Du känner igen känslan. Du avslutar dagen med 30 flikar fortfarande öppna, halvfärdiga adminuppgifter utspridda över olika sajter och inget tydligt kvitto på vart tiden tog vägen. Att manuellt “försöka se mönster” fungerar inte när du är upptagen med att faktiskt göra jobbet.
Den här Sheets OpenRouter-automationen träffar marknadsförare hårt (research tar aldrig slut), men ops-ansvariga och byråägare känner av den också. Resultatet är enkelt: en rankad lista över vad du ska automatisera härnäst, baserat på ditt faktiska surfbeteende – inte gissningar.
Du får se vad arbetsflödet gör, vad du behöver och hur det förvandlar rörig webbhistorik till en tydlig handlingsplan du kan genomföra.
Så här fungerar den här automationen
Se hur det här löser problemet:
n8n Workflow Template: Google Sheets + OpenRouter: hitta flöden att effektivisera
flowchart LR
subgraph sg0["Manual Launch Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Launch Trigger", pos: "b", h: 48 }
n1@{ icon: "mdi:database", form: "rounded", label: "Retrieve Sheet Rows", pos: "b", h: 48 }
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Group History by Domain"]
n3@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Exclude Irrelevant Domains", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Iterate Through Entries", pos: "b", h: 48 }
n5["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Prepare Prompt Payload"]
n6@{ icon: "mdi:robot", form: "rounded", label: "Automation Analysis Agent", pos: "b", h: 48 }
n7@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Engine", pos: "b", h: 48 }
n8@{ icon: "mdi:memory", form: "rounded", label: "Buffer Memory Window", pos: "b", h: 48 }
n9@{ icon: "mdi:database", form: "rounded", label: "Append Row to Sheets", pos: "b", h: 48 }
n10@{ icon: "mdi:web", form: "rounded", label: "Template Search Request", pos: "b", h: 48 }
n5 --> n6
n6 --> n4
n10 -.-> n6
n8 -.-> n6
n4 --> n5
n1 --> n2
n7 -.-> n6
n3 --> n4
n2 --> n3
n9 -.-> n6
n0 --> n1
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n6 ai
class n7 aiModel
class n8 ai
class n3 decision
class n1,n9 database
class n10 api
class n2,n5 code
classDef customIcon fill:none,stroke:none
class n2,n5 customIcon
Utmaningen: att förvandla “flikkaos” till tydliga prioriteringar
De flesta försöker “bli mer produktiva” genom att byta verktyg, inte genom att ändra det de gör om och om igen. Problemet är att du inte kan optimera det du inte ser. Din webbhistorik är ett brutalt ärligt dataset över var tiden försvinner, men den är också en röra: hundratals URL:er, återkommande besök och brus från saker du inte kan automatisera (sök, video, slumpmässig läsning). Sen kommer problem nummer två. Även om du ser mönster, kräver det research, verktygsval och uppföljning för att förvandla dem till en riktig automationsplan.
Det drar snabbt iväg. Här är var det faller isär.
- Du återvänder hela tiden till samma portaler för statuskontroller, exporter eller copy-paste-uppdateringar, och det äter i smyg upp en timme här och där.
- Det är svårt att skilja “jobb” från “brus” när YouTube, Google och interna dashboards alla ser ut som aktivitet.
- Även när du vet att något är repetitivt, vet du ändå inte bästa automationsupplägget (n8n, scraping, webbläsarautomation, API:er eller något annat).
- Idéer fastnar som goda intentioner eftersom det saknas en prioriterad lista som säger vad du ska ta först.
Lösningen: en AI-prioriterad automationsbacklog baserad på din webbhistorik
Det här arbetsflödet tar din exporterade webbhistorik (lagrad i Google Sheets) och gör om den till en beslutsfärdig lista med automationsmöjligheter. Det börjar med att hämta rader från en “history”-flik och grupperar sedan besök per domän så att mönster syns direkt. Därefter filtrerar det bort vanliga tidstjuvar och icke-handlingsbara sajter (tänk Google-sök eller YouTube) så att analysen håller fokus på uppgifter som faktiskt kan effektiviseras. Därifrån använder en AI-agent en OpenRouter-chatmodell för att bedöma varje domän: går den att automatisera, vad exakt som ska automatiseras, varför det är värt att göra och vilka verktyg som är rimliga. Slutligen skriver arbetsflödet resultaten till en ny “automations”-flik, och kör även en sökning efter relevanta n8n-mallar så att du kan gå från “idé” till implementation.
Arbetsflödet startar när du kör det i n8n. Google Sheets levererar råhistoriken, arbetsflödet rensar och batchar den, och OpenRouter producerar en strukturerad rekommendation per domän. Resultatet hamnar tillbaka i kalkylarket som en rankad, användbar åtgärdslista.
Vad som förändras: före vs. efter
| Det här elimineras | Effekten du kommer att se |
|---|---|
|
|
Effekt i verkligheten
Säg att du exporterar en veckas webbhistorik och att den innehåller ungefär 40 domäner du regelbundet använder i jobbet. Att göra detta manuellt brukar innebära cirka 5 minuter per domän för att skumma, kategorisera och skriva en “kanske automatisera det här”-notering, vilket är runt 3 timmar. Med det här arbetsflödet kör du trigget, väntar på AI-analysen och är klar med cirka 10 minuter aktiv tid (resten är bearbetning). Det är inte bara tid tillbaka. Det är ett tydligare nästa steg varje gång du sätter dig för att förbättra din drift.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att lagra webbhistorik och resultat.
- OpenRouter för att köra LLM-analysen.
- OpenRouter API-nyckel (hämta den i din OpenRouter-dashboard).
Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in en API-nyckel och kör ett test en gång.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Flödet i arbetsflödet
En manuell körning startar allt. I n8n startar du arbetsflödet när du är redo att analysera en ny export (veckovis fungerar bra för de flesta team).
Ditt Google Sheet blir källan som gäller. Arbetsflödet läser rader från “history”-fliken, och sedan grupperar ett litet kodsteg poster per domän så att du inte analyserar tusentals enskilda URL:er.
Bruset tas bort innan AI:n rör det. Ett filter tar bort domäner som typiskt är icke-handlingsbara, vilket gör att din OpenRouter-användning fokuserar på platser där automation är realistisk.
AI-agenten skapar strukturerade rekommendationer. För varje domän förbereder arbetsflödet en prompt-payload, skickar den till LangChain-agenten med en OpenRouter-chatmodell och returnerar fält som “automatable”, “what_to_automate”, “tool” och ett enkelt betyg.
Resultaten sparas och berikas. Arbetsflödet lägger till en rad i en “automations”-flik och kör sedan en HTTP-förfrågan för att söka efter relaterade n8n-mallar så att du kan gå direkt till att bygga.
Du kan enkelt ändra listan över exkluderade domäner så att den matchar dina faktiska surfvanor utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: konfigurera den manuella triggern
Det här arbetsflödet startar med en manuell körning som läser in webbhistorik från Google Sheets.
- Lägg till Manual Launch Trigger som startnod.
- Lämna standardinställningarna som de är för att tillåta manuell körning.
- Koppla Manual Launch Trigger till Retrieve Sheet Rows så att exekveringsflödet matchar.
Steg 2: anslut Google Sheets
Konfigurera Google Sheets-noderna för in- och utdata för att läsa webbhistorik och lagra analysresultat.
- Öppna Retrieve Sheet Rows och ställ in Document till kalkylarkets ID som visas som
[YOUR_ID]. - Ställ in Sheet Name till
history(cachelagrat namn i noden). - Inloggningsuppgifter krävs: anslut era
googleSheetsOAuth2Api-inloggningsuppgifter för Retrieve Sheet Rows. - Öppna Append Row to Sheets och ställ in Document till
[YOUR_ID]och Sheet Name tillautomations. - Inloggningsuppgifter krävs: anslut era
googleSheetsOAuth2Api-inloggningsuppgifter. Append Row to Sheets är ett verktyg som är kopplat till Automation Analysis Agent, så säkerställ att inloggningsuppgiften är tillgänglig för den överordnade agentens verktygskoppling.
Steg 3: konfigurera bearbetning och filtrering
Dessa noder grupperar historik per domän och tar bort irrelevanta domäner före analys.
- I Group History by Domain ska ni behålla JavaScript Code som grupperar objekt per domän exakt som det är angivet i noden.
- I Exclude Irrelevant Domains ställer ni in villkoret Left Value till
{{ $json.group[0].domain }}och Right Value till/(?:youtube\.com|google\.(com|[a-z]{2})|chatgpt\.com|openai\.com|chromewebstore.google.com)/i. - I Iterate Through Entries ställer ni in Batch Size till
{{ $input.all().length }}så att den bearbetar alla grupperade poster på en gång. - Säkerställ att exekveringsordningen följer Retrieve Sheet Rows → Group History by Domain → Exclude Irrelevant Domains → Iterate Through Entries.
url kommer Group History by Domain att misslyckas. Säkerställ att arket innehåller en url-kolumn.Steg 4: konfigurera AI-agenten och minnet
AI-agenten analyserar grupperad webbhistorik, använder minne per domän och förbereder en prompt-payload för analys.
- I Prepare Prompt Payload ska ni behålla Mode som
runOnceForEachItemoch JavaScript Code som returnerar{ prompt: JSON.stringify($json) }. - I Automation Analysis Agent ställer ni in Text till den definierade prompten som inkluderar
{{ $json.prompt }}och behåller Prompt Type somdefine. - Anslut OpenRouter Chat Engine som språkmodell för Automation Analysis Agent.
- Inloggningsuppgifter krävs: anslut era
openRouterApi-inloggningsuppgifter på OpenRouter Chat Engine. - I Buffer Memory Window ställer ni in Session Key till
{{ $('Iterate Through Entries').item.json.group[0].domain }}och Session ID Type tillcustomKey. - Buffer Memory Window är ansluten som minne för Automation Analysis Agent; lägg till eventuella AI-inloggningsuppgifter på den överordnade agenten om det krävs av er uppsättning.
Steg 5: konfigurera utdata och verktyg
Agenten använder två verktyg för att berika utdata och spara resultat till Google Sheets.
- I Append Row to Sheets bekräftar ni att Operation är
appendoch behåller kolumnmappningarna som använder AI-utdata som{{ $fromAI('reason', ``, 'string') }}och{{ $fromAI('automation_rating', ``, 'string') }}. - I Template Search Request ställer ni in URL till
https://n8n.io/workflows/?sort=views:descoch låter Send Query vara aktiverat. - Ställ in frågeparametern q till
{{ $fromAI('parameters0_Value', ``, 'string') }}. - Bekräfta att både Append Row to Sheets och Template Search Request är anslutna som AI-verktyg till Automation Analysis Agent.
Steg 6: testa och aktivera ert arbetsflöde
Kör ett manuellt test för att bekräfta att rader läses, analyseras och skrivs till utdataarket.
- Klicka på Execute Workflow på Manual Launch Trigger för att köra flödet.
- Verifiera att Retrieve Sheet Rows läser in webbhistorik från arket
history. - Bekräfta att Automation Analysis Agent producerar analys och att Append Row to Sheets skriver till arket
automations. - Om resultaten är korrekta sparar ni och aktiverar arbetsflödet för användning i produktion.
Se upp med
- Google Sheets-inloggningar kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera först n8n-inställningarna för Google Sheets-uppgifter och delningsåtkomst till kalkylarket.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om efterföljande noder misslyckas på grund av tomma svar.
- OpenRouter-prompter som är för generiska ger råd som känns självklara. Lägg till en rad om din affärsmodell och vad “effektivisera” betyder för dig, annars kommer du att sitta och redigera utdata i all evighet.
Vanliga frågor
Cirka 30 minuter om ditt Sheet och din OpenRouter-nyckel är redo.
Ja. Ingen kodning krävs, men någon bör vara bekväm med att kopiera en API-nyckel och välja rätt Google Sheet.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenRouter-användning (det beror på modellval, men räkna med små kostnader per körning).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Det kan du. De flesta börjar med att ändra filtret “Exclude Irrelevant Domains” så att det matchar verkligheten, och justerar sedan steget “Prepare Prompt Payload” så att AI-agenten betygsätter det som är viktigt för ditt team (lead gen, rapportering, kundsupport, leverans). Om du senare föredrar en annan modellleverantör kan du byta OpenRouter-chatmodellnoden utan att ändra resten av arbetsflödet. Du kan också bygga ut utdatafliken med kolumner som “owner” och “due date” för att förvandla förslagen till en genomförandeplan.
Oftast beror det på utgången Google-auktorisering eller att kalkylarket inte är delat med samma konto som används i din n8n-credential. Återanslut Google Sheets-credentialen i n8n och bekräfta sedan att kalkylarkets ID och fliknamn matchar exakt (“history” för indata och “automations” för utdata). Om det fortfarande misslyckas, kontrollera om din Google Workspace-administratör begränsar åtkomst för tredjepartsappar.
I praktiken skalar den till hundratals domäner per körning, men hastighet och kostnad beror på vilken modell du väljer och hur aggressivt du batchar objekt i n8n.
Ofta, ja, eftersom den här typen av arbetsflöde behöver batching, filtrering och strukturerade AI-utdata i en loop, och det blir klumpigt (och dyrt) i enklare verktyg. n8n är också enklare att anpassa när du vill justera promptlogik eller lägga till extra steg som mallsökning. Zapier eller Make kan fortfarande fungera om du bara vill ha ett lättviktigt “skicka mina rader till en AI och skriv tillbaka”-flöde, men du tappar en del kontroll. Och ärligt talat är kontroll hela poängen här. Prata med en automationsexpert om du vill ha hjälp att välja.
Det här arbetsflödet förvandlar “jag har mycket att göra” till “här är vad som ska automatiseras härnäst”. Kör det varje vecka, behåll de bästa idéerna och låt kalkylarket styra nästa bygge – inte magkänslan.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.