Steg 2: Anslut den externa innehållskällan

Hämta den råa HTML:en som ska konverteras till en kunskapsbas för hämtning.

1. I External API Call, ställ in URL till https://content.eirevo.ie/billing-change-faqs.
2. Koppla External API Call till Extract Page Body.
3. I Extract Page Body, behåll Include inställt på selected och aktivera Include Other Fields.
4. Ställ in fältvärdet för data till {{ $json?.data.match(/]*>([\\s\\S]*?)<\\/body>/i)[1] }} för att extrahera HTML-body.
   ⚠️ Vanlig fallgrop: Om källsidan inte innehåller en -tagg kommer regex-uttrycket i Extract Page Body att misslyckas. Validera sidans HTML innan ni kör workflowet.

   Steg 3: Konvertera och normalisera innehåll

   Transformera HTML till ren text och ta bort formateringsbrus innan indexering.

   1. Koppla Extract Page Body till HTML to Markdown.
   2. I HTML to Markdown, ställ in HTML till {{ $json.data }}.
   3. Koppla HTML to Markdown till Normalize Content.
   4. I Normalize Content, behåll Mode som runOnceForEachItem och klistra in den tillhandahållna JavaScript-koden som tar bort sidmarkörer och normaliserar whitespace.

   Steg 4: Förbered dokumentchunkning och embeddings

   Dela upp innehållet i chunks och generera embeddings för att lagra i Pinecone.

   1. Konfigurera Character Chunker med Chunk Size 500, Chunk Overlap 50 och Separator ######.
   2. I Base Document Loader, ställ in Text Splitting Mode till custom och koppla den till Character Chunker via AI-text-splitter-porten.
   3. I Create Embeddings, säkerställ att embedding-alternativen inkluderar dimensions: 1536.
   4. Credential Required: Anslut era openAiApi-credentials i Create Embeddings.
   AI-subnoder som Create Embeddings ska ha credentials konfigurerade direkt i den noden innan de kan användas av Pinecone Insert.

   Steg 5: Lagra innehåll i Pinecone

   Infoga det normaliserade, embeddade innehållet i ett vektorlager för hämtning.

   1. Koppla Normalize Content till Pinecone Insert.
   2. I Pinecone Insert, ställ in Mode till insert.
   3. Ställ in Pinecone Index till eirevo och Pinecone Namespace till eirevo.
   4. Credential Required: Anslut era pineconeApi-credentials i Pinecone Insert.
   5. Säkerställ att Base Document Loader är kopplad till Pinecone Insert via AI-dokumentporten, och att Create Embeddings är kopplad via AI-embedding-porten.

   Steg 6: Konfigurera Chat RAG-agenten

   Konfigurera ingångspunkten för konversationen, språkmodeller, minne och kunskapshämtning.

   1. Lägg till noden Chat Message Trigger och ställ in Public till true med Initial Messages inställt på Hi how I can help you..
   2. Koppla Chat Message Trigger till Conversational Agent.
   3. I Conversational Agent, behåll det tillhandahållna System Message som beskriver användning av kunskap och faktureringsverktyg.
   4. Koppla OpenAI Chat Engine till Conversational Agent som AI-språkmodell, och även till Knowledge Retrieval Tool.
   5. Credential Required: Anslut era openAiApi-credentials i OpenAI Chat Engine.
   6. Koppla Conversation Memory till Conversational Agent som AI-minne och ställ in Context Window Length till 10.
   För AI-verktyg som Conversation Memory och Knowledge Retrieval Tool, konfigurera credentials på deras överordnade språkmodellnoder (t.ex. OpenAI Chat Engine), inte på själva verktygsnoderna.

   Steg 7: Aktivera verktyg för kunskapshämtning och fakturauppslag

   Koppla vektorlager för hämtning och lägg till Airtable-faktureringsverktyget i agenten.

   1. Konfigurera Pinecone Q&A Store med Pinecone Index eirevo och Pinecone Namespace eirevo.
   2. Credential Required: Anslut era pineconeApi-credentials i Pinecone Q&A Store.
   3. Koppla OpenAI Embedding Model till Pinecone Q&A Store via AI-embedding-porten och ställ in dimensioner till 1536.
   4. Credential Required: Anslut era openAiApi-credentials i OpenAI Embedding Model.
   5. Koppla Pinecone Q&A Store till Knowledge Retrieval Tool som AI-vektorlager, och länka sedan Knowledge Retrieval Tool till Conversational Agent som ett AI-verktyg.
   6. I Billing Query Tool, behåll Tool Description som Call this tool for billing and payment related query och Text som {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Prompt__User_Message_', ``, 'string') }}.
   7. Koppla OpenRouter Chat Engine till Billing Query Tool som AI-språkmodell och ställ in Model till openai/o4-mini.
   8. Credential Required: Anslut era openRouterApi-credentials i OpenRouter Chat Engine.
   9. I Airtable Billing Lookup, ställ in Operation till search, Return All till false och Filter By Formula till {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Filter_By_Formula', ``, 'string') }}.
   10. Credential Required: Anslut era airtableTokenApi-credentials i Airtable Billing Lookup.
   11. Koppla Airtable Billing Lookup till Billing Query Tool som ett AI-verktyg, och säkerställ att Billing Query Tool är kopplad till Conversational Agent.
   ⚠️ Vanlig fallgrop: AI-verktygsnoder som Billing Query Tool innehåller inte credentials själva—säkerställ att den överordnade språkmodellen OpenRouter Chat Engine är autentiserad.

   Steg 8: Testa och aktivera ert workflow

   Verifiera både pipelinen för innehållsinläsning och chattupplevelsen innan ni går live.

   1. Klicka på Execute Workflow på Manual Run Trigger och bekräfta att Pinecone Insert tar emot normaliserat innehåll utan fel.
   2. Öppna testchatten för Chat Message Trigger och skicka in en faktureringsrelaterad fråga; bekräfta att agenten svarar med antingen kunskapsbasen eller Airtable-faktureringsverktyget.
   3. Lyckad körning ska visa att items passerar från External API Call → Extract Page Body → HTML to Markdown → Normalize Content → Pinecone Insert, samt att ett svar returneras från Conversational Agent.
   4. När testningen är klar, slå om workflowet till Active så att chatttriggern är tillgänglig för produktion.
   🔒

   Lås upp fullständig steg-för-steg-guide

   Få den kompletta implementeringsguiden + nedladdningsbar mall

   Lås upp nu →

   Tips för felsökning

   • Pinecone-inloggning kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera först din Pinecone API-nyckel samt inställningarna för index/namespace i Pinecone-konsolen.
   • Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
   • Standardprompts i AI-noder är generiska. Lägg in er varumärkeston tidigt, annars kommer du att redigera utdata i all evighet.

   Nästa steg

   Om ditt team även behöver att svaren håller sig konsekventa med interna dokument, passar Google Drive + OpenAI: supportsvar som följer varumärket bra, eftersom Drive kan fungera som ett ”policy-lager” bakom din publika webbplats.

   För team som jobbar mycket med intern enablement parallellt med kundsupport, hjälper Google Drive + Slack: omedelbara policysvar för team att göra interna frågor till snabba, sökbara svar i kanalen där arbetet faktiskt sker.

   När utveckling ber support att ”bara länka till dokumentationen”, är Slack + OpenAI: svar om GitHub-dokumentation vid begäran ett praktiskt kompletterande workflow, särskilt om er produktdokumentation ligger i repos.

   Behöver du striktare kontroll över känsliga frågor och svar? Telegram + Pinecone, säkrare urologi-svar i Q&A visar ett säkrare mönster för att hämta svar från ett vektorlager samtidigt som svaren hålls begränsade.

   Slutligen, om du vill ha ett annat databasalternativ för din RAG-stack, är Supabase + OpenAI: en chatbot som kan din webbplats värd att kika på, särskilt om du redan använder Supabase för appdata.

   
   

   Snabbreferens:

   • Google Drive + OpenAI: supportsvar som följer varumärket: Varumärkeston för dokumentsbaserade supportsvar.
   • Google Drive + Slack: omedelbara policysvar för team: Policy-Q&A i Slack från Drive-filer.
   • Slack + OpenAI: svar om GitHub-dokumentation vid begäran: Svar på repodokumentation direkt i Slack.
   • Telegram + Pinecone, säkrare urologi-svar i Q&A: Säkrare mönster för Pinecone-hämtning vid Q&A.
   • Supabase + OpenAI: en chatbot som kan din webbplats: Supabase-baserat alternativ för RAG-chatbotstack.

   Snabba svar

   Hur lång tid tar det att sätta upp den här OpenAI Pinecone-chatbotautomationen?

   Cirka 1–2 timmar om dina konton är redo och du indexerar en mindre webbplats först.

   Krävs det kodning för den här OpenAI Pinecone-chatbotautomationen?

   Nej. Du kopplar konton och redigerar ett par noder, inklusive steget för normalisering av webbplatsinnehåll.

   Är n8n gratis att använda för det här workflowet för OpenAI Pinecone-chatbotautomation?

   Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenAI API-kostnader (ofta några dollar i månaden för små webbplatser, mer om ni chattar mycket) plus Pinecone-kostnader för lagring och frågor.

   Var kan jag hosta n8n för att köra den här automationen?

   Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.

   Kan jag anpassa det här workflowet för OpenAI Pinecone-chatbotautomation för andra användningsfall?

   Ja, och det bör du troligen göra. Du kan byta HTTP Request-källan för att indexera andra sidor och sedan justera koden för ”Normalize Content” och chunkstorleken i Character Text Splitter så att den matchar din formatering. Vanliga anpassningar är separata Pinecone-namespaces per produktlinje, striktare systemprompts för reglerade branscher och att lägga till fler verktyg (som en CRM-uppslagning) utöver Airtable för fakturering.

   Varför misslyckas min Pinecone-anslutning i det här workflowet?

   Oftast är det ett problem med API-nyckeln eller att index/namespace inte finns. Skapa en ny Pinecone-nyckel, bekräfta miljön/regionen och dubbelkolla sedan indexnamnet som används i noderna för Pinecone Insert och i verktygsnoden för hämtning. Om det bara fallerar under belastning kan du även slå i rate limits när många chunkar embedas samtidigt, så batching eller att sakta ner körningar hjälper.

   Vilken volym kan det här workflowet för OpenAI Pinecone-chatbotautomation hantera?

   I n8n Cloud beror volymen på din plans månatliga körningar; vid egen hosting begränsas det mest av din server. I praktiken indexerar de flesta mindre webbplatser fint i en körning, och löpande chatt klarar stabil daglig trafik så länge du inte skapar embeddings för stora batcher hela tiden.

   Är den här OpenAI Pinecone-chatbotautomationen bättre än att använda Zapier eller Make?

   Ofta ja, eftersom RAG behöver förgreningar, retrieval-verktyg, minne och mer kontroll över hur data transformeras. n8n hanterar det utan att bli en skör kedja av små automationer. Du får också möjligheten till egen hosting, vilket spelar roll när chattvolymen växer och du inte vill att prissättning per uppgift ska skena. Zapier eller Make kan fortfarande fungera för enkla flöden som ”kontaktformulär till Slack”, men det här är ett riktigt kunskapssystem. Om du vill ha hjälp att välja, prata med en automationsexpert och mappa det mot din ärendevolym.

   När ditt webbplatsinnehåll är indexerat hanterar workflowet de repetitiva frågorna automatiskt, och ditt team kan fokusera på det som är svårt. Ärligt talat är det ett av de snabbaste sätten att få supporten att kännas ”större” utan att lägga till fler personer.