Varumärkesberättelser faller isär på samma ställe varje gång. Första utkastet låter bra, sedan justerar fem personer det, och plötsligt läser det som tre olika företag som sytts ihop.
Marknadschefer känner av det när varje bio behöver “bara en genomgång till”. En varumärkeskonsult ser det när kunder fortsätter be om omskrivningar med vag feedback. Och grundare slutar med att lansera något inkonsekvent eftersom det tar för lång tid. Den här Ollama Sheets-automationen håller rösten stabil och bryter loopen.
Du skapar en strukturerad varumärkesberättelse, poängsätter den mot dina regler, förfinar den tills den godkänns och sparar sedan den godkända versionen i Google Sheets så att teamet äntligen har ett ställe att utgå från.
Så fungerar den här automationslösningen
Här är hela arbetsflödet du kommer att sätta upp:
n8n Workflow Template: Ollama + Google Sheets: varumärkesstories i rätt ton
flowchart LR
subgraph sg0["Chat Input: Start Story Flow Flow"]
direction LR
n0@{ icon: "mdi:robot", form: "rounded", label: "Evaluator Agent", pos: "b", h: 48 }
n1@{ icon: "mdi:robot", form: "rounded", label: "Optimizer Agent", pos: "b", h: 48 }
n2@{ icon: "mdi:brain", form: "rounded", label: "Ollama Chat Model", pos: "b", h: 48 }
n3@{ icon: "mdi:brain", form: "rounded", label: "Ollama Chat Model1", pos: "b", h: 48 }
n4@{ icon: "mdi:play-circle", form: "rounded", label: "Chat Input: Start Story Flow", pos: "b", h: 48 }
n5@{ icon: "mdi:robot", form: "rounded", label: "Brand Storytelling Agent", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Brand variable", pos: "b", h: 48 }
n7@{ icon: "mdi:database", form: "rounded", label: "Save Brand Story to Sheets", pos: "b", h: 48 }
n8@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Evaluation Check", pos: "b", h: 48 }
n0 --> n8
n1 --> n6
n8 --> n7
n8 --> n1
n2 -.-> n5
n2 -.-> n0
n3 -.-> n1
n6 --> n0
n5 --> n6
n4 --> n5
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 n4 trigger
class n0,n1,n5 ai
class n2,n3 aiModel
class n8 decision
class n7 database
Varför det här spelar roll: varumärkesberättelser blir “redigerade till döds”
De flesta team har inte problem med att skriva en varumärkesberättelse en gång. De har problem med att skriva den på samma sätt varje gång, i varje kanal, med olika personer som “förbättrar” den. Du börjar med en helt okej berättelse, sedan lägger någon till buzzwords, någon tar bort personligheten och sista redaktören slänger in emojis eller ett citat som inte passar. En vecka senare behöver du en version för LinkedIn, en version för en hero-sektion på webbplatsen och en version för en pitchdeck. Så du skriver om igen. Ärligt talat är det utmattande, och det dödar konsekvensen i det tysta.
Friktionen bygger på sig. Här är var det faller isär.
- Du lägger cirka 30 minuter på att få fram ett utkast, sedan ytterligare en timme på att justera tonen eftersom “rösten” aldrig var tydligt kravställd.
- Feedback kommer som åsikter, inte kriterier, så revideringar blir en gissningslek i stället för en repeterbar process.
- Starka formuleringar försvinner i Slack-trådar och Docs, vilket gör att nästa berättelse börjar från noll.
- När du skalar innehåll multipliceras små inkonsekvenser snabbt och varumärket börjar kännas rörigt.
Vad du bygger: en loop för storyutkast + kvalitetsgrind
Det här arbetsflödet tar en enkel chattförfrågan (tänk “Skriv en varumärkesberättelse för X”) och gör den till ett utkast du faktiskt kan använda. Det börjar med att en Ollama-driven agent genererar en strukturerad berättelse i ditt format. Sedan utvärderar en andra agent den mot tydliga regler, som tonträff, unikhet och om den inkluderar (eller exkluderar) saker du bryr dig om, som citat eller emojis. Om den inte är tillräckligt bra skickar arbetsflödet berättelsen till en förfiningsagent, uppdaterar den “aktuella” versionen och utvärderar igen. När den till slut godkänns skrivs den godkända berättelsen in i Google Sheets med en tidsstämpel så att den blir enkel att återanvända och granska senare.
Arbetsflödet startar med en inkommande chatt-trigger i n8n. Därifrån kör Ollama-modeller skrivandet och betygsättningen. Till sist blir Google Sheets ditt levande bibliotek av godkända varumärkesberättelser, inte en kyrkogård av halvfärdiga utkast.
Det här bygger du
| Vad som automatiseras | Vad du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att du tar fram 5 varianter av varumärkesberättelser varje vecka för olika erbjudanden, grundare eller målgruppssegment. Manuellt är en typisk cykel cirka 30 minuter för att skriva ett utkast, sedan ungefär en timme av revideringar och justeringar från intressenter, så du landar på runt 7–8 timmar per vecka. Med det här arbetsflödet skickar du in förfrågan i en chatt på cirka 5 minuter, låter utvärderings-/förfiningsloopen köra i ungefär 10–15 minuter och sedan sparas det. Det blir närmare 1–2 timmar totalt för veckan, plus att resultatet redan är organiserat i Sheets.
Innan du börjar
- n8n-instans (prova n8n Cloud gratis)
- Självhostningsalternativ om du föredrar det (Hostinger fungerar bra)
- Ollama för att köra lokala LLM:er för utkast.
- Google Sheets för att lagra godkända varumärkesberättelser.
- Google Sheets OAuth (hämta det via inloggningsuppgifter i Google Cloud Console).
Kunskapsnivå: Medel. Du kopplar OAuth-inloggningsuppgifter och kör en självhostad n8n med community-noder för LangChain/Ollama.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
Ett chattmeddelande drar igång allt. Arbetsflödet använder en n8n Chat Trigger, så i samma ögonblick du skickar en förfrågan (som “Varumärkesberättelse för Acme Consulting”) börjar det köra.
Första agenten skriver berättelsen. Narrative Brand Agent använder en Ollama-chattmodell för att producera ett strukturerat utkast, och arbetsflödet sparar sedan resultatet i en variabel för “aktuellt bio/story” så att det kan utvärderas och revideras konsekvent.
Utvärderaren avgör om den är redo att publiceras. En bedömningsagent granskar berättelsen mot dina kriterier (tonträff, unikhet, inkludering av citat och borttagning av emojis är vanliga kontroller i den här mallen). Sedan kontrollerar en If-/kvalitetsgrind utvärderarens beslut.
Förfining loopar tills den godkänns, sedan får Sheets slutversionen. Om utvärderaren inte markerar den som “Finished” förbättrar en förfiningsagent berättelsen och arbetsflödet utvärderar igen. När den till slut godkänns skrivs den godkända texten till ditt Google Sheet (fliknamn “BrandStories”) tillsammans med namn och tidsstämpel.
Du kan enkelt justera utvärderingskriterierna för att kravställa andra formateringsregler utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera chatttriggern
Konfigurera startpunkten som tar emot inkommande chattmeddelanden och startar flödet för att generera en varumärkesberättelse.
- Lägg till och öppna Incoming Chat Trigger.
- Bekräfta att noden är inställd som första nod i arbetsflödet så att den kan initiera flödet.
- Kopiera webhook-URL:en som genereras av Incoming Chat Trigger och koppla den till er chattkälla eller testklient.
Steg 2: Anslut Google Sheets
Förbered datamålet för färdiga varumärkesberättelser.
- Öppna Write Brand Story to Sheet.
- Välj målkalkylark och arbetsblad där varumärkesberättelserna ska skrivas.
- Mappa fälten ni vill spara (t.ex. varumärkesnamn, berättelseutdata, kvalitetsstatus) enligt kolumnerna i ert ark.
Inloggningsuppgifter krävs: Anslut era Google Sheets-inloggningsuppgifter.
Steg 3: Konfigurera AI-agenterna och modellerna
Konfigurera LLM-baserade agenter som genererar, bedömer och förfinar innehållet i varumärkesberättelsen.
- Öppna Narrative Brand Agent och definiera dess prompt/instruktioner för att skapa den första varumärkesberättelsen.
- Öppna Assessment Agent och specificera kriterier för kvalitetskontroller (ton, fullständighet, varumärkesanpassning).
- Öppna Refinement Agent och definiera hur den ska förbättra utdata som inte klarar kvalitetsgrinden.
- Verifiera att Ollama Conversation Model är ansluten som språkmodell för Narrative Brand Agent och Assessment Agent.
- Verifiera att Ollama Conversation Model B är ansluten som språkmodell för Refinement Agent.
För AI-noder: lägg till eventuella modell-inloggningsuppgifter eller anslutningsdetaljer i modellnoderna (Ollama Conversation Model och Ollama Conversation Model B), inte i agentnoderna.
Steg 4: Konfigurera bearbetning, routning och utdata
Definiera hur varumärkesberättelsen tilldelas, bedöms, förfinas och skrivs till arket baserat på kvalitetskontroller.
- Öppna Assign Brand Variable och ställ in fälten som för över den genererade varumärkesberättelsen till ett konsekvent variabelformat.
- Öppna Quality Gate Check och definiera IF-villkoren som avgör om berättelsen uppfyller kvalitetskraven.
- Bekräfta körflödet: Incoming Chat Trigger → Narrative Brand Agent → Assign Brand Variable → Assessment Agent → Quality Gate Check.
- Säkerställ att Quality Gate Check routar godkända objekt till Write Brand Story to Sheet och underkända objekt till Refinement Agent, som sedan loopar tillbaka till Assign Brand Variable.
⚠️ Vanlig fallgrop: Om era IF-villkor i Quality Gate Check är för strikta kan flödet loopa upprepade gånger via Refinement Agent. Börja med generösa villkor och skärp dem senare.
Steg 5: Testa och aktivera ert arbetsflöde
Verifiera flödet från början till slut och slå på det för produktionsanvändning.
- Klicka på Execute Workflow och skicka ett exempelmeddelande till Incoming Chat Trigger.
- Bekräfta att utdata passerar genom Narrative Brand Agent, Assessment Agent och Quality Gate Check utan fel.
- Verifiera att en lyckad körning skriver en ny rad i Write Brand Story to Sheet med detaljerna för varumärkesberättelsen.
- När allt är verifierat, växla arbetsflödet till Active för skarp drift.
Felsökningstips
- Inloggningsuppgifter för Google Sheets kan löpa ut eller kräva specifika behörigheter. Om saker slutar fungera, kontrollera Google-anslutningen i n8n under fliken Credentials och bekräfta att kontot kan redigera målarket.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din varumärkesröst tidigt, annars kommer du att redigera resultat i all evighet.
Snabba svar
Cirka en timme om Ollama och ditt Google Sheet är redo.
Nej. Du kopplar mest inloggningsuppgifter och redigerar prompter. “Logiken” är redan inbyggd i arbetsflödet.
Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in beräkningskostnader för Ollama (det körs på din maskin eller server).
Två alternativ: n8n Cloud (hanterat, enklast uppsättning) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och hanterar n8n bra. Självhosting ger dig obegränsade körningar men kräver grundläggande serveradministration.
Ja, och det bör du förmodligen. Du kan byta prompten i “Narrative Brand Agent” så att den ger en kortare LinkedIn Om-sektion, en grundar-bio eller till och med en produktberättelse, och sedan skärpa kriterierna i “Assessment Agent” så att de matchar. Om du föredrar en annan lokal modell byter du ut noderna för Ollama Conversation Model och behåller resten av loopen. Vanliga justeringar är att förbjuda vissa ord, kravställa läsnivå och kräva en specifik berättelsestruktur.
Oftast är det ett OAuth-behörighetsproblem eller fel Google-konto. Återanslut Google Sheets OAuth-inloggningsuppgiften i n8n och bekräfta sedan att kalkylarket är delat med det kontot och att fliknamnet matchar “BrandStories”. Kontrollera också att dina kolumner finns (Name, Final Story, Timestamp) eftersom saknade rubriker kan göra att skrivningar misslyckas.
Om du självhostar beror volymen främst på din server och modellens hastighet, inte på någon körningsgräns.
Ofta, ja, eftersom det här arbetsflödet bygger på looplogik (utvärdera, förfina, utvärdera igen) som är klumpig och dyr i många no-code-verktyg. n8n hanterar förgreningar och omförsök snyggt, och självhosting håller kostnaderna förutsägbara när användningen växer. En annan praktisk fördel är att du kan köra Ollama lokalt, vilket många team föredrar av integritetsskäl. Zapier eller Make kan fortfarande vara bra om du bara behöver ett enkelt flöde för “generera en gång och spara” utan kvalitetsgrind. Prata med en automationsexpert om du vill ha en snabb rekommendation för just din setup.
Du sätter reglerna en gång, och arbetsflödet fortsätter att tillämpa dem varje gång någon behöver en ny berättelse. Den repetitiva putsningen försvinner, och din “godkända” text förblir äntligen godkänd.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.