Steg 2: Anslut Google Sheets

Koppla in källan för utvärderingsdatasetet och loggning av resultat i Google Sheets.

1. Öppna Retrieve Evaluation Rows och ställ in documentId till [YOUR_ID] och sheetName till meeting_extractor (gid=0).
2. Aktivera limitRows i Retrieve Evaluation Rows.
3. Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-autentiseringsuppgifter i Retrieve Evaluation Rows.
4. Öppna Log Evaluation Results och ställ in documentId till [YOUR_ID] och sheetName till meeting_extractor (gid=0).
5. Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-autentiseringsuppgifter i Log Evaluation Results.

Steg 3: Sätt upp AI-pipelinen för extraktion

Konfigurera agenten, språkmodellerna och den strukturerade parsern som extraherar mötesdetaljer från inkommande meddelanden.

1. Öppna OpenAI Chat Engine och välj modellen gpt-4.1-mini med temperature satt till 0 och responseFormat satt till json_object.
2. Autentiseringsuppgifter krävs: Anslut era openAiApi-autentiseringsuppgifter i OpenAI Chat Engine.
3. Öppna Derive Meeting Details och ställ in text till =Inputs: - message_text: {{ $('Combine Incoming Data').first().json.message_text }} - reference_datetime_utc: {{ $('Combine Incoming Data').first().json.now }} - timezone: {{ $('Combine Incoming Data').first().json.timezone }}.
4. Behåll promptType inställt på define och lämna systeminstruktionerna som de är i Derive Meeting Details.
5. Öppna Structured Result Parser och behåll schemaType inställt på manual, ha autoFix aktiverat och använd det angivna JSON-schemat i inputSchema.
6. Koppla OpenAI Chat Engine till Derive Meeting Details som språkmodell och Structured Result Parser till Derive Meeting Details som output-parser.
7. Öppna Output Repair Model och välj modellen gpt-5-mini.
8. Autentiseringsuppgifter krävs: Anslut era openAiApi-autentiseringsuppgifter i Output Repair Model.

Steg 4: Konfigurera utvärdering och loggning av output

Förbered utvärderingsinmatningar, poängsätt AI-output och logga tillbaka resultaten till Google Sheets.

1. I Prepare Evaluation Inputs, ställ in message_text till {{ $('Retrieve Evaluation Rows').item.json.input }} och is_evaluating till true.
2. Ställ in =now till {{ new Date('2026-01-06T15:30:00Z').toISOString() }} och timezone till America/Argentina/Buenos_Aires.
3. I Score Output Match, behåll prompt som angivet och ställ in actualAnswer till {{ JSON.stringify($('Normalize Agent Result').first().json.meeting) }}.
4. Ställ in expectedAnswer till {{ JSON.stringify($('Retrieve Evaluation Rows').item.json.expected_output) }} och behåll operation som setMetrics.
5. Öppna Evaluation Chat Engine och välj modellen gpt-5-mini.
6. Autentiseringsuppgifter krävs: Anslut era openAiApi-autentiseringsuppgifter i Evaluation Chat Engine.
7. I Log Evaluation Results, mappa actual_output till {{ JSON.stringify($('Normalize Agent Result').first().json.meeting) }}, metadata till {{ JSON.stringify($('Normalize Agent Result').first().json.reasoning) }} och match till {{ $('Score Output Match').first().json.match }}.
8. Bekräfta flödet Retrieve Evaluation Rows → Prepare Evaluation Inputs → Combine Incoming Data → Derive Meeting Details → Verify Agent Output → Normalize Agent Result → Route Evaluation Mode → Score Output Match → Log Evaluation Results.

Steg 5: Lägg till felhantering

Hantera fall där AI-output inte går att parsa eller normalisera korrekt.

1. I Verify Agent Output, behåll villkoret som kontrollerar {{ $('Derive Meeting Details').first().json.output }} med operatorn notEmpty.
2. Säkerställ att false-grenen från Verify Agent Output routas till Raise Processing Error.
3. I Raise Processing Error, behåll errorType som errorObject och errorObject satt till {{ JSON.stringify({ error: { message: 'AI agent failed to normalize event strings', execution: $execution, workflow: $workflow }, timestamp: new Date().toISOString() }) }}.

Steg 6: Testa och aktivera ert arbetsflöde

Validera att subflödet tar emot input, extraherar mötesdata och loggar utvärderingsresultat utan problem.

1. Kör Subflow Activation Trigger manuellt med exempelvärden för message_text och timezone.
2. Bekräfta att Normalize Agent Result returnerar ett meeting-objekt och en reasoning-sträng.
3. Om ni kör utvärdering, kontrollera att Score Output Match genererar ett match-värde och att Log Evaluation Results skriver till Google Sheets.
4. När testerna passerar, aktivera arbetsflödet så att subflödet är tillgängligt i produktion.