Steg 2: Routa meddelanden och extrahera text eller bilder

Dela upp flödet baserat på meddelandetyp och extrahera rätt payload för AI-bearbetning.

1. I Route by Message Type, behåll de två reglerna som jämför Left Value {{ $json.body.events[0].message.type }} med text och image.
2. Koppla utgången text till Extract Text Message och ställ in tilldelningsvärdet till {{ $json.body.events[0].message.text }}.
3. Koppla utgången image till Download Image Asset och ställ in URL till =https://api-data.line.me/v2/bot/message/{{ $json.body.events[0].message.id }}/content.
4. I Download Image Asset, lägg till headern Authorization med Bearer [CONFIGURE_YOUR_TOKEN] och låt Send Headers vara aktiverat.

Steg 3: Sätt upp AI-bearbetning och minne

Konfigurera AI-noderna för textsvar och kaloriuppskattning från bilder, inklusive minne och modellkopplingar.

1. Öppna Conversational AI Handler och ställ in Text till {{ $json.text }}, med systemmeddelandet satt till You are an AI assistant. Your job is to respond to user messages..
2. Säkerställ att OpenAI Chat Engine är ansluten som språkmodell för Conversational AI Handler och välj modellen gpt-4.1-mini. Credential Required: Anslut era openAiApi-credentials.
3. Koppla Session Memory Buffer till ingången ai_memory på Conversational AI Handler och ställ in Session Key till {{ $('Incoming LINE Hook').item.json.body.events[0].source.userId }}.
4. Öppna Inspect Image Content och verifiera att Resource är image, Input Type är base64, Operation är analyze, och att prompten matchar kravet på kaloridata som endast JSON. Credential Required: Anslut era openAiApi-credentials.

Steg 4: Tolka AI-utdata och lagra i Google Sheets

Tolka AI-utdata från bilder till strukturerade fält och lägg till dem i ett kalkylark.

1. Säkerställ att Download Image Asset är kopplad till Inspect Image Content.
2. Bekräfta att Inspect Image Content skickar utdata till både Parse Calorie Output och Format LINE Message parallellt.
3. Öppna Append Sheet Row och ställ in Operation till append, Document ID till ert kalkylark (ersätt [YOUR_ID]), och Sheet Name till målfliken (ersätt [YOUR_ID]).
4. Mappa kolumner i Append Sheet Row: date till {{ $now.format('yyyy-MM-dd') }}, menu till {{ $json.dishName }}, och cal till {{ $json.calories }}. Credential Required: Anslut era googleSheetsOAuth2Api-credentials.

Steg 5: Formatera och skicka LINE-svar

Bygg LINE-svarsmeddelandet och skicka tillbaka det till användaren.

1. I Format LINE Message, behåll koden som bygger ett sammanfattningsmeddelande och säkerställ att den outputtar message.
2. Öppna Map Reply Text och mappa output till {{ $json.message }}.
3. I Post LINE Reply, ställ in URL till https://api.line.me/v2/bot/message/reply och Method till POST.
4. Ställ in JSON Body till { "replyToken": "{{ $('Incoming LINE Hook').item.json.body.events[0].replyToken }}", "messages": [ { "type": "text", "text":{{ JSON.stringify($json.output) }} } ] } .
5. Lägg till headers i Post LINE Reply: Authorization Bearer [CONFIGURE_YOUR_TOKEN] och Content-Type application/json.

Körningsnotering: Inspect Image Content skickar utdata till både Parse Calorie Output och Format LINE Message parallellt, så loggning i arket och svarsformatering sker samtidigt.

Steg 6: Testa och aktivera ert workflow

Verifiera beteendet end-to-end med både text- och bildindata, och aktivera sedan workflowet.

1. Klicka på Execute Workflow och skicka ett LINE-textmeddelande för att trigga Incoming LINE Hook; bekräfta att Conversational AI Handler returnerar ett svar och att Post LINE Reply postar det tillbaka.
2. Skicka en LINE-bild på en maträtt; bekräfta att Download Image Asset lyckas, att Inspect Image Content returnerar JSON, att Parse Calorie Output tolkar den, och att Append Sheet Row skapar en ny rad.
3. Verifiera att svarsmeddelandet från Post LINE Reply innehåller den formaterade sammanfattningen från Format LINE Message.
4. Slå på workflowet Active för att aktivera hantering av produktionswebhook.