Steg 2: anslut Google Sheets för indata och resultat

Dessa noder hämtar testrader och lägger tillbaka utvärderingsresultat i ert kalkylark.

1. Öppna Retrieve Test Rows och välj kalkylarket Info Extraction Tasks (LLM Judge) och bladet Tests.
2. Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Retrieve Test Rows.
3. Öppna Append Results Sheet och bekräfta att Operation är appendOrUpdate.
4. Mappa kolumnerna i Append Results Sheet med de angivna uttrycken, till exempel {{$json['ID']}}, {{$json.output.decision}} och {{$json.output.reasoning}}.
5. Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Append Results Sheet.

Steg 3: konfigurera dataförberedelse, routning och sammanslagning av payloads

Dessa noder förbereder utvärderingsdata och styr vilka rader som går vidare i arbetsflödet.

1. I PDF File Check, säkerställ att första villkoret kontrollerar efter en PDF: {{$json['Relevant Source Reference']}} contains .pdf.
2. Ställ in det andra villkoret i PDF File Check för att verifiera att raden finns: {{$json.row_number}} greater than 0.
3. Konfigurera Sample Limit Gate med Max Items satt till 3 för att strypa testkörningar.
4. I både Capture Input Output och Store Original Payload, ställ in JSON Output till {{$json.body}}.
5. I Combine Payloads, ställ in Mode till combine och Combine By till combineByPosition.

Steg 4: ladda ner och extrahera källtext från PDF

I det här steget hämtas källdokumentet från Drive och texten extraheras för utvärdering.

1. Öppna Download Drive File och ställ in Operation till download.
2. Ställ in File ID till uttrycket {{$json["URL"].match(/[-\w]{25,}/)[0]}} för att tolka ut Drive-ID:t från URL:en.
3. Autentiseringsuppgifter krävs: Anslut era googleDriveOAuth2Api-uppgifter i Download Drive File.
4. I Extract PDF Text, ställ in Operation till pdf.

Steg 5: sätt upp kedjan för LLM-utvärdering

Konfigurera LLM-utvärderingsprompten, JSON-tolkningen och modellens autentiseringsuppgifter.

1. Öppna LLM Evaluation Chain och ställ in Text till exakt den här mallen: =INPUT: { "task": {{ $('Capture Input Output').item.json['Input '] }}, "source": {{ $json.text }}, "output": {{ $('Capture Input Output').item.json['Output '] }} } OUTPUT:
2. Säkerställ att Has Output Parser är aktiverad i LLM Evaluation Chain.
3. I Structured JSON Parser, behåll exempelschemat som returnerar reasoning och decision.
4. Konfigurera OpenRouter Chat Engine med Model satt till openai/gpt-4.1.
5. Autentiseringsuppgifter krävs: Anslut era openRouterApi-uppgifter i OpenRouter Chat Engine.

Steg 6: konfigurera API-anropet till delprocessen och slutlig återrapportering

Det här sista segmentet skickar bearbetade poster till en extern endpoint innan resultaten läggs till.

1. I Invoke Subprocess API, ställ in URL till https://webhook-processor-production-48f8.up.railway.app/webhook/xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx.
2. Ställ in Method till POST och JSON Body till {{$json}}.
3. Bekräfta flödesordningen: Sample Limit Gate → Invoke Subprocess API → Append Results Sheet.

Steg 7: testa och aktivera ert arbetsflöde

Validera båda trigger-vägarna och bekräfta att resultaten sparas i ert ark.

1. Klicka på Execute Workflow på Manual Execution Start för att köra ett test från Google Sheets.
2. Skicka en testpayload till Incoming Webhook Trigger via POST-URL:en för att verifiera beteendet i den parallella grenen.
3. Verifiera att Extract PDF Text ger text som output och att LLM Evaluation Chain returnerar ett strukturerat output-objekt.
4. Bekräfta att nya rader visas i målbladet för Append Results Sheet med ifyllda fält för Decision och Reasoning.
5. Växla arbetsflödet till Active när testningen är lyckad.