Steg 2: Anslut OpenRouter LLM-provider

Konfigurera den delade LLM-providern som används av flera AI-noder i arbetsflödet.

1. Välj OpenRouter LLM Provider och ställ in Model till google/gemini-2.0-flash-001.
2. Inloggningsuppgifter krävs: Anslut era openRouterApi-inloggningsuppgifter i OpenRouter LLM Provider.
3. Bekräfta att OpenRouter LLM Provider är ansluten som språkmodell för Compose Search Prompts, LLM Context Extractor och Build Research Report.

Steg 3: Konfigurera promptskapande och JSON-tolkning

Generera sökprompter från chattinmatningen och dela upp dem i batchar av frågor.

1. I Compose Search Prompts ställer ni in Text till =User Query: {{ $('Incoming Chat Trigger').item.json.chatInput }}.
2. Säkerställ att promptmeddelandet i Compose Search Prompts instruerar modellen att returnera en JSON-lista med sökfrågor.
3. I Parse and Split JSON behåller ni den angivna JavaScript-koden som tolkar JSON-arrayen och delar upp den i fyra delar.
4. Bekräfta körflödet: Incoming Chat Trigger → Compose Search Prompts → Parse and Split JSON.

Steg 4: Konfigurera SerpAPI-batchning och resultatformatering

Loopa igenom sökfrågor, anropa SerpAPI och formatera de organiska resultaten.

1. Lägg till Batch SerpAPI Items efter Parse and Split JSON för att iterera fråge-delarna.
2. I SerpAPI Query Call ställer ni in URL till https://serpapi.com/search och aktiverar Send Query.
3. Ställ in Query Parameters i SerpAPI Query Call:
4. q till ={{ $('Parse and Split JSON').item.json.chunk }}, api_key till ={{ $credentials.SerpAPI.key }} och engine till google.
5. I Shape SerpAPI Results behåller ni JavaScript-koden som mappar organic_results till title, url och source.
6. Bekräfta loopordningen: Batch SerpAPI Items → SerpAPI Query Call → Batch SerpAPI Items (nästa batch) → Shape SerpAPI Results.

Steg 5: Hämta innehåll och extrahera kontext

Hämta källsidor, iterera igenom dem och extrahera relevant information med hjälp av LLM:en.

1. Anslut Shape SerpAPI Results till Batch Jina Items så att varje URL bearbetas i batchar.
2. I Jina Content Fetch ställer ni in URL till =https://r.jina.ai/{{ $json.url }} och ställer in Authentication till Generic Credential Type med httpHeaderAuth.
3. Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Jina Content Fetch.
4. I LLM Context Extractor ställer ni in Text till =User Queries: {{ $('Parse and Split JSON').all().map(item => item.json.chunk[0]).join(', ') }} Webpage Contents: """ {{ $json.data }} """.
5. Verifiera att Input Context Memory är ansluten till LLM Context Extractor som AI-minne med Session Key my_test_session och Context Window Length 20.

Steg 6: Konfigurera rapportgenerering och verktyg

Sammanfoga extraherade kontexter till en slutlig researchrapport och anslut valfria AI-verktyg.

1. I Build Research Report ställer ni in Text till =Extracted Contexts (Merged): """ {{ $json.output }} """.
2. Bekräfta att Report Context Memory är kopplad som AI-minne med Session Key my_test_session och Context Window Length 20.
3. Säkerställ att Retrieve Wikipedia Info är ansluten som ett AI-verktyg till Build Research Report.
4. Observera att AI-verktyg som Retrieve Wikipedia Info ärver inloggningsuppgifter (vid behov) från den överordnade noden; konfigurera eventuella nödvändiga inloggningsuppgifter i Build Research Report.

Steg 7: Testa och aktivera ert arbetsflöde

Kör ett manuellt test, verifiera utdata från researchrapporten och aktivera sedan arbetsflödet för användning i produktion.

1. Klicka på Execute Workflow och skicka ett exempelmeddelande till Incoming Chat Trigger.
2. Bekräfta att Compose Search Prompts returnerar en JSON-array och att Parse and Split JSON delar upp den i delar.
3. Verifiera att SerpAPI Query Call returnerar resultat, att Shape SerpAPI Results formaterar URL:er och att Jina Content Fetch hämtar sidinnehåll.
4. Kontrollera att LLM Context Extractor matar ut extraherad kontext och att Build Research Report genererar en Markdown-rapport.
5. När ni är nöjda växlar ni arbetsflödet till Active för att aktivera körning i produktion.