Steg 2: Anslut Google Sheets

Dessa noder läser in prompt-indata och skriver tillbaka analysresultat till era kalkylark.

1. Öppna Retrieve Prompt List och ställ in Range till A1:A100 och sheetId till [YOUR_ID].
2. Credential Required: Anslut era googleSheetsOAuth2Api-uppgifter i Retrieve Prompt List.
3. Öppna Update Spreadsheet Output och bekräfta att Operation är append med önskade värden för sheetName och documentId.
4. Credential Required: Anslut era googleSheetsOAuth2Api-uppgifter i Update Spreadsheet Output.
5. Öppna Append Row to Sheet och bekräfta att Operation är append med korrekt sheetName och documentId.
6. Credential Required: Anslut era googleSheetsOAuth2Api-uppgifter i Append Row to Sheet.

Steg 3: Förbered prompt-indata och loopning

Det här avsnittet bygger promptar, begränsar testobjekt och loopar igenom promptlistan i batchar.

1. I Prompt Seed Builder ställer ni in Prompt till Are Asics running shoes any good för Perplexity-förpasset.
2. I Manual Prompt Entry ställer ni in Prompt till Was sind die besten Laufschuhe? för manuell testning.
3. Öppna Test Item Limit och ställ in Max Items till 2 för att hålla testkörningarna korta.
4. Verifiera att loop-sökvägen är Retrieve Prompt List → Test Item Limit → Pre-Loop Pass → Iterate Prompt Batches → Loop Input Marker.

Steg 4: Konfigurera parallella LLM-/verktygsanrop

När varje prompt går in i loopen körs tre verktyg parallellt för att hämta svar från olika källor.

1. Bekräfta att Loop Input Marker skickar output parallellt till OpenAI Query Chain, Perplexity Query Call och Apify ChatGPT Scrape Call.
2. I OpenAI Query Chain ställer ni in Text till ={{ $json.Prompt }} och behåller promptType som define.
3. Öppna OpenAI Chat Model Prime och välj modellen gpt-5.
4. Credential Required: Anslut era openAiApi-uppgifter i OpenAI Chat Model Prime.
5. Öppna Perplexity Query Call och ställ in model till sonar med meddelandeinnehåll ={{ $json.Prompt }}.
6. Credential Required: Anslut era perplexityApi-uppgifter i Perplexity Query Call.
7. Öppna Apify ChatGPT Scrape Call och ställ in URL till https://api.apify.com/v2/acts/automation_nerd~chatgpt-prompt-actor/run-sync-get-dataset-items med JSON Body satt till ={ "prompts": [{{ JSON.stringify($json["Prompt"]) }}], "proxyCountry": "DE" }.
8. Credential Required: Anslut era httpQueryAuth-uppgifter i Apify ChatGPT Scrape Call.

Steg 5: Mappa och normalisera modellsvar

Dessa noder standardiserar output-fält över de olika AI-verktygen.

1. I OpenAI Response Mapper ställer ni in Response till ={{ $json.text }} och LLM till OpenAI.
2. I Perplexity Response Map mappar ni Response till ={{ $json.choices[0].message.content }} och källhänvisningar till Source1 till Source6.
3. I ChatGPT Response Map mappar ni Response till ={{ $json.response }} och källhänvisningar till Source1 till Source6.
4. Säkerställ att alla tre grenar skickar output till Normalize Tool Result innan sentimentsbearbetningen.

Steg 6: Sätt upp sentimentsgranskningsagenter och output-parsers

Två sentimentsagenter betygsätter svaren och tillämpar strukturerad output-parsning.

1. I Sentiment Review Agent A behåller ni Text satt till =You task is to analyse the sentiment of a text message... "{{ $json.Message }}" och säkerställer att hasOutputParser är aktiverat.
2. Koppla Structured Output Reader till Sentiment Review Agent A och behåll JSON-schemaexemplet för output.
3. I Sentiment Review Agent B behåller ni Text satt till =Take this message and evaluate its content: "{{ $json.Response }}" med hasOutputParser aktiverat.
4. Koppla Structured Output Reader B till Sentiment Review Agent B och behåll JSON-schemaexemplet för output.
5. Öppna Chat Model Core och ställ in modellen till gpt-4.1-mini.
6. Credential Required: Anslut era openAiApi-uppgifter i Chat Model Core.
7. Öppna OpenAI Chat Model B och ställ in modellen till gpt-4.1-mini.
8. Credential Required: Anslut era openAiApi-uppgifter i OpenAI Chat Model B.

Steg 7: Mappa slutfält och skriv resultaten

Det här steget förbereder output-fält för era sheets och sparar resultaten.

1. I Final Field Mapping ställer ni in fält som Message till ={{ $('Map LLM Response').item.json.Message }} och Prompt till ={{ $('Prompt Seed Builder').item.json.Prompt }}.
2. I Assemble Sheet Fields mappar ni Prompt till ={{ $('Loop Input Marker').item.json.Prompt }} och Response till ={{ $('Normalize Tool Result').item.json.Response }}.
3. Behåll uttrycket för varumärkeskontrollen i Assemble Sheet Fields satt till ={{ $('Normalize Tool Result').item.json.Response.toLowerCase().includes("asics") }}.
4. Säkerställ att Final Field Mapping skickar output till Update Spreadsheet Output och att Assemble Sheet Fields skickar output till Append Row to Sheet.

Steg 8: Testa och aktivera ert arbetsflöde

Kör ett test för att validera promptflöde, parallella verktyg och sheet-output innan ni aktiverar produktion.

1. Klicka på Execute Workflow och bekräfta att Retrieve Prompt List läser in värden från ert sheet.
2. Följ den parallella körningen efter Loop Input Marker och verifiera att OpenAI Query Chain, Perplexity Query Call och Apify ChatGPT Scrape Call alla returnerar data.
3. Bekräfta att output-mappningen lyckas i Normalize Tool Result och kontrollera sedan sentimentresultaten i Sentiment Review Agent B.
4. Verifiera att nya rader visas i de sheets som är kopplade till Update Spreadsheet Output och Append Row to Sheet.
5. När testningen är klar, växla arbetsflödet till Active för användning i produktion.