Steg 2: anslut Google Sheets

Google Sheets lagrar flygbolagens URL:er och tar emot de extraherade resultaten.

1. Öppna Retrieve Airline Links och välj ert kalkylark i Document ID och Sheet Name.
2. Inloggningsuppgifter krävs: Anslut era googleApi-inloggningsuppgifter i Retrieve Airline Links.
3. Öppna Update Sheet Output, ställ in Operation till update och välj samma kalkylark.
4. Inloggningsuppgifter krävs: Anslut era googleApi-inloggningsuppgifter i Update Sheet Output.
5. I Update Sheet Output → Columns mappar ni row_number till {{ $('Iterate Records').item.json.row_number }}.
6. Mappa web check in details till {{ $json.text.removeTags().replace(/^```json|```$/g, '').trim() }}.

Steg 3: konfigurera batchbearbetning och webb-hämtning

Poster itereras i batchar och varje flygbolagssida hämtas för AI-extraktion.

1. Öppna Iterate Records och behåll standardbeteendet för batchar om ni inte behöver en anpassad batchstorlek.
2. Öppna Fetch Airline Page och ställ in URL till =https://r.jina.ai/{{ $json['WEB CHECK IN URL'] }}.
3. Ställ in Method till POST och aktivera Send Headers.
4. Ställ in Specify Headers till json och klistra in JSON i JSON Headers exakt så här: { "Cookie": "cookie-keyname1=[CONFIGURE_YOUR_TOKEN]; cookie-keyname2=[CONFIGURE_YOUR_TOKEN]; cookie-keyname3=[CONFIGURE_YOUR_TOKEN]" }.
5. Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Fetch Airline Page.

Steg 4: konfigurera AI-extraktion

Arbetsflödet använder en LLM för att extrahera strukturerad incheckningsdata för flygbolag från sidinnehållet.

1. Öppna LLM Data Extraction och ställ in Text till .
2. Behåll den definierade prompten i Messages för att säkerställa konsekvent JSON-extraktion.
3. Öppna Conversational Model och säkerställ att den är ansluten som språkmodell för LLM Data Extraction.
4. Inloggningsuppgifter krävs: Anslut era ollamaApi-inloggningsuppgifter i Conversational Model.
5. Bekräfta flödet: Fetch Airline Page → LLM Data Extraction → Delay for Reply.

Steg 5: konfigurera inmatning till vektordatabas

Extraherad data lagras i en vektordatabas för efterföljande sök och hämtning.

1. Öppna Chunk Large Text och ställ in Chunk Size till 10000.
2. Använd Prepare Vector Text för att formatera den extraherade datan till dokument för vektorlager.
3. Säkerställ att Create Vector Embeds är ansluten som embedding-modell för Insert into Vector DB.
4. Inloggningsuppgifter krävs: Anslut era ollamaApi-inloggningsuppgifter i Create Vector Embeds (inloggningsuppgifter för AI-undernod konfigureras här, inte i Insert into Vector DB).
5. Öppna Insert into Vector DB och ställ in Mode till insert.
6. Inloggningsuppgifter krävs: Anslut era postgres-inloggningsuppgifter i Insert into Vector DB.
7. Bekräfta flödet: Update Sheet Output → Insert into Vector DB → Pause Before Next Batch → Iterate Records.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett end-to-end-test för att bekräfta att arbetsflödet skriver resultat till Google Sheets och lägger in embeddings i Postgres.

1. Klicka på Execute Workflow och initiera en chattsession för att trigga Chat Initiation Trigger.
2. Verifiera att en rad hämtas från Retrieve Airline Links och bearbetas av Iterate Records.
3. Bekräfta att Update Sheet Output skriver strukturerad JSON i kolumnen web check in details.
4. Kontrollera att Insert into Vector DB slutförs utan fel och att Pause Before Next Batch väntar 15 sekunder.
5. När allt fungerar, växla arbetsflödet till Active för användning i produktion.