LinkedIn-research låter enkelt tills du har 12 flikar öppna, kopierar halvtrasiga utdrag till ett kalkylark och ändå saknar den enda detaljen som hade gjort din outreach personlig. Det är inte svårt arbete. Det är dränerande arbete.
Marketing ops-team känner av det när listor snabbt behöver berikas. Rekryterare fastnar i att verifiera profiler. Och säljare sitter till slut och “researchar” klockan 21. Den här automatiseringen för LinkedIn lead summaries ger dig felfria, konsekventa sammanfattningar i Google Sheets utan flikhoppande.
Du får se vad workflowet gör, varför det är pålitligt och hur du anpassar det till din nisch så att sammanfattningarna faktiskt hjälper dig att skicka bättre outreach.
Så fungerar den här automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: LinkedIn + Google Sheets: lead-sammanfattningar klara
flowchart LR
subgraph sg0["When Executed by Another Workflow Flow"]
direction LR
n2@{ icon: "mdi:play-circle", form: "rounded", label: "When Executed by Another Wor..", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-vertical", form: "rounded", label: "Extract Links", pos: "b", h: 48 }
n7["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/html.dark.svg' width='40' height='40' /></div><br/>Get Links from Body"]
n8@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Filter only LinkedIn Profiles", pos: "b", h: 48 }
n9@{ icon: "mdi:cog", form: "rounded", label: "Limit", pos: "b", h: 48 }
n11@{ icon: "mdi:cog", form: "rounded", label: "Get 1 Google Result", pos: "b", h: 48 }
n6 --> n8
n11 --> n7
n7 --> n6
n8 --> n9
n2 --> n11
end
subgraph sg1["When chat message received Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
n1@{ icon: "mdi:memory", form: "rounded", label: "Simple Memory1", pos: "b", h: 48 }
n3@{ icon: "mdi:wrench", form: "rounded", label: "Search LinkedIn URI", pos: "b", h: 48 }
n4@{ icon: "mdi:cog", form: "rounded", label: "Get LinkedIn Profile Data", pos: "b", h: 48 }
n5@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n10@{ icon: "mdi:robot", form: "rounded", label: "AI Prospector Agent", pos: "b", h: 48 }
n1 -.-> n10
n5 -.-> n10
n3 -.-> n10
n4 -.-> n10
n0 --> n10
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n2,n0 trigger
class n10 ai
class n5 aiModel
class n3 ai
class n1 ai
class n8 decision
classDef customIcon fill:none,stroke:none
class n7 customIcon
Utmaningen: LinkedIn-research som aldrig förblir organiserad
Manuell prospekteringsresearch faller isär på tysta, irriterande sätt. Du googlar någon, hamnar på en “kanske”-profil och hoppar sedan mellan LinkedIn, företagssidor och slumpmässiga utdrag för att bekräfta att det är rätt person. Sedan klistrar du in några anteckningar i Google Sheets, men formatet ändras varje gång eftersom du har bråttom (och eftersom olika personer i teamet skriver anteckningar på olika sätt). En vecka senare sitter du med ett ark fullt av inkonsekventa rader som inte stödjer outreach, segmentering eller överlämningar.
Det blir snabbt mycket. Här är var det brukar spåra ur.
- Att hitta rätt LinkedIn-profillänk tar längre tid än det borde, särskilt när namnen är vanliga.
- Att kopiera och klistra in profildetaljer skapar fel, och de felen dyker upp senare i pinsam outreach.
- Anteckningar följer ingen mall, så en person skriver uppsatser medan en annan skriver “ser bra ut”.
- Teamet lägger tid på att söka igen eftersom ingen litar på den gamla researchen.
Lösningen: AI-genererade LinkedIn-sammanfattningar som skickas in i Sheets
Det här workflowet gör en prompt till en strukturerad lead-sammanfattning du faktiskt kan använda. Du skickar ett meddelande (namn + företag, roll + företag eller till och med en direkt LinkedIn-URL). Automatiseringen kör en riktad Google-sökning som är begränsad till LinkedIn-profiler, hämtar länkar från resultatsidan, filtrerar bort skräp och behåller den första giltiga profil-URL:en. Därefter skrapar Bright Data profildetaljerna i ett konsekvent JSON-format. Till sist läser OpenAI (GPT-4o-mini) den skrapade datan och tar fram en korrekt formaterad sammanfattning som du kan lägga in i din outreach-process eller spara i Google Sheets till senare.
Flödet startar med en chattliknande trigger, vilket gör det enkelt för icke-tekniska kollegor att använda. I mitten gör det grovjobbet (sökning, länkfiltrering, skrapning, sammanfattning). I slutet får du en standardiserad “profilbrief” som ser likadan ut varje gång, så att arket håller sig strukturerat och användbart.
Vad som förändras: före vs. efter
| Detta tar bort | Effekten du får |
|---|---|
|
|
Effekt i verkligheten
Säg att du behöver 20 nya prospekt i veckan. Manuellt kanske du lägger cirka 10 minuter på att hitta rätt profil, och sedan ytterligare 10 minuter på att göra om det till en användbar anteckning i arket, alltså ungefär 6 till 7 timmar i veckan. Med det här workflowet tar det kanske en minut per prospekt att skicka in förfrågan i chatten, och skrapning + sammanfattning körs i bakgrunden. Du granskar fortfarande resultaten, men den granskningen går snabbt. Realistiskt får du tillbaka större delen av den eftermiddagen.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
- Bright Data för Google-sökning + LinkedIn-skrapning
- OpenAI för att sammanfatta skrapad profildata
- Bright Data-zon + OpenAI API-nyckel (hämta dem i din Bright Data-dashboard och i OpenAI:s API-inställningar)
Kunskapsnivå: Medel. Du kopplar in autentiseringar, kör testkörningar och justerar prompts, men du skriver ingen kod.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Workflow-flödet
Ett chattmeddelande drar igång allt. Du ber om en person med namn + företag, roll + företag eller så klistrar du in en LinkedIn-URL. Workflowet sparar en kort konversationsbuffer (de senaste 20 meddelandena) så att följdfrågor fortfarande hänger ihop.
Agenten bestämmer hur den ska söka. Om du gav en URL går den direkt till skrapning. Om du inte gjorde det skapar agenten en Google-fråga som begränsas till LinkedIn (med site:linkedin.com/in) och hämtar toppresultatet via Bright Data.
Länkar rensas innan något dyrt händer. HTML:en från sökresultatet parsas för att extrahera href-länkar, delas upp i enskilda objekt och filtreras så att bara giltiga LinkedIn-profil-URL:er återstår. Workflowet begränsar resultaten till en profil för att undvika att skrapa en hel sida av “kanske”-träffar.
Bright Data hämtar profilen, sedan skriver OpenAI sammanfattningen. Bright Data returnerar strukturerad profildata, och GPT-4o-mini gör om den till en konsekvent brief som du kan använda i outreach och rapportering.
Du kan enkelt ändra sammanfattningsformatet så att det matchar dina Google Sheets-kolumner (eller dina CRM-fält) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera chattriggern
Det här arbetsflödet startar när en användare skickar ett chattmeddelande, som routas in i AI-agenten.
- Lägg till och konfigurera Incoming Chat Trigger som startnod för chattinput.
- Behåll standardalternativen i Incoming Chat Trigger (inga extra parametrar krävs).
- Koppla Incoming Chat Trigger till Prospecting AI Agent för att skicka inkommande meddelanden direkt till agenten.
Steg 2: Koppla Bright Data för scraping av Google-sökning
Det här steget konfigurerar hämtningen av Google-sökning som används för att hitta LinkedIn-URL:er.
- Öppna Fetch Single Google Result och sätt URL till
={{ $json.query }}&num=1. - Sätt Format till
json, Zone tillweb_unlocker1och Country tillus. - Inloggningsuppgifter krävs: Anslut era brightdataApi-inloggningsuppgifter i Fetch Single Google Result.
- Bekräfta körflödet: Workflow Start Trigger → Fetch Single Google Result.
web_unlocker1 är tillgänglig.Steg 3: Sätt upp pipeline för länkparsning och filtrering
Den här kedjan extraherar länkar från HTML-resultatet i Google, delar upp dem och filtrerar fram LinkedIn-URL:er.
- I Parse Links from HTML sätter ni Operation till
extractHtmlContentoch Data Property Name tillbody. - Konfigurera extraheringsregeln i Parse Links from HTML så att den extraherar link-värden från
a-taggar medhrefoch returnerar en array. - I Split Out Links sätter ni Field to Split Out till
linkoch Destination Field Name tillurl. - I Filter LinkedIn URLs lägger ni till två villkor:
- Left Value
={{ $json.url }}containslinkedin.com/ - Left Value
={{ $json.url }}startsWithhttps://
- Koppla flödet så här: Fetch Single Google Result → Parse Links from HTML → Split Out Links → Filter LinkedIn URLs → Cap Results.
Steg 4: Sätt upp AI-agenten och minnet
AI-agenten hanterar chattkonversationen, triggar Google-sökning och LinkedIn-scraping samt sammanfattar resultaten.
- Öppna Prospecting AI Agent och sätt Text till
={{ $json.chatInput }}. - Behåll Prompt Type inställt på
defineoch gå igenom instruktionerna i System Message för hantering av frågor och användning av verktyg. - Koppla Conversation Buffer till Prospecting AI Agent som ai_memory och sätt Context Window Length till
20. - Koppla OpenAI Chat Engine till Prospecting AI Agent som ai_languageModel.
- Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Chat Engine.
Obs: Conversation Buffer är en AI-minnesundernod. Lägg till inloggningsuppgifter på den överordnade LLM-noden (OpenAI Chat Engine), inte på minnesnoden.
Steg 5: Konfigurera AI-verktyg för LinkedIn-uppslag och scraping
Agenten använder verktygsnoder för att slå upp LinkedIn-URL:er och hämta LinkedIn-profildata.
- I Lookup LinkedIn URL väljer ni målflödets workflow-ID (ersätt
[YOUR_ID]med det faktiska workflow-ID:t). - Säkerställ att Lookup LinkedIn URL är kopplad till Prospecting AI Agent som en ai_tool-nod.
- I Fetch LinkedIn Profile sätter ni URLs till
={{ $fromAI('URLs') }}och behåller Resource somwebScrapper. - Sätt Dataset ID i Fetch LinkedIn Profile (ersätt
[YOUR_ID]med ert Bright Data-dataset-ID). - Inloggningsuppgifter krävs: Anslut era brightdataApi-inloggningsuppgifter i Fetch LinkedIn Profile.
- Bekräfta att Fetch LinkedIn Profile är kopplad till Prospecting AI Agent som en ai_tool-nod.
Obs: Lookup LinkedIn URL och Fetch LinkedIn Profile är AI-verktygsundernoder. Inloggningsuppgifter ska konfigureras på själva verktygsnoderna, medan styrningen ligger kvar i Prospecting AI Agent.
[YOUR_ID] kan verktyget inte köras. Se till att ni väljer ett giltigt workflow-ID.Steg 6: Testa och aktivera ert arbetsflöde
Validera att chattriggern, AI-agenten och Bright Data-scraping skapar sammanfattningar av LinkedIn-profiler.
- Klicka på Execute Workflow och skicka ett exempelmeddelande i chatten, som ”Find the CMO at Bright Data”, till Incoming Chat Trigger.
- Bekräfta körordningen: Incoming Chat Trigger → Prospecting AI Agent och i verktygsflödet: Workflow Start Trigger → Fetch Single Google Result → Parse Links from HTML → Split Out Links → Filter LinkedIn URLs → Cap Results.
- Verifiera att Fetch LinkedIn Profile returnerar LinkedIn-profildata och att Prospecting AI Agent outputtar en sammanfattning.
- När allt fungerar växlar ni arbetsflödet till Active för att börja bearbeta riktiga chattinmatningar.
Se upp med
- Bright Data-autentiseringar och zoner kan vara felkonfigurerade. Om skrapningen returnerar tom data, kontrollera din Bright Data-zon (till exempel “web_unlocker1”) och request-loggarna i din Bright Data-dashboard först.
- Om du använder väntetider eller är beroende av extern rendering varierar bearbetningstiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
- Standardprompter i OpenAI-noden för sammanfattning är generiska. Lägg in din tonalitet och de exakta fält du bryr dig om tidigt, annars kommer du att redigera output för alltid.
Vanliga frågor
Cirka en timme om dina Bright Data- och OpenAI-nycklar är klara.
Ja. Ingen kod, men du behöver koppla konton och köra några testprompter för att bekräfta att outputformatet blir rätt.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för OpenAI API (ofta några cent per sammanfattning) och Bright Data-användning.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och klarar n8n bra. Self-hosting ger obegränsat antal körningar men kräver grundläggande serverhantering.
Det kan du. Den enklaste vinsten är att ändra prompten i OpenAI Chat Engine-noden så att den outputtar exakt de fält du lagrar i Google Sheets (till exempel: “seniority”, “trolig ICP-matchning” och “vinkel för personalisering”). Om du vill ha ett annat sökbeteende justerar du agentinstruktionerna så att den bygger frågor med dina nyckelord och geografi. Och om teamet redan har LinkedIn-URL:er kan du hoppa över Google-uppslagsvägen och mata in URL:er direkt i Bright Data-profilskrapningen.
Oftast handlar det om autentiseringsuppgifter, zoninställning eller ett behörighetsproblem på Bright Data-sidan. Skapa om Bright Data-token, bekräfta att workflowet använder rätt zon (som “web_unlocker1”) och titta på HTTP-svaret i n8n:s exekveringspanel för att se om du blir blockerad eller rate limited. Om Google-söksteget fungerar men profilskrapningen fallerar är det en stark indikation på att profilverktygets konfiguration behöver ses över.
I self-hosted n8n finns ingen exekveringsgräns (din server är gränsen), och i n8n Cloud beror gränsen på din plan. I praktiken kör de flesta team detta för några dussin till några hundra sammanfattningar i veckan utan problem, och skalar sedan upp genom batchning och hantering av rate limits. Bright Data- och OpenAI-genomströmning blir de verkliga begränsningarna, inte workflow-logiken.
Ofta, ja, eftersom det här workflowet använder en agent, filtreringslogik och en kedja för skrapning + sammanfattning som är klumpig (och dyr) i enklare verktyg. n8n låter dig också self-hosta, vilket spelar roll när du processar många leads. Zapier eller Make kan fortfarande vara bra om du redan har exakta LinkedIn-URL:er och bara behöver ett lätt “sammanfatta och lagra”-flöde. Så fort du vill ha länkextrahering, validering, förgrening och minne är n8n ett bättre val. Prata med en automationsexpert om du vill ha en snabb rekommendation baserat på din volym.
Du sätter upp detta en gång, och sedan håller workflowet din research konsekvent varje gång någon ber om “en lead till”. Ärligt talat är det skillnaden mellan ett ark du litar på och ett ark du undviker.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.