Service (inga uppgifter är konfigurerade just nu).
4. Granska Transform HTML Text för att bekräfta att den extraherar url, fuente, titulo, article_text och fecha_guardado från scrape-outputen.
5. Bekräfta körflödet: Iterate Records → Web Scrape Service → Transform HTML Text.

Steg 4: Konfigurera AI-analysen

Konfigurera agentens prompt och anslut Gemini-modellen för att skapa strukturerade JSON-sammanfattningar.

1. Öppna LLM Analysis Agent och behåll Prompt Type inställd på define.
2. Säkerställ att fältet Text innehåller hela JSON-schemat och använder uttryck som {{ $json["url"] }}, {{ $json["title"] }} och {{ $json.fecha_guardado }}.
3. Bekräfta att systemmeddelandet finns i LLM Analysis Agent för att tvinga fram output enbart som JSON.
4. Öppna Gemini Chat Model och anslut den som språkmodell för LLM Analysis Agent.
5. Inloggning krävs: Anslut era Google Gemini-uppgifter i Gemini Chat Model (inga uppgifter är konfigurerade just nu). Lägg till uppgifter på den överordnade modellnoden, inte på agenten.

Steg 5: Konfigurera parsing av output och lagring

Parsa AI-outputen och lägg till strukturerad data i utdataarket, och loopa sedan till nästa URL.

1. Granska Parse LLM JSON för att säkerställa att den parsar item.json.output och returnerar fält som title, source och short_summary.
2. Bekräfta flödet från LLM Analysis Agent → Parse LLM JSON → Append Sheet Row.
3. Verifiera att Append Sheet Row mappar alla obligatoriska fält, inklusive {{ $json.main_topic }} och {{ $json.three_key_insights }}.
4. Kontrollera att Append Sheet Row loopar tillbaka till Iterate Records för att fortsätta bearbeta återstående URL:er.

Steg 6: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att bekräfta att hela kedjan fungerar från början till slut, och aktivera sedan för produktionsanvändning.

1. Klicka på Execute Workflow och verifiera att Manual Execution Start triggar körningen.
2. Kontrollera att Retrieve Sheet Rows outputar rader från ert indataark.
3. Bekräfta att Web Scrape Service returnerar innehåll och att Transform HTML Text outputar rena textfält.
4. Validera att LLM Analysis Agent returnerar ett svar enbart som JSON och att Parse LLM JSON outputar strukturerade fält.
5. Verifiera att Append Sheet Row lägger till en ny rad i utdataarket med de mappade värdena.
6. När ni är nöjda, växla arbetsflödet till Active för att använda det i produktion (fortfarande manuellt triggat om ni inte byter ut triggern).