Steg 2: Normalisera inkommande chat-payload

Normalisera inkommande webhook-data till en konsekvent struktur innan ni skickar vidare den till agenten.

1. Koppla Incoming Chat Trigger till Normalize Incoming Data.
2. I Normalize Incoming Data behåller ni JavaScript Code som angivet för att normalisera nästlade arrayer och standardfält.
3. Verifiera att den normaliserade outputen innehåller action, sessionId, route, chatInput och metadata.

Steg 3: Sätt upp AI-agenten och verktygen

Konfigurera assistenten, minnet, modellen och verktygen som driver chattsvaren.

1. Koppla Normalize Incoming Data till Support Assistant Agent.
2. I Support Assistant Agent ställer ni in Text till {{ $json.chatInput }} och behåller Prompt Type som define.
3. I Support Assistant Agent bekräftar ni att System Message innehåller era tjänsteregler och kontaktplatshållare. Ersätt [YOUR_EMAIL], [YOUR_PHONE] och [YOUR_URL] med riktiga värden.
4. Koppla Dialogue Memory Buffer som minnesverktyg med Session Key satt till {{ $json.sessionId }} och Context Window Length satt till 20.
5. Koppla Gemini Chat Engine som språkmodell för Support Assistant Agent.
6. Koppla Knowledgebase Retriever, Reasoning Tool, Computation Tool och Code Sanitizer Tool som AI-verktyg för Support Assistant Agent.
7. Credential Required: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Chat Engine.
8. Credential Required: Anslut era supabaseApi-inloggningsuppgifter i Knowledgebase Retriever.

Obs: Dialogue Memory Buffer, Reasoning Tool, Computation Tool och Code Sanitizer Tool är AI-under-noder. Lägg till eller hantera inloggningsuppgifter i den överordnade Support Assistant Agent eller i deras anslutna modell-/verktygsnoder, inte på under-noden i sig.

Steg 4: Konfigurera Google Drive-triggers för uppdateringar i kunskapsbasen

Sätt upp triggers som upptäcker nya eller uppdaterade filer i er kunskapsbasmapp.

1. Öppna Drive File Created Trigger och ställ in Event till fileCreated med Trigger On satt till specificFolder.
2. Välj målmappen i Folder To Watch (ersätt [YOUR_ID] med ert faktiska mapp-ID).
3. Öppna Drive File Updated Trigger och ställ in Event till fileUpdated med samma mappval.
4. Credential Required: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i både Drive File Created Trigger och Drive File Updated Trigger.

Steg 5: Mappa filfält och rensa befintliga poster i kunskapsbasen

Förbered metadata och ta bort gamla dokumentchunkar innan ni lägger in nya embeddings.

1. Koppla både Drive File Created Trigger och Drive File Updated Trigger till Map Input Fields.
2. I Map Input Fields ställer ni in file_id till {{ $json.id }} och file_name till {{ $json.originalFilename }}.
3. Koppla Map Input Fields till Purge Existing Records.
4. I Purge Existing Records ställer ni in Table ID till documents, Operation till delete och Filter String till =metadata->>file_id=eq.{{ $json.file_id }}.
5. Credential Required: Anslut era supabaseApi-inloggningsuppgifter i Purge Existing Records.

Steg 6: Ladda, dela upp, skapa embeddings och indexera kunskapsbasfilerna

Ladda ner filen, dela upp texten, generera embeddings och infoga dem i Supabase.

1. Koppla Purge Existing Records till Iterate Items Batch.
2. Koppla Iterate Items Batch till Retrieve Drive File.
3. I Retrieve Drive File ställer ni in Operation till download och File ID till {{ $('Map Input Fields').item.json.file_id }}.
4. Koppla Recursive Text Divider till Standard Document Loader som textdelare.
5. I Standard Document Loader ställer ni in Loader till docxLoader, Data Type till binary och Text Splitting Mode till custom.
6. I Standard Document Loader lägger ni till metadata file_id med värdet {{ $('Map Input Fields').item.json.file_id }}.
7. Koppla Standard Document Loader till Supabase Vector Index och koppla Retrieve Drive File till Supabase Vector Index.
8. I Supabase Vector Index ställer ni in Mode till insert och Table Name till documents.
9. Koppla OpenAI Embedding Generator till Supabase Vector Index som embedding-modell.
10. Credential Required: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Retrieve Drive File.
11. Credential Required: Anslut era openAiApi-inloggningsuppgifter i OpenAI Embedding Generator.
12. Credential Required: Anslut era supabaseApi-inloggningsuppgifter i Supabase Vector Index.

Obs: OpenAI Embedding Generator är en AI-under-nod som används av Supabase Vector Index och Knowledgebase Retriever. Säkerställ att inloggningsuppgifter läggs till i OpenAI Embedding Generator, inte på de överordnade noderna.

Steg 7: Testa och aktivera ert arbetsflöde

Validera chattupplevelsen och flödet för indexering av kunskapsbasen innan ni aktiverar i produktion.

1. Trigga Incoming Chat Trigger manuellt med en exempel-payload och bekräfta att Support Assistant Agent returnerar ett svar.
2. Ladda upp eller uppdatera en fil i den övervakade Drive-mappen och bekräfta att Drive File Created Trigger eller Drive File Updated Trigger triggas.
3. Kontrollera att Purge Existing Records tar bort gamla chunkar och att Supabase Vector Index lägger in nya embeddings.
4. Verifiera att assistenten kan hämta relevanta svar med Knowledgebase Retriever.
5. Klicka på Activate för att aktivera arbetsflödet för produktionsanvändning.