Din researchprocess ser troligen ut så här: du ställer en fråga i Perplexity, skummar svaret, kopierar delar till ett dokument och försöker sedan komma ihåg var fakta kom ifrån. Det funkar en gång. Vid den femte frågan är det rörigt, och det blir ännu värre när du bygger en brief under tidspress.
Contentstrateger märker det när de snabbt ska göra research till dispositioner. Marknadschefer märker det när källor måste hålla för granskning. Och konsulter som gör kunduppdateringar märker det när samma ”snabba fråga” kommer tillbaka varje vecka. Den här Perplexity Sheets-automationen ger dig ett ställe där svar, nyckelpunkter och källor loggas konsekvent.
Du får se hur arbetsflödet fungerar, vad du behöver för att köra det och hur du anpassar det så att teamet slutar skriva om samma researchanteckningar om och om igen.
Så fungerar den här automatiseringen
Hela n8n-workflowen, från trigger till slutlig output:
n8n Workflow Template: Perplexity till Google Sheets, research loggas rätt
flowchart LR
subgraph sg0["When clicking ‘Test workflow’ Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Test workflow’", pos: "b", h: 48 }
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Params", pos: "b", h: 48 }
n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Clean Output", pos: "b", h: 48 }
n3["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Perplexity Request"]
n1 --> n3
n3 --> n2
n0 --> n1
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 trigger
class n3 api
classDef customIcon fill:none,stroke:none
class n3 customIcon
Problemet: researchanteckningar blir snabbt röriga
Perplexity är bra på att ge dig ett starkt svar med källor. Problemet är allt som händer efteråt. Du klistrar in svaret i ett dokument, källorna separeras från påståendena och sedan frågar någon: ”Var kommer det här ifrån?” och du börjar gräva i gamla flikar. Ännu värre: din egen formatering förändras från dag till dag, vilket gör att din ”researchlogg” inte kan sökas, filtreras eller återanvändas. Arbetet är inte bara långsamt. Det är skört, och det skapar fel så fort du försöker skala det bortom en person.
Friktionen byggs på. Här är det som oftast faller isär.
- Du tappar källänkar när du kopierar och rensar upp svar, så validering blir detektivarbete.
- Nyckelpunkter begravs i stycken, vilket gör framtida briefs onödigt svåra.
- Research för flera projekt blandas ihop eftersom det saknas en konsekvent struktur att arkivera i.
- Manuell formatering tar cirka 10 minuter per fråga, och det är innan någon ens har granskat.
Lösningen: logga Perplexity-svar i ett strukturerat kalkylark
Det här arbetsflödet gör om ”ställ en fråga” till ”fånga en återanvändbar researchpost.” Du börjar med att ange en prompt (din fråga plus eventuell kontext du vill att Perplexity ska ta hänsyn till). n8n skickar prompten till Perplexity via en HTTP-förfrågan, tar emot svaret och formar om det till ett förutsägbart format. Till sist är det klart att sparas i Google Sheets som en prydlig rad som är lätt att överblicka senare. I stället för att behandla research som en engångschatt bygger du ett växande bibliotek av svar som teamet kan sortera, filtrera och återanvända i briefs, nyhetsbrev och interna uppdateringar.
Workflowen börjar med en manuell trigger, så att du kan testa och förbättra dina prompts på ett säkert sätt. Sedan paketerar ”Configure Inputs” din fråga, ”External AI Request” skickar den till Perplexity och ”Format Response” rensar upp den till fält som fungerar bra i Sheets. Samma struktur varje gång, vilket betyder mindre redigering senare.
Det du får: automation vs. resultat
| Det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du loggar 10 Perplexity-frågor varje vecka för content briefs. Manuellt tar det oftast runt 10 minuter per fråga att kopiera svaret, rensa formateringen och klistra in källor på ett läsbart sätt, alltså cirka 100 minuter i veckan. Med det här arbetsflödet tar det ungefär 2 minuter att skicka in prompten, sedan väntar du på svaret och det är redan formaterat för ditt kalkylark. Du sparar runt 1,5 timmar i veckan, och anteckningarna är faktiskt återanvändbara nästa gång ämnet dyker upp.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Perplexity API för svar i realtid med källor
- Google Sheets för att spara svar som strukturerade rader
- Perplexity API-nyckel (hämta den i inställningarna i Perplexity-dashboarden)
Svårighetsgrad: Nybörjare. Du kopplar in en API-nyckel, verifierar en förfrågan och mappar några fält till en konsekvent output.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Du startar körningen med en manuell trigger. Det gör det enkelt att testa prompts, justera formatering och bekräfta vad som hamnar i arket innan du senare kopplar in det till ett formulär eller en webhook.
Din fråga paketeras till strukturerade indata. Steget ”Configure Inputs” sätter upp prompten och eventuella parametrar du vill hålla konsekventa, så att din researchlogg inte blir ett fritt spelrum.
n8n skickar prompten till Perplexity via en HTTP-förfrågan. Perplexity returnerar ett svar (ofta med källhänvisningar), och du får tillbaka det som strukturerad data i stället för ett chattfönster du aldrig hittar igen.
Svaret formateras om för återanvändning. ”Format Response” formar om outputen till förutsägbara fält, vilket gör loggningen i Google Sheets strukturerad och sökbar.
Du kan enkelt ändra indatafälten för att fånga extra kontext som kundnamn, kampanj eller innehållstyp utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera den manuella triggern
Det här arbetsflödet startar manuellt och skickar sedan data vidare till steget för indata-konfiguration.
- Lägg till noden Manual Start Trigger som er trigger.
- Koppla Manual Start Trigger till Configure Inputs för att matcha körflödet.
Steg 2: anslut extern AI-tjänst
Det här arbetsflödet anropar ett externt AI-API med HTTP-autentisering.
- Lägg till noden External AI Request och koppla den efter Configure Inputs.
- Ställ in URL till
https://api.perplexity.ai/chat/completions. - Ställ in Method till
POST. - Aktivera Send Body och ställ in Body Content Type till
JSON. - Ställ in Authentication till
genericCredentialTypeoch Generic Auth Type tillhttpHeaderAuth. - Klistra in hela uttrycket för JSON Body:
={ "model": "sonar", "messages": [ { "role": "system", "content": "{{ $json.system_prompt }}" }, { "role": "user", "content": "{{ $json.user_prompt }}" } ], "temperature": 0.2, "top_p": 0.9, "search_domain_filter": {{ (JSON.stringify($json.domains.split(','))) }}, "return_images": false, "return_related_questions": false, "search_recency_filter": "month", "top_k": 0, "stream": false, "presence_penalty": 0, "frequency_penalty": 1, "response_format": null } - Inloggningsuppgifter krävs: Anslut era httpBasicAuth- eller httpHeaderAuth-uppgifter till External AI Request.
Steg 3: konfigurera AI-indata
Det här steget definierar promptar och domänfilter som används av AI-anropet.
- Lägg till noden Configure Inputs före External AI Request.
- I Configure Inputs, ställ in system_prompt till
You are an n8n fanboy.. - Ställ in user_prompt till
What are the differences between n8n and Make?. - Ställ in domains till
n8n.io, make.com.
Steg 4: konfigurera formatering av utdata
Det här steget extraherar AI-svaret och källhänvisningar till rena utdatafält.
- Lägg till noden Format Response efter External AI Request.
- Skapa ett utdatafält med namnet output med värdet
={{ $json.choices[0].message.content }}. - Skapa ett utdatafält med namnet citations med värdet
={{ $json.citations }}.
Steg 5: testa och aktivera ert arbetsflöde
Kör arbetsflödet manuellt för att verifiera AI-anropet och det formaterade svaret.
- Klicka på Execute Workflow för att köra från Manual Start Trigger.
- Bekräfta att External AI Request returnerar ett giltigt svar med data i
choicesochcitations. - Verifiera att Format Response ger ut fälten output och citations som förväntat.
- När ni är nöjda, aktivera arbetsflödet med reglaget Active för användning i produktion.
Vanliga fallgropar
- Perplexity-uppgifter kan gå ut eller så kan du klistra in nyckeln med extra mellanslag. Om det skapar fel, börja med att kontrollera Authorization-headern (Bearer …) i din HTTP Request-nod.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströms noder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera outputen för alltid.
Vanliga frågor
Cirka 20 minuter om din Perplexity-nyckel och ditt Google-konto är redo.
Nej. Du klistrar främst in en API-nyckel och mappar några fält. n8n sköter resten.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Perplexity API-krediter, eftersom du köper användning via deras dashboard.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det är det bästa sättet att få outputen att kännas ”din”. Uppdatera fälten i noden Configure Inputs (Set) och lägg till saker som kundnamn, persona, region eller ”inkludera källor”. Justera sedan noden Format Response (Set) så att dina kolumner i Google Sheet matchar det du vill kunna återanvända senare (till exempel: nyckelpunkter, stödjande citat och käll-URL:er). En vanlig justering är att lägga till ett fält för ”ämne” så att du kan filtrera arket per projekt utan att ändra din prompt varje gång.
Oftast beror det på att Authorization-headern är lite fel. I HTTP Request-noden: säkerställ att du använder header-auth med namnet Authorization och att värdet börjar med ”Bearer ” följt av din Perplexity-nyckel. Om du nyligen roterade krediter eller nycklar i Perplexitys inställningar behöver du uppdatera den sparade uppgiften i n8n också. Rate limits kan också ställa till det om du skickar många förfrågningar back-to-back, så sänk takten om du kör i batchar.
Många, så länge din n8n-plan och ditt Google Sheet är dimensionerade för det. I n8n Cloud begränsas du av månatliga körningar i din plan, medan self-hosting främst begränsas av din server. I praktiken är det här arbetsflödet lättviktigt, så det hanterar löpande daglig loggning utan problem. Om du planerar att fylla på med hundratals frågor, kör i batchar och håll koll på Perplexity-kreditförbrukningen.
Ofta, ja, eftersom du får mer kontroll över formatering och datamodellering utan att betala extra för varje litet steg. n8n är också enklare att self-hosta, vilket spelar roll om du planerar att logga mycket research. Zapier och Make kan gå snabbare för väldigt enkla ”skicka detta till Sheets”-upplägg, men de blir klumpiga när du vill ha konsekvent struktur, rikare parsing eller förgrenad logik. Om du redan jonglerar flera researchmallar kommer du troligen uppskatta n8n:s flexibilitet. Prata med en automationsexpert om du vill ha en second opinion.
När din research väl hamnar strukturerat i Google Sheets blir allt som kommer efter mycket enklare. Sätt upp det en gång och låt sedan arbetsflödet göra det tråkiga jobbet.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.