Steg 2: anslut datakällan för Ads library

Ange Facebook Ads library-URL:en som AI-agenten ska skrapa.

1. Öppna Assign Ads Library URL.
2. I Assignments ställer ni in url till https://www.facebook.com/ads/library/?active_status=all&ad_type=all&country=US&q=nike&sort_data[direction]=desc&sort_data[mode]=relevancy_monthly_grouped.
3. Säkerställ att ⏱️ Hourly Ad Check är ansluten till Assign Ads Library URL i huvudflödet.

Steg 3: konfigurera AI-skrapern och parsningkedjan

AI-agenten skrapar annonssidan och parsar samt reparerar sedan utdata med hjälp av anslutna AI-undernoder.

1. Öppna AI Agent Ad Scraper och ställ in Text till =scrape the data from the from facebook ads dashboard: {{ $json.url }}.
2. Bekräfta att AI Agent Ad Scraper har Has Output Parser aktiverat.
3. Öppna MCP Tool Client och behåll Tool Name inställt på scrape_as_markdown med Tool Parameters inställt på ={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Tool_Parameters', ``, 'json') }}.
4. Inloggningsuppgifter krävs: Anslut era mcpClientApi-uppgifter i MCP Tool Client.
5. Öppna OpenAI Chat Engine och säkerställ att modellen är inställd på gpt-4o-mini. Inloggningsuppgifter krävs: Anslut era openAiApi-uppgifter.
6. Öppna Structured Output Parser B och behåll JSON Schema Example enligt det som anges för att tvinga fram strukturerad utdata.
7. Öppna Auto-Repair Output Parser och säkerställ att den är ansluten till Structured Output Parser B som dess output parser.
8. Öppna OpenAI Chat Engine B och säkerställ att modellen är inställd på gpt-4o-mini. Inloggningsuppgifter krävs: Anslut era openAiApi-uppgifter.

Steg 4: konfigurera logik för annonsval och resultat

Begränsa bearbetningen till en enda annons och utvärdera dess prestandatrösklar.

1. Öppna Select Single Ad och behåll JS Code som returnerar det första elementet i $json.ads.
2. Öppna Evaluate Ad Performance och ställ in villkoren till:
3. Villkor 1: Left Value ={{ $json.estimated_ctr }} med operatorn number: lt och Right Value 1.
4. Villkor 2: Left Value ={{ $json.estimated_cpa }} med operatorn number: gt och Right Value 10.
5. Verifiera flödet: Assign Ads Library URL → AI Agent Ad Scraper → Select Single Ad → Evaluate Ad Performance.

Steg 5: konfigurera utdata för larm och inga åtgärder

Skicka ett larmmejl när annonsen underpresterar, annars avsluta arbetsflödet med en no-op.

1. Öppna Dispatch Alert Email och ställ in Send To till [YOUR_EMAIL].
2. Ställ in Subject till 🚨 Underperforming Ad Detected.
3. Ställ in Message till =

   📉 Ad Alert: Performance Below Threshold

   Ad Title: {{$json.ad_title}}

   Status: {{$json.status}}

   Estimated CTR: {{$json.estimated_ctr}}%

   Estimated CPA: ${{$json.estimated_cpa}}

   Start Date: {{$json.start_date}}

   Platforms: {{$json.platforms.join(', ')}}

   Ad Text:
   {{$json.ad_text}}

   View Media

   .
4. Inloggningsuppgifter krävs: Anslut era gmailOAuth2-uppgifter i Dispatch Alert Email.
5. Bekräfta att den falska grenen från Evaluate Ad Performance routas till No Action Required.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett manuellt test för att bekräfta att skrapning, utvärdering och larmning fungerar som förväntat innan ni aktiverar schemat.

1. Klicka på Execute Workflow för att köra ⏱️ Hourly Ad Check manuellt.
2. Verifiera att AI Agent Ad Scraper returnerar en strukturerad ads-array och att Select Single Ad matar ut ett enda annonsobjekt.
3. Bekräfta att Evaluate Ad Performance routas till Dispatch Alert Email när estimated_ctr < 1 och estimated_cpa > 10, annars till No Action Required.
4. Kontrollera inkorgen för det formaterade larmmejlet om villkoren uppfylls.
5. När ni är redo, växla arbetsflödet till Active för att aktivera körning varje timme.