Steg 2: anslut Google Sheets

Konfigurera målarket där modellresultat läggs till för utvärdering och jämförelse.

1. Öppna Append Results to Sheet.
2. Inloggningsuppgift krävs: anslut era googleApi-inloggningsuppgifter.
3. Ställ in Authentication på serviceAccount.
4. Ställ in Document på ert sheet-ID (ersätt [YOUR_ID]).
5. Ställ in Sheet Name på llms_eval (gid=0).
6. Verifiera att kolumnmappningarna använder dessa uttryck: {{ $json.sessionIdBase[0] }}, {{ $json.model[0] }}, {{ $json.model[1] }}, {{ $json.chatInput[0] }}, {{ $json.model_answer[0] }}, {{ $json.model_answer[1] }}, {{ $json.context[0] }}, {{ $json.context[1] }}.

Steg 3: konfigurera AI-agent och minne

Konfigurera AI-motorn, agentens beteende och minnet så att flödet kan generera utdata per modell med konversationskontext.

1. Öppna OpenRouter Chat Engine och ställ in Model på {{ $json.model }}.
2. Inloggningsuppgift krävs: anslut era openRouterApi-inloggningsuppgifter.
3. Bekräfta att OpenRouter Chat Engine är ansluten som språkmodell för LLM Agent Processor.
4. Öppna Buffer Memory Store och ställ in Session Key på {{ $('Assign Session Fields').item.json.sessionId }} och Session ID Type på customKey.
5. Observera att Buffer Memory Store och Conversation Memory Hub är undernoder för AI-minne; inloggningsuppgifter (om de behövs) ska läggas till i den överordnade noden de hör till, inte i undernoderna.
6. Öppna LLM Agent Processor och behåll Return Intermediate Steps inställt på false.

Steg 4: konfigurera modellval och iteration

Definiera vilka modeller som ska jämföras, dela upp listan i enskilda objekt och tilldela sessionskontext före varje iteration.

1. I Select Model Options, ställ in models på ["openai/gpt-4.1", "mistralai/mistral-large"].
2. I Split Model Array, ställ in Field To Split Out på models.
3. I Assign Session Fields, ställ in följande värden: model till {{ $json.models }}, sessionId till {{ $('Incoming Chat Trigger').item.json.sessionId }}{{$json.models }}, chatInput till {{ $('Incoming Chat Trigger').item.json.chatInput }} och sessionIdBase till {{ $('Incoming Chat Trigger').item.json.sessionId }}.
4. Bekräfta flödet från Assign Session Fields in i Iterate Model List.

Steg 5: konfigurera aggregering och routning av utdata

Formatera utdata för visning, aggregera modellresultat för lagring och sätt upp de parallella körningsgrenarna.

1. I Format Chat and Sheet Data, ställ in output på ### `{{ $('Assign Session Fields').item.json.model }}` answered :\n\n\n{{ $('LLM Agent Processor').item.json.output }}\n\n----------\n.
2. I Format Chat and Sheet Data, ställ in context till det tillhandahållna flerradsuttrycket som extraherar tidigare historik.
3. Bekräfta körordningen: Conversation Memory Hub → Format Chat and Sheet Data → Iterate Model List.
4. Validera den parallella routningen: Iterate Model List skickar utdata till både Merge Chat Replies och Aggregate Model Results parallellt.
5. I Merge Chat Replies, säkerställ att den konkatenerar fältet output med \n som avgränsare.
6. I Prepare Chat Display, ställ in output på {{ $json.concatenated_output }}.

Steg 6: testa och aktivera ert workflow

Kör ett manuellt test för att verifiera chattutdata, aggregering och tillägg i arket, och aktivera sedan för produktion.

1. Klicka på Execute Workflow och skicka ett exempelmeddelande till Incoming Chat Trigger.
2. Bekräfta att Prepare Chat Display returnerar sammanfogade utdata för varje modell.
3. Verifiera att Append Results to Sheet lägger till en ny rad med två modell-ID:n, två svar och två kontextfält.
4. När resultaten ser korrekta ut, slå på workflowet till Active.