Steg 2: anslut DeepSearch API Request

Konfigurera HTTP-förfrågan som skickar forskningsfrågan till DeepSearch.

1. Lägg till noden DeepSearch API Request och anslut den efter Research Query Trigger.
2. Ställ in URL till https://deepsearch.jina.ai/v1/chat/completions.
3. Ställ in Method till POST.
4. Ställ in Send Body till true och Specify Body till json.
5. Ställ in JSON Body till ={ "model": "jina-deepsearch-v1", "messages": [ { "role": "user", "content": "You are an advanced AI researcher that provides precise, well-structured, and insightful reports based on deep analysis. Your responses are factual, concise, and highly relevant." }, { "role": "assistant", "content": "Hi, how can I help you?" }, { "role": "user", "content": "Provide a deep and insightful analysis on: \"{{ $json.chatInput }}\". Ensure the response is well-structured, fact-based, and directly relevant to the topic, with no unnecessary information." } ], "stream": true, "reasoning_effort": "low" }.

⚠️ Vanlig fallgrop: JSON-body använder {{ $json.chatInput }} från Research Query Trigger. Säkerställ att chattens indatafält finns med i triggerdatan, annars kommer förfrågan att returnera tomma resultat.

Steg 3: sätt upp markdown-formateraren för svaret

Formatera streaming-svaret från DeepSearch till ren markdown-utdata.

1. Lägg till noden Markdown Response Formatter och anslut den efter DeepSearch API Request.
2. Klistra in den tillhandahållna JavaScript-koden i Code: function extractAndFormatMarkdown(input) { let extractedContent = []; // Extract raw data string from n8n input let rawData = input.first().json.data; // Split into individual JSON strings let jsonStrings = rawData.split("\n\ndata: ").map(s => s.replace(/^data: /, '')); let lastContent = ""; // Reverse loop to find the last "content" field for (let i = jsonStrings.length - 1; i >= 0; i--) { try { let parsedChunk = JSON.parse(jsonStrings[i]); if (parsedChunk.choices && parsedChunk.choices.length > 0) { for (let j = parsedChunk.choices.length - 1; j >= 0; j--) { let choice = parsedChunk.choices[j]; if (choice.delta && choice.delta.content) { lastContent = choice.delta.content.trim(); break; } } } if (lastContent) break; // Stop once the last content is found } catch (error) { console.error("Failed to parse JSON string:", jsonStrings[i], error); } } // Clean and format Markdown lastContent = lastContent.replace(/\[\^(\d+)\]: (.*?)\n/g, "[$1]: $2\n"); // Format footnotes lastContent = lastContent.replace(/\[\^(\d+)\]/g, "[^$1]"); // Inline footnotes lastContent = lastContent.replace(/(https?:\/\/[^\s]+)(?=[^]]*\])/g, "<$1>"); // Format links // Return formatted content as an array of objects (n8n expects this format) return [{ text: lastContent.trim() }]; } // Execute function and return formatted output return extractAndFormatMarkdown($input);.
3. Bekräfta att utdata är ett rent text-fält som passar för chattsvar eller efterföljande åtgärder.

Tips: Sticky note Flowpast Branding är endast informativ och påverkar inte körningen. Ni kan behålla den för dokumentation eller ta bort den utan att ändra arbetsflödets beteende.

Steg 4: testa och aktivera ert arbetsflöde

Kör ett manuellt test för att verifiera att forskningsfrågan skickas och att markdown-svaret returneras.

1. Klicka på Execute Workflow och skicka ett testmeddelande till Research Query Trigger.
2. Bekräfta att DeepSearch API Request returnerar streaming-data med ett data-fält.
3. Verifiera att Markdown Response Formatter matar ut ett rent text-fält med den slutliga forskningssammanfattningen.
4. När allt fungerar, slå på arbetsflödet Active för användning i produktion.