Steg 2: anslut filhämtning via Microsoft Graph

Konfigurera dokumenthämtningen som används för att hämta audit-filen från Microsoft Graph och förbereda den för bearbetning.

1. I Retrieve Graph File ställer ni in URL till ={{$env.GRAPH_BASE_URL || "https://graph.microsoft.com"}}/v1.0/drives/{{$json.body.spDriveId}}/items/{{$json.body.spDocumentId}}/content.
2. Koppla Incoming Audit Upload → Retrieve Graph File → Purge Previous Vectors så att det linjerar med exekveringsflödet.
3. I Purge Previous Vectors behåller ni koden som den är för att ta bort befintliga vektorer för samma spDocumentId innan ni indexerar om.

Steg 3: konfigurera dokumentbearbetning och vektorlagring

Extrahera PDF-innehåll, dela upp det i segment och lagra embeddings i Qdrant för hämtning under audit-analysen.

1. I Extract PDF Content ställer ni in Operation till pdf och Binary Property Name till =data.
2. Konfigurera Chunk Text Segments med Chunk Overlap inställt på 10.
3. I Assemble Document Metadata ställer ni in Text Splitting Mode till custom och mappar metadatavärden: documentId till ={{ $('Purge Previous Vectors').item.json.body.spDocumentId }} och documentName till ={{ $('Purge Previous Vectors').item.json.body.fileName }}.
4. I Create Document Embeddings ställer ni in Model till ={{ $env.OLLAMA_EMBED_MODEL || "nomic-embed-text:latest" }}. Credential Required: Anslut era ollamaApi-credentials.
5. I Store Vectors in Qdrant ställer ni in Mode till insert och Qdrant Collection till ={{ $env.QDRANT_COLLECTION || "audit-docs" }}. Credential Required: Anslut era qdrantApi-credentials.

Steg 4: konfigurera procedurintag och datastrukturering

Normalisera inkommande procedurer så att var och en utvärderas separat av AI-auditagenten.

1. Koppla Procedure Intake Hook → Structure Procedure Data så att det matchar exekveringsflödet.
2. I Structure Procedure Data ställer ni in JS Code till const {procedures, spDocumentId, description} = $input.first().json.body; const result = procedures.map(procedure => ({ json: { spDocumentId, procedure, description } })); return result;.

Steg 5: sätt upp pipelinen för AI-granskning av regelefterlevnad

Konfigurera AI-agenten, dess verktyg och parsing av strukturerad output för att generera regelefterlevnadsfynd.

1. I AI Compliance Review behåller ni Prompt Type som define och säkerställer att Has Output Parser är aktiverat för strukturerade svar.
2. Sätt upp LLM Audit Agent som språkmodell med Model inställt på ={{ $env.OLLAMA_CHAT_MODEL || "qwen2.5:7b" }}. Credential Required: Anslut era ollamaApi-credentials.
3. Konfigurera Build Query Embeddings med Model inställt på ={{ $env.OLLAMA_EMBED_MODEL || "nomic-embed-text:latest" }}. Credential Required: Anslut era ollamaApi-credentials.
4. I Fetch Related Text Chunks ställer ni in Mode till retrieve-as-tool, Top K till 8 och Tool Description till Query document text from uploaded documents.. Ställ även in Search Filter JSON till ={ "should": [ { "key": "metadata.documentId", "match": { "value": "{{ $('Structure Procedure Data').first().json.spDocumentId }}" } } ] }. Credential Required: Anslut era qdrantApi-credentials.
5. Konfigurera LLM Structured Output med Model inställt på ={{ $env.OLLAMA_CHAT_MODEL || "qwen2.5:7b" }}. Credential Required: Anslut era ollamaApi-credentials.
6. I Parse AI Findings behåller ni Auto Fix aktiverat och ställer in Input Schema till det tillhandahållna JSON-schemat för confidenceLevel, summaryOfCompliance, summaryOfNonCompliance och supportingTextCitations. Den här output-parsern är kopplad till AI Compliance Review—credentials ska läggas till i den överordnade språkmodellnoden (LLM Structured Output), inte i den här parsern.

Steg 6: konfigurera leverans av output

Returnera den strukturerade regelefterlevnadsrapporten till anroparen när analysen är klar.

1. Koppla AI Compliance Review → Respond Compliance Report för att slutföra request-livscykeln.
2. I Respond Compliance Report ställer ni in Respond With till allIncomingItems för att returnera den strukturerade JSON-outputen.

Steg 7: testa och aktivera ert workflow

Validera båda inträdespunkterna och bekräfta lyckad indexering och AI-analys innan ni går live.

1. Kör Incoming Audit Upload manuellt med en test-payload med spDriveId, spDocumentId och en giltig filreferens för att bekräfta att Store Vectors in Qdrant tar emot embeddings.
2. Trigga Procedure Intake Hook med exempel på procedures, spDocumentId och description för att verifiera att AI Compliance Review returnerar strukturerad JSON.
3. Bekräfta en lyckad körning genom att kontrollera att Respond Compliance Report returnerar summaryOfCompliance, summaryOfNonCompliance och supportingTextCitations.
4. När allt är validerat byter ni båda webhooks till produktions-URL:er och aktiverar workflowet.