Förfrågningar om bostäder kommer in snabbt. Sedan börjar fram och tillbaka, du gräver i annonser, kopierar länkar, letar bilder och oroar dig ändå för att du missat något uppenbart.
Den här OpenAI Telegram-automationen träffar fastighetsteam först, men en PropTech-grundare som bygger en chattupplevelse och en ops manager som är trött på manuella uppslag känner igen samma flaskhals. Du får tre kurerade alternativ med bilder, levererade direkt i chatten, utan stressen.
Nedan ser du vad arbetsflödet gör, hur det beter sig i verkligheten och vad du behöver för att köra det stabilt i n8n.
Problemet: bra leads fastnar och väntar på “bara en minut”
En köpare frågar efter “2 sovrum under 600 000 $ i Austin” och du vill svara direkt. Men manuell sökning är långsam, och det är sällan klart på första försöket. Du ställer en följdfråga om badrum, de förtydligar området, du gör om filtren och sedan sätter du ihop något presentabelt med bilder och en snabb sammanfattning. Multiplicera det med en hektisk eftermiddag så blir det en mental belastning. Du gör kundservice med höga insatser med arbete som ger låg hävstång, och misstag (fel pris, gammal annons, saknad bild) urholkar förtroendet i det tysta.
Friktionen byggs på. Här är var det faller isär.
- Du svarar senare än du tänkt, vilket kyler ner annars heta förfrågningar.
- Att kopiera annonsdetaljer manuellt bjuder in små fel som skapar stora trådar med följdfrågor.
- Bilder missas eller delas inkonsekvent, så alternativen känns mindre “på riktigt” för köparen.
- Varje mäklare bygger sin egen ad hoc-process, så kvaliteten varierar från dag till dag.
Så här fungerar den här automationen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: OpenAI + Telegram: snabba bostadstips med bilder
flowchart LR
subgraph sg0["When chat message received Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
n1@{ icon: "mdi:memory", form: "rounded", label: "Simple Memory1", pos: "b", h: 48 }
n2@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n3@{ icon: "mdi:cog", form: "rounded", label: "Filter Dataset", pos: "b", h: 48 }
n7@{ icon: "mdi:robot", form: "rounded", label: "Real Estate AI Agent", pos: "b", h: 48 }
n9@{ icon: "mdi:wrench", form: "rounded", label: "Get Snapshot Content", pos: "b", h: 48 }
n3 -.-> n7
n1 -.-> n7
n2 -.-> n7
n9 -.-> n7
n0 --> n7
end
subgraph sg1["When Executed by Another Workflow Flow"]
direction LR
n4@{ icon: "mdi:play-circle", form: "rounded", label: "When Executed by Another Wor..", pos: "b", h: 48 }
n5@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Snapshot is ready?", pos: "b", h: 48 }
n6@{ icon: "mdi:cog", form: "rounded", label: "Wait", pos: "b", h: 48 }
n8@{ icon: "mdi:cog", form: "rounded", label: "Recover Snapshot Content", pos: "b", h: 48 }
n6 --> n8
n5 --> n6
n8 --> n5
n4 --> n8
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 n0,n4 trigger
class n7 ai
class n2 aiModel
class n9 ai
class n1 ai
class n5 decision
Lösningen: Telegram in, tre bostadsannonser med bilder ut
Det här arbetsflödet gör n8n till en chattbaserad bostadsconcierge. En köpare (eller ett lead på din webbplats som skickas in i Telegram) skriver vad de vill ha: stad, budget, antal sovrum, antal badrum. OpenAI läser av intentionen och håller ihop samtalet genom att minnas senaste meddelandena, så att köparen kan finjustera detaljer utan att börja om. När kriterierna är kompletta anropar agenten Bright Datas marketplace-dataset för att filtrera “FOR_SALE”-objekt och begränsar resultatet till tre annonser för att hålla svaret kort och tydligt. Om dataset-snapshottet inte är klart ännu väntar arbetsflödet och kontrollerar igen tills det kan hämta fullständigt innehåll. Till sist formaterar det ett korrekt formaterat HTML-svar som en punktlista, inklusive bostadsbilder, och skickar tillbaka det i chatten.
Arbetsflödet börjar med en chatt-trigger i Telegram. Därifrån validerar och kompletterar OpenAI filtren, och sedan returnerar Bright Data en snapshot med matchande bostäder. n8n pollar tills den är klar, hämtar innehållet och svarar med tre kurerade alternativ plus bilder.
Det du får: automation vs. resultat
| Det här automatiserar arbetsflödet | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du får 10 Telegram-förfrågningar per dag, och att varje tar cirka 15 minuter att söka, hämta bilder och skriva en snygg shortlist. Det är ungefär 2 till 3 timmar per dag, och det är oftast uppdelat i irriterande småbitar. Med det här arbetsflödet är “människotiden” närmare 1 minut per lead (bara att låta chatten köra och rimlighetskontrollera svaret), medan n8n hanterar snapshot-väntan i bakgrunden. Du svarar fortfarande snabbt, men du är inte fastkedjad vid sökfliken.
Det du behöver
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Telegram som chattgränssnitt för köparen.
- Bright Data för att filtrera marketplace-dataset för bostäder.
- OpenAI API-nyckel (hämta den från din OpenAI-dashboard).
Svårighetsgrad: Mellan. Du kopplar upp credentials, sätter en webhook-/chatt-trigger och verifierar att Bright Data community-noden är installerad.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett chattmeddelande i Telegram startar allt. Arbetsflödet lyssnar på inkommande meddelanden via LangChain chat trigger, vilket ger en riktig chattupplevelse i stället för ett engångsformulär.
Samtalskontexten kommer ihåg. En minnesbuffert sparar upp till cirka 30 senaste meddelanden, så “gör det 3 sovrum” uppdaterar sökningen i stället för att nollställa den. Det är ärligt talat det som gör att det känns som en concierge snarare än en skör bot.
OpenAI tolkar intentionen och kör bostadsverktyget. Agenten använder OpenAI:s chattmodell (GPT-4o-mini i det här arbetsflödet) för att validera saknade fält, tillämpa regler som “homeStatus = FOR_SALE” och sedan anropa Bright Data för att filtrera datasetet med en hård gräns på tre resultat.
Bright Data-snapshots pollas och formateras sedan för ett snyggt svar. Om snapshottet inte är klart väntar arbetsflödet och kontrollerar igen, hämtar sedan snapshot-innehållet och formaterar det som en HTML-lista med inbäddade bilder. Slutmeddelandet är lätt att skanna i Telegram, vilket betyder färre följdfrågor som “kan du skicka bilder?”
Du kan enkelt ändra filter och output-format så att det matchar dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera triggern för inkommande chatt
Det här arbetsflödet startar en chattbaserad assistentsession som samlar in krav på bostaden från användare.
- Lägg till noden Incoming Chat Trigger som trigger för ert arbetsflöde.
- Ställ in Public på
trueså att chatt-endpointen är åtkomlig. - Ställ in Initial Messages till
Hi there! 👋 I’m your virtual real estate assistant. I can help you find a new home. What are you looking for? - Aktivera Show Welcome Screen i Options om ni vill att hälsningen ska visas innan användarens första meddelande.
Steg 2: Anslut Bright Data-tjänster
Dessa noder skapar en ögonblicksbild av en dataset och hämtar senare dess innehåll från Bright Data.
- Öppna Apply Dataset Filter och ställ in Resource till
marketplaceDataset. - Ställ in Operation till
filterDatasetoch Filter Type tillfilters_group. - Ställ in Dataset ID till
{{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Dataset', ``, 'string') }}och Filters Group till{{ $fromAI('Filters_Group') }}. - Ställ in Records Limit till
=3för att begränsa resultaten till tre bostäder. - Autentiseringsuppgifter krävs: Anslut era brightdataApi-uppgifter i Apply Dataset Filter.
- Öppna Retrieve Snapshot Content och ställ in Snapshot ID till
{{ $('Subflow Execution Trigger').item.json.query }}. - Autentiseringsuppgifter krävs: Anslut era brightdataApi-uppgifter i Retrieve Snapshot Content.
Steg 3: Sätt upp AI-assistentens kärna
Konfigurera AI-agenten, språkmodellen och minnet så att assistenten kan resonera utifrån användarinmatning och anropa verktyg.
- Öppna Property Assistant Agent och ställ in Text till
{{ $json.chatInput }}. - Behåll Prompt Type som
defineoch granska System Message för affärsregler (filter krävs, ett verktygsanrop och användning av underarbetsflöde). - I Session Memory Buffer, ställ in Context Window Length till
30och anslut den till Property Assistant Agent som ett AI-minne. - I OpenAI Dialogue Model, välj modellen
gpt-4o-mini. - Autentiseringsuppgifter krävs: Anslut era openAiApi-uppgifter i OpenAI Dialogue Model. Den här noden är språkmodellen för Property Assistant Agent, så uppgifterna måste läggas till där, inte på agentnoden.
Steg 4: Konfigurera hämtning via underarbetsflöde och logik för tillgänglighet
Assistenten anropar ett underarbetsflöde för att hämta innehåll från ögonblicksbilden och väntar tills det är tillgängligt.
- I Run Sub-Workflow (Configure Required), välj målflödet i Workflow ID. Detta krävs för att verktyget ska fungera.
- Säkerställ att Run Sub-Workflow (Configure Required) är ansluten som ett AI-verktyg till Property Assistant Agent.
- Bekräfta exekveringsflödet: Subflow Execution Trigger skickar utdata till Retrieve Snapshot Content.
- Konfigurera Snapshot Availability Check att använda det befintliga villkoret
{{ $json.items[0].abbreviatedAddress }}med operatorn exists. - Säkerställ att Snapshot Availability Check skickar false-vägen till Delay Handler, och att Delay Handler skickar utdata till Retrieve Snapshot Content för nytt försök.
Steg 5: Bekräfta dataflödet end-to-end
Validera sekvensen av åtgärder så att assistenten kan svara med bostadsannonser.
- Verifiera att Incoming Chat Trigger skickar utdata direkt till Property Assistant Agent.
- Säkerställ att Apply Dataset Filter och Run Sub-Workflow (Configure Required) är anslutna som AI-verktyg till Property Assistant Agent.
- Kontrollera att Delay Handler skickar utdata till Retrieve Snapshot Content och därefter till Snapshot Availability Check.
Steg 6: Testa och aktivera ert arbetsflöde
Kör ett kontrollerat test för att bekräfta att filter, ögonblicksbilder och svar fungerar.
- Klicka på Test Workflow och öppna chattgränssnittet från Incoming Chat Trigger.
- Skicka ett meddelande som innehåller city, price, bedrooms och bathrooms så att agenten kan anropa Apply Dataset Filter.
- Bekräfta att Apply Dataset Filter skapar en ögonblicksbild och att Run Sub-Workflow (Configure Required) triggar hämtningsflödet.
- En lyckad körning innebär att Property Assistant Agent svarar med en lista med tre bostäder och bilder.
- När ni är nöjda, växla arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- Bright Data-credentials kan löpa ut eller kräva specifika dataset-behörigheter. Om det skapar fel, kontrollera först status för din Bright Data API-nyckel och åtkomst till marketplace-dataset i din Bright Data-dashboard.
- Om du använder Wait-noder eller extern snapshot-generering varierar processtider. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera outputs för alltid.
Vanliga frågor
Cirka en timme om du redan har dina API-nycklar.
Nej. Du kopplar mest konton och klistrar in API-nycklar. Den enda “tekniska” delen är att installera Bright Data community-noden och testa en chattkörning hela vägen från start till mål.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 $/månad för högre volym. Du behöver också räkna in OpenAI API-användning och din Bright Data-plan.
Två alternativ: n8n Cloud (hanterat, enklast uppsättning) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger obegränsade körningar men kräver grundläggande serverhantering.
Ja, men du behöver justera Bright Data-filterlogiken som agenten skickar. I det här arbetsflödet tillämpar dataset-verktyget homeStatus = FOR_SALE; du kan byta det till din status för uthyrning (eller ett annat dataset) inne i agent-/verktygsupplägget som anropar “Apply Dataset Filter”. Vanliga justeringar är att ändra standardvärden för stad, öka eller minska gränsen från tre och skriva om slutlig HTML så den matchar er varumärkesstil.
Oftast beror det på en ogiltig eller utgången API-nyckel. Uppdatera Bright Data-credentials i n8n:s credential manager och bekräfta sedan att ditt konto har åtkomst till marketplace-datasetet du frågar mot. Om det bara fallerar under hektiska dagar kan det också vara rate limits eller att snapshots tar längre tid än väntat, så att arbetsflödet kör “Retrieve Snapshot Content” innan det är klart.
På n8n Cloud Starter kan du köra några tusen körningar per månad, och högre planer hanterar mer. Om du self-hostar finns ingen hård körningsgräns; det beror främst på din server och hur lång tid snapshots tar. I praktiken kan det här arbetsflödet hantera flera samtal samtidigt, men du vill hålla koll på OpenAI- och Bright Data-användning om volymen sticker iväg.
Ofta, ja. Det här arbetsflödet behöver samtalsminne, grenlogik och en “vänta och försök igen”-loop medan snapshots blir tillgängliga, och de mönstren är enklare att bygga (och billigare att köra) i n8n. Zapier eller Make kan fungera för enklare tvåstegsautomationer, men chattbaserade agenter blir snabbt röriga i de verktygen. Om du planerar att self-hosta tar n8n också bort stressen med prissättning per uppgift. Prata med en automationsexpert om du vill ha hjälp att välja.
När det här är live slutar dina Telegram-svar vara ett manuellt projekt. Arbetsflödet tar hand om de repetitiva delarna så att du kan fokusera på samtalet som faktiskt stänger affären.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.