Du kör en AI-generering, kopierar utdata någonstans “för senare” och lägger sedan 20 minuter på att leta upp det när en kund frågar vilken prompt du använde. Ännu värre: körningen misslyckas och du märker det först efter att du redan gått vidare.
Marknadschefer känner igen det här när innehåll behöver spårbarhet och revisionsloggar. En småföretagare vill bara ha pålitliga resultat utan att behöva sitta barnvakt. Och en ops-ansvarig som försöker standardisera arbetsflöden? De behöver Replicate Sheets-loggning som inte förvandlas till ännu ett kalkylbladskaos.
Det här arbetsflödet kör en Replicate-modell, kontrollerar status med logik för återförsök och förbereder en strukturerad “lyckades vs. fel”-payload som du kan logga till Google Sheets. Du får se vad det gör, vad du får ut och hur du kopplar in det i din egen pipeline.
Så fungerar den här automatiseringen
Hela n8n-arbetsflödet, från trigger till slutligt utdata:
n8n Workflow Template: Replicate + Google Sheets: logga varje ai-körning
flowchart LR
subgraph sg0["Manual Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Trigger", pos: "b", h: 48 }
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set API Token", pos: "b", h: 48 }
n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Other Parameters", 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/>Create Other Prediction"]
n4@{ icon: "mdi:cog", form: "rounded", label: "Wait 5s", pos: "b", h: 48 }
n5["<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/>Check Status"]
n6@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Is Complete?", pos: "b", h: 48 }
n7@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Has Failed?", pos: "b", h: 48 }
n8@{ icon: "mdi:cog", form: "rounded", label: "Wait 10s", pos: "b", h: 48 }
n9@{ icon: "mdi:swap-vertical", form: "rounded", label: "Success Response", pos: "b", h: 48 }
n10@{ icon: "mdi:swap-vertical", form: "rounded", label: "Error Response", pos: "b", h: 48 }
n11@{ icon: "mdi:swap-vertical", form: "rounded", label: "Display Result", pos: "b", h: 48 }
n12["<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/code.svg' width='40' height='40' /></div><br/>Log Request"]
n4 --> n5
n8 --> n5
n7 --> n10
n7 --> n8
n12 --> n4
n5 --> n6
n6 --> n9
n6 --> n7
n1 --> n2
n10 --> n11
n0 --> n1
n9 --> n11
n2 --> n3
n3 --> n12
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 n6,n7 decision
class n3,n5 api
class n12 code
classDef customIcon fill:none,stroke:none
class n3,n5,n12 customIcon
Problemet: AI-körningar skapar kaos utan logg
Replicate-körningar är enkla att starta och märkligt irriterande att hantera i skala. Du skickar en begäran, väntar, uppdaterar och hoppas att du inte tappar bort svarspayloaden i en webbläsarflik. Sedan måste du ändå dokumentera prompt, parametrar, utdata och eventuell felorsak någonstans på ett konsekvent sätt. Om du testar varianter blir det rörigt snabbt. Ett enda missat copy-paste och din “vinnande prompt” är borta, din kollega kan inte återskapa resultaten och du slutar med att köra om jobb som redan körts.
Det går snabbt att ackumulera. Här brukar det oftast fallera.
- Folk spårar prompts på ett ställe och utdata på ett annat, så historiken är ofullständig när du behöver den.
- Manuell statuskontroll blir en bakgrundssyssla som stjäl fokus under produktionsarbete.
- Fel loggas inte med tillräckligt med kontext, vilket gör att samma problem återkommer nästa vecka.
- Återförsök hanteras “på känsla”, så du ger antingen upp för tidigt eller slösar krediter på att köra om blint.
Lösningen: Replicate-körningar loggas till Google Sheets (med status)
Det här n8n-arbetsflödet paketerar en komplett Replicate-genereringscykel till något du kan lita på och följa upp. Du startar en körning (manuellt, eller genom att koppla på en trigger senare), och arbetsflödet tilldelar automatiskt din API-token, sätter indataalternativen och skickar begäran till Replicate. Direkt efteråt skapar det en request-logg-payload och kontrollerar sedan prediktionsstatus efter en kort väntan. Om jobbet inte är klart än loopar det med längre väntan och kontrollerar igen. När det är klart bygger det en “lyckades”-payload. Om det misslyckas bygger det i stället en “fel”-payload, så att du ändå får en användbar post.
Arbetsflödet börjar med en körningsbegäran och ett strukturerat loggobjekt. Sedan pollar det Replicate för att se när det är klart via två tidsstyrda väntar (5 sekunder först, sedan 10 sekunder vid återförsök). Till sist outputtar det ett normaliserat resultat som du kan skicka direkt till Google Sheets som en korrekt formaterad rad.
Det du får: automatisering vs. resultat
| Det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du kör cirka 20 genereringar för ett kampanjkoncept-board. Manuell hantering kan lätt ta 3 minuter per körning mellan att skicka, kontrollera status och klistra in utdata och prompt i ett ark, alltså ungefär en timme. Med det här arbetsflödet startar du körningen en gång, sedan sköter n8n väntetider och statuskontroller (5 sekunder, sedan 10-sekunders återförsök) och outputtar ett resultat som är redo att logga. Din “mänskliga tid” sjunker till ungefär 10 minuter totalt för hela batchen.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Replicate API för att köra modellen Digitalhera/heranathalie
- Google Sheets för att lagra körningsloggar som rader
- Replicate API-token (hämta den i dina Replicate-kontoinställningar)
Kunskapsnivå: Nybörjare. Du klistrar in en API-token, justerar några fält och mappar kolumner i Sheets.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
En körning startas från n8n. Arbetsflödet använder en manuell trigger som standard, vilket är perfekt för testning. Senare kan du byta till ett formulärinskick, en ny rad i ett ark eller en webhook från ett annat verktyg.
Dina inloggningsuppgifter och indata förbereds. n8n tilldelar Replicate API-token och sätter genereringsalternativen (delarna “vad som ska köras” och “hur det ska köras”) innan begäran skickas.
Replicate kör, och n8n väntar. Det skickar genereringsbegäran via HTTP, loggar request-detaljerna och kontrollerar sedan prediktionsstatus efter en paus på 5 sekunder. Om prediktionen fortfarande inte är klar väntar det 10 sekunder och kontrollerar igen, och loopar via grenarna för lyckat eller misslyckat.
En strukturerad payload kommer ut i andra änden. Vid lyckat resultat får du ett strukturerat resultat som innehåller de utdataledetaljer du bryr dig om. Vid fel får du i stället en felpayload. Oavsett vilket är datan formad för att kunna skrivas till Google Sheets utan att du behöver handredigera.
Du kan enkelt justera modellparametrarna för ditt use case och sedan ändra output-mappningen så att den passar dina kolumner i arket. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera den manuella triggern
Starta arbetsflödet manuellt under uppsättning och testning så att ni kan validera hela requesten och polling-loopen.
- Lägg till och öppna Manual Start Trigger för att säkerställa att arbetsflödet startar vid behov.
- Koppla Manual Start Trigger till Assign API Credential som första körsteg.
Steg 2: Anslut åtkomst till Replicate API
Det här arbetsflödet injicerar er API-nyckel med en Set-nod och skickar sedan vidare den i HTTP-headers för Replicate.
- Öppna Assign API Credential och sätt värdet för api_token till er nyckel, och ersätt
[CONFIGURE_YOUR_API_KEY]. - I Configure Input Options ska ni behålla tilldelningen för api_token satt till
={{ $('Assign API Credential').item.json.api_token }}för att skicka token vidare.
⚠️ Vanlig fallgrop: Det finns inga credential-objekt i det här arbetsflödet. Ni måste manuellt ange API-nyckeln i Assign API Credential, annars misslyckas anropen med auktoriseringsfel.
Steg 3: Ställ in input-alternativ för generering
Konfigurera alla genereringsparametrar för modellrequesten på ett ställe.
- Öppna Configure Input Options och bekräfta kärnfälten: mask
https://via.placeholder.com/512x512/000000/FFFFFF.png, imagehttps://picsum.photos/512/512, promptCreate something amazing, width512, height512. - Justera kvalitets- och stilparametrar vid behov, inklusive guidance_scale
3, output_quality80, prompt_strength0.8och num_inference_steps28. - Behåll modellversionen i Submit Generation Request satt till
digitalhera/heranathalie:c4e122b4dceba454469d84b69b855b38625b89ca6e922e1c1b1a817ea8f7e340om ni inte medvetet byter modell.
⚠️ Vanlig fallgrop: Om ni ändrar dimensioner, säkerställ att width och height är kompatibla med modellens begränsningar, annars kan requesten misslyckas.
Steg 4: Konfigurera genereringsrequesten och loggning
Skicka predictionen till Replicate och logga request-detaljerna för övervakning.
- I Submit Generation Request ska ni sätta URL till
https://api.replicate.com/v1/predictionsoch Method tillPOST. - Behåll fältet jsonBody som det angivna JSON-uttrycket så att det mappar alla parametrar från Configure Input Options.
- Under Header Parameters ska ni sätta Authorization till
=Bearer {{ $json.api_token }}och Prefer tillwait. - I Record Request Log ska ni lämna JavaScript-loggningskoden som den är för att fånga prediction-id och tidsstämpel.
Steg 5: Konfigurera status-polling och förgreningslogik
Arbetsflödet kontrollerar prediction-status och routar till lyckat eller misslyckat resultat, med loopar och väntetider vid behov.
- Verifiera att Pause 5 Seconds är satt till amount
5och är kopplad till Query Prediction Status. - I Query Prediction Status ska ni sätta URL till
=https://api.replicate.com/v1/predictions/{{ $('Submit Generation Request').item.json.id }}och headern Authorization till=Bearer {{ $('Assign API Credential').item.json.api_token }}. - I Completion Check ska ni behålla villkoret att status är lika med
succeeded. ”true”-grenen routar till Build Success Payload och ”false”-grenen routar till Failure Check. - I Failure Check ska ni behålla villkoret att status är lika med
failed. ”true”-grenen routar till Build Error Payload och ”false”-grenen routar till Pause 10 Seconds och tillbaka till Query Prediction Status. - Säkerställ att Pause 10 Seconds använder amount
10för att undvika aggressiv polling.
⚠️ Vanlig fallgrop: Om ni tar bort väntetiderna kan Replicate rate-limita statuskontroller. Behåll Pause 5 Seconds och Pause 10 Seconds under pollingen.
Steg 6: Konfigurera output-payloads och slutligt svar
Förbered standardiserade payloads för lyckat resultat eller fel och konsolidera dem till ett slutligt output-objekt.
- I Build Success Payload ska ni behålla värdet för response satt till
={{ { success: true, result_url: $json.output, prediction_id: $json.id, status: $json.status, message: 'Other generated successfully' } }}. - I Build Error Payload ska ni behålla värdet för response satt till
={{ { success: false, error: $json.error || 'Other generation failed', prediction_id: $json.id, status: $json.status, message: 'Failed to generate other' } }}. - I Present Final Output ska ni sätta final_result till
={{ $json.response }}så att arbetsflödet returnerar ett konsekvent objekt.
Steg 7: Testa och aktivera ert arbetsflöde
Kör ett manuellt test för att bekräfta requesten, pollingen och output-strukturen.
- Klicka på Execute Workflow medan Manual Start Trigger är vald.
- Verifiera att Submit Generation Request returnerar ett prediction-id och att Query Prediction Status till slut når
succeededellerfailed. - Kontrollera Present Final Output efter ett
final_result-objekt som innehållersuccess,statusoch antingenresult_urlellererror. - När testoutputen ser korrekt ut, slå på arbetsflödet till Active för att använda det i produktion.
Vanliga fallgropar
- Replicate-inloggning kan löpa ut eller klistras in med ett dolt blanksteg. Om saker slutar fungera, kontrollera först värdet i noden “Assign API Credential”.
- Om du använder Wait-noder eller extern rendering varierar processtider. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Skrivningar till Google Sheets misslyckas ofta för att fliknamnet i arket ändrats eller för att servicekontot tappat åtkomst. Bekräfta behörigheterna för kalkylarket och det valda kalkylbladet i din Sheets-nod.
Vanliga frågor
Cirka 30 minuter om din Replicate-token och ditt Google Sheet är redo.
Nej. Du klistrar mest in inloggningsuppgifter och mappar fält till dina kolumner i arket.
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 Replicate-kostnader baserat på modell och hur många genereringar du kör.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.
Ja, men du vill uppdatera delen för förberedelse av indata. Det här arbetsflödet innehåller redan noderna “Read Binary File” och “Read PDF”, så du kan byta mappningen i “Configure Input Options” för att skicka extraherad text eller fildata till Replicate. Vanliga justeringar är att lagra källfilens namn i arket, spara ett kort textutdrag bredvid körningen och lägga till en kolumn för “jobbtyp” så att du kan filtrera senare.
Oftast är det en ogiltig eller utgången API-token i noden “Assign API Credential”. Det kan också vara att request-payloaden inte matchar om du ändrat modellparametrar i “Configure Input Options”, eller rate limiting om du drar igång många körningar samtidigt. Kontrollera exekveringsutdata för HTTP Request-noden i n8n för att se exakt felmeddelande – det är ärligt talat snabbaste vägen till en fix.
Den kan skala till hundratals körningar per dag för många små team, så länge din n8n-plan och Replicate-gränser stödjer volymen.
Ofta, ja, när du bryr dig om återförsök och korrekt loggning av lyckat/fel. Det här arbetsflödet pollar status med väntar och grenlogik, och n8n hanterar den typen av kontrollflöde utan att bli krångligt eller dyrt. Self-hosting är också viktigt om du planerar att köra många genereringar, eftersom du inte köper tasks en och en. Zapier eller Make kan fortfarande fungera bra för snabba prototyper, men de är inte lika smidiga när du behöver loopar, villkor och strukturerad formning av payloads. Vill du ha en second opinion innan du bestämmer dig? Prata med en automationsexpert.
När detta väl är på plats lämnar varje körning ett spår du kan lita på, även misslyckandena. Sätt upp det, koppla in det i din pipeline och gå vidare till arbete som faktiskt behöver din uppmärksamhet.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.