Steg 2: Anslut Google Sheets

Hämta indatakontroller från ett Google Sheet och skriv normaliserade efterlevnadsresultat till ett resultatark.

1. Öppna Retrieve Sheet Rows och välj indata-kalkylarket och arket.
2. Ställ in Document till arket med ID [YOUR_ID] och Sheet Name till input_sheet.
3. Autentiseringsuppgift krävs: anslut era googleSheetsOAuth2Api-uppgifter i Retrieve Sheet Rows.
4. Öppna Append Results to Sheet och ställ in Operation till append.
5. Ställ in Document till [YOUR_ID] och Sheet Name till results_sheet.
6. Autentiseringsuppgift krävs: anslut era googleSheetsOAuth2Api-uppgifter i Append Results to Sheet.

Steg 3: Konfigurera fältmappning och efterlevnadspoängsättning

Mappa indatafält, anropa API:t för efterlevnadspoängsättning och loopa igenom varje post för bearbetning.

1. I Map Input Fields ska ni ha Include Other Fields aktiverat och mappa fält med uttryck som {{ $json.control_description }} och {{ $json.response_text }}.
2. I Compliance Scoring Engine ställer ni in Control Text till {{ $json.response_text + ($json.implementation_notes ? (' ' + $json.implementation_notes) : '') }}.
3. Ställ in Crosswalk URL till https://gist.githubusercontent.com/[YOUR_ID]/raw/[YOUR_ID]/crosswalk.json.
4. Ställ in Evidence URLs till uttrycken {{ $json.evidence_url_1 }}, {{ $json.evidence_url_2 }}, {{ $json.evidence_url_3 }} och {{ $json.evidence_url_4 }}.
5. Autentiseringsuppgift krävs: anslut era cyberPulseHttpHeaderAuthApi-uppgifter i Compliance Scoring Engine.
6. Behåll Iterate Through Records som batchkontroller; den tar emot items från Compliance Scoring Engine och loopar tillbaka efter att resultaten har lagts till.

Steg 4: Konfigurera AI-sammanfattningar och datanormalisering

Generera AI-sammanfattningar, slå ihop poängsättnings- och AI-strömmarna och normalisera sedan utdatafälten innan de skrivs till resultatarket.

1. I Generate AI Summary ställer ni in Model till gpt-4o-mini och behåller JSON Output aktiverat.
2. Använd de tillhandahållna system- och användarmeddelandena; de innehåller referenser som {{ $('Map Input Fields').item.json.control_description }} och {{ +$json.score }}.
3. Autentiseringsuppgift krävs: anslut era openAiApi-uppgifter i Generate AI Summary.
4. Behåll Combine Streams inställd på Mode combine och Combine By combineByPosition för att sammanfoga poängsättnings- och AI-data.
5. I Normalize Output Row ska ni behålla Mode inställt på runOnceForEachItem och behålla den tillhandahållna JavaScript-koden för att sanera och standardisera utdatafält.

Körordningen här är linjär: Generate AI Summary → Combine Streams → Normalize Output Row → Append Results to Sheet.

Steg 5: Konfigurera utdatakolumner

Mappa normaliserade fält till ert resultatark för att säkerställa konsekventa poster.

1. I Append Results to Sheet bekräftar ni att Operation är append.
2. Mappa utdatafält som score till {{ $json.score }} och ai_summary till {{ $json.ai_summary }}.
3. Inkludera mappningar för bevis och metadata, såsom evidence_count {{ $json.evidence_count }} och frameworks_selected {{ $json.frameworks_selected }}.
4. Behåll loopen genom att säkerställa att Append Results to Sheet routar tillbaka till Iterate Through Records efter varje append.

Steg 6: Testa och aktivera ert arbetsflöde

Kör ett manuellt test för att validera poängsättning, AI-utdata, normalisering och hur tillägg av rader fungerar.

1. Klicka på Execute Workflow för att köra från Manual Execution Start.
2. Verifiera att Retrieve Sheet Rows hämtar rader från input_sheet och att Append Results to Sheet skriver till results_sheet.
3. Bekräfta att utdatafälten i resultatarket är korrekta, inklusive score, status, ai_summary och ai_findings.
4. När allt är validerat, slå på arbetsflödet till Active för att använda det i produktion.