Steg 2: anslut Google Sheets

Konfigurera Google Sheets-utdata för att lagra utvärderingsresultaten.

1. Öppna Append Results to Sheets och välj ditt kalkylark i Document med värdet [YOUR_ID] (ersätt det med ditt riktiga ID).
2. Ställ in Sheet Name till Sheet1 (värde gid=0).
3. Bekräfta att kolumnmappningen använder uttryck som {{ $('Split Model IDs').item.json.id }} och {{ $('Run LLM Analysis').item.json.text }} för att skriva modellresultat.
4. Autentisering krävs: anslut dina googleSheetsOAuth2Api-credentials.

Steg 3: konfigurera modellidentifiering och iterering

Hämta de tillgängliga lokala modellerna och dela upp dem i individuella modell-ID:n för utvärdering.

1. Öppna Retrieve Model List och ställ in URL till http://0.0.0.0:1234/v1/models.
2. Bekräfta att Retrieve Model List är kopplad till Split Model IDs.
3. I Split Model IDs, ställ in Field To Split Out till data.
4. Verifiera att flödet fortsätter från Split Model IDs till Record Start Timestamp.

Steg 4: konfigurera kedjan för LLM-analys

Definiera systemprompten, kör modellen och fånga start-/sluttidsstämplar för att kunna beräkna varaktighet.

1. I Record Start Timestamp, ställ in Output Field Name till startDateTime.
2. I Insert System Prompt, aktivera Include Other Fields och ställ in system_prompt till Ensure that messages are concise and to the point readable by a 5th grader..
3. I Run LLM Analysis, ställ in Text till {{ $('Incoming Chat Trigger').item.json.chatInput }} och behåll Prompt Type som define.
4. Bekräfta att meddelandet använder {{ $json.system_prompt }} i fältet Messages.
5. I Execute Model Inputs, ställ in Model till {{ $node['Split Model IDs'].json.id }} och bekräfta att baseURL är http://0.0.0.0:1234/v1.
6. Autentisering krävs: anslut dina openAiApi-credentials i Execute Model Inputs. Den här noden fungerar som språkmodellen för Run LLM Analysis.
7. I Record End Timestamp, ställ in Output Field Name till endDateTime.
8. I Compute Duration, ställ in Operation till getTimeBetweenDates, Start Date till {{ $('Record Start Timestamp').item.json.startDateTime }}, och End Date till {{ $json.endDateTime }}.

Steg 5: sätt ihop mätvärden och skriv till Sheets

Paketera svaret, beräkna läsbarhetsmätvärden och lägg till resultaten i Google Sheets.

1. Öppna Assemble Analysis Payload och ställ in tilldelningarna med de angivna uttrycken: llm_response till {{ $('Run LLM Analysis').item.json.text }}, prompt till {{ $('Incoming Chat Trigger').item.json.chatInput }}, model till {{ $('Split Model IDs').item.json.id }}, start_time till {{ $('Record Start Timestamp').item.json.startDateTime }}, end_time till {{ $('Record End Timestamp').item.json.endDateTime }}, och time_diff till {{ $json.timeDifference.days }}.
2. Gå igenom Evaluate Response Metrics för att säkerställa att JavaScript beräknar antal ord, antal meningar, läsbarhetspoäng och genomsnittliga längder.
3. Bekräfta att utdata från Evaluate Response Metrics matas in i Append Results to Sheets.

Steg 6: testa och aktivera ert arbetsflöde

Validera flödet end-to-end och aktivera det sedan för löpande användning.

1. Klicka på Execute Workflow och skicka ett testmeddelande i chatten till Incoming Chat Trigger.
2. Verifiera att Retrieve Model List returnerar modelldata och att Split Model IDs matar ut individuella modell-ID:n.
3. Bekräfta att Run LLM Analysis returnerar ett svar och att Compute Duration producerar en tidsskillnad.
4. Kontrollera ditt Google Sheet efter en ny rad som innehåller prompten, svaret, mätvärdena och tidsstämplarna från Append Results to Sheets.
5. När testet lyckas, växla arbetsflödet till Active för att köra i produktion.