Steg 2: Koppla inputs och API-inställningar

Använd en centraliserad konfigurationsnod för att lagra API-nycklar och modellinställningar som används längre fram i flödet.

1. Öppna Configure Inputs.
2. Ställ in JINA Reader API Key till er nyckel i [CONFIGURE_YOUR_API_KEY].
3. Ställ in Google Gemini Model till gemini-2.5-pro-preview-03-25.
4. Ställ in Waiting Time (Seconds) till 1 (justera vid behov utifrån rate limits).

Steg 3: Sätt upp bearbetning av konkurrent-URL:er och extrahering av HTML

Det här steget delar upp konkurrentlistan, loopar igenom varje URL, hämtar HTML och konverterar den till strukturerad data.

1. I Split URLs Into Items, behåll befintlig JavaScript-kod för att dela upp Intake Form Trigger-konkurrenter till competitor_url-items.
2. Koppla Split URLs Into Items till Batch Iterate Records för att loopa varje URL.
3. Konfigurera Fetch Page HTML med URL satt till =https://r.jina.ai/{{ $json.competitor_url }}.
4. I Fetch Page HTML, ställ in headers: Authorization till =Bearer {{ $('Configure Inputs').first().json['JINA Reader API Key'] }} och X-Return-Format till html.
5. Behåll Parse HTML Elements som den är för att extrahera rubriker, metadata, schema och n-gram.
6. I Map URL Details, mappa fälten med uttryck: Competitor URL till {{ $('Batch Iterate Records').item.json.competitor_url }}, Outline till {{ JSON.stringify($json.outline) }}, Meta till {{ JSON.stringify($json.meta) }} och Ngrams till {{ JSON.stringify($json.ngrams) }}.
7. Batch Iterate Records skickar output parallellt till både Fetch Page HTML och Compile Competitor XML.
8. Behåll Compile Competitor XML och Pass Competitor Data för att sätta ihop hela konkurrentdatasetet.

Steg 4: Konfigurera LLM för konkurrentanalys

Den här fasen analyserar konkurrenternas struktur och ger ut en strukturerad rapport.

1. Öppna Gemini Model Primary och bekräfta att Model Name är =models/{{ $('Configure Inputs').first().json['Google Gemini Model'] }}.
2. Credentials krävs: Koppla era googlePalmApi-credentials i Gemini Model Primary.
3. I Competitor Insights LLM, behåll uttrycket i fältet Text som injicerar Target Keyword och competitors_data.
4. Bekräfta att Competitor Insights LLM använder Gemini Model Primary som språkmodell—credentials ska läggas till i Gemini Model Primary, inte i chain-noden.
5. I Store Competitor Report, behåll uttrycket för XML-extraktion för Competitor Analysis Report.
6. Säkerställ att Store Competitor Report går vidare till Delay Before Intent för att respektera tidsbegränsningar.

Steg 5: Konfigurera intent, syntes och generering av disposition

Det här blocket bygger användarintent, syntes och rekommendationer för disposition med flera Gemini-backade LLM-noder.

1. Öppna Gemini Model Intent och behåll Model Name satt till =models/{{ $('Configure Inputs').first().json['Google Gemini Model'] }}.
2. Credentials krävs: Koppla era googlePalmApi-credentials i Gemini Model Intent.
3. I User Intent LLM, behåll Text-uttrycket för målfrågan. Den här chainen använder Gemini Model Intent—credentials ska läggas till i modellnoden.
4. I Store Intent Report, behåll extraktionsuttrycket för User Intent Analysis Report, och skicka sedan vidare till Pause Before Synthesis med Amount satt till ={{ $('Configure Inputs').first().json['Waiting Time (Seconds)'] }}.
5. Öppna Gemini Model Synthesis och behåll Model Name satt till =models/{{ $('Configure Inputs').first().json['Google Gemini Model'] }}.
6. I Synthesis Gap LLM, behåll Text-uttrycket som kombinerar konkurrent- och intentrapporter. Den använder Gemini Model Synthesis som språkmodell.
7. I Store Synthesis Output, behåll extraktionsuttrycket för Synthesis & Gap Analysis, och koppla sedan till Pause Before Outline.
8. Öppna Gemini Model Outline och behåll Model Name satt till =models/{{ $('Configure Inputs').first().json['Google Gemini Model'] }}.
9. Credentials krävs: Koppla era googlePalmApi-credentials i Gemini Model Outline.
10. I Outline Generator LLM, behåll Text-uttrycket som använder syntesresultat och intake-fält, och lagra sedan output i Store Outline Draft.

Steg 6: Konfigurera UX-förbättringar, slutlig blueprint och export

Arbetsflödet avslutas genom att generera UX-copyförslag och sammanställa en slutlig blueprint-fil.

1. I Pause Before UX, behåll Amount satt till ={{ $('Configure Inputs').first().json['Waiting Time (Seconds)'] }}.
2. Öppna Gemini Model UX och behåll Model Name satt till =models/{{ $('Configure Inputs').first().json['Google Gemini Model'] }}.
3. I UX Copy Enhancement LLM, behåll Text-uttrycket som kombinerar disposition, intent och servicedetaljer. Den här chainen använder Gemini Model UX.
4. Lagra resultaten i Store UX Suggestions med hjälp av det befintliga uttrycket för XML-extraktion.
5. Öppna Gemini Model Final och behåll Model Name satt till =models/{{ $('Configure Inputs').first().json['Google Gemini Model'] }}.
6. I Final Blueprint LLM, behåll Text-uttrycket som sammanställer alla tidigare rapporter, och routa sedan till Store Final Blueprint.
7. Konfigurera Export Blueprint File med Operation satt till toText och Source Property satt till Final Blueprint.

Steg 7: Testa och aktivera ert arbetsflöde

Verifiera att varje steg ger giltig output innan ni aktiverar arbetsflödet för produktion.

1. Klicka på Execute Workflow och skicka in Intake Form Trigger med 2–3 konkurrent-URL:er för att validera scraping-loopen.
2. Bekräfta att Store Competitor Report, Store Intent Report, Store Synthesis Output, Store Outline Draft och Store UX Suggestions var och en innehåller extraherad text (inte rå XML).
3. Kontrollera att Store Final Blueprint innehåller en Markdown-blueprint och att Export Blueprint File ger ut en fil med namnet Blueprint.txt.
4. När ni är nöjda, växla arbetsflödet till Active så att formuläret kan användas i produktion.