Steg 2: Konfigurera Apify-datahämtning

Använd Apifys API för att köra en inläggssökning och hämta de senaste dataset-objekten.

1. Öppna Apify Post Search Request och ställ in URL till https://api.apify.com/v2/acts/scraper_one~x-posts-search/run-sync?token=[CONFIGURE_YOUR_TOKEN].
2. Ställ in Method till POST och JSON Body till { "query": "LaraconIn", "resultsCount": 5, "searchType": "latest", "lang":"en" }.
3. Säkerställ att Send Body och Send Headers är aktiverade och ställ in headern Content-Type till application/json.
4. Öppna Fetch Apify Results och ställ in URL till https://api.apify.com/v2/acts/scraper_one~x-posts-search/runs/last/dataset/items?token=[CONFIGURE_YOUR_TOKEN].
5. Koppla Apify Post Search Request → Fetch Apify Results → Map Loop Fields.

Steg 3: Förbered poster och kontrollera dubletter

Normalisera Apify-resultaten, loopa igenom varje post och hoppa över inlägg som redan har behandlats.

1. I Map Loop Fields mappar ni fält till:
2. Ställ in id till {{ $json.postId }}, tweet_url till {{ $json.postUrl }} och tweet_text till {{ $json.postText }}.
3. Koppla Map Loop Fields → Iterate Records för att behandla en post i taget.
4. Öppna Retrieve Post Sheet och ställ in filtret så att ID matchas mot {{ $json.id }}.
5. Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Retrieve Post Sheet.
6. I Duplicate Check behåller ni villkoret {{ $json.ID }} med operatorn exists.

Steg 4: Sätt upp AI-sentimentanalys och routing

Analysera sentiment för varje tweet och routa till rätt åtgärdsspår.

1. Öppna Analyze Sentiment och ställ in Text till {{ $('Iterate Records').item.json.tweet_text }}.
2. Bekräfta att Prompt Type är define och att Has Output Parser är aktiverat.
3. Öppna Parse Structured Output och behåll JSON-schemaexemplet { "category": "neutral" }.
4. Öppna Chat Model Engine och välj modellen gpt-4o-mini.
5. Autentiseringsuppgifter krävs: Anslut era openAiApi-uppgifter i Chat Model Engine.
6. Säkerställ att Chat Model Engine är ansluten som språkmodell för Analyze Sentiment, och att Parse Structured Output är ansluten som output parser.
7. Öppna Route by Sentiment och verifiera att reglerna jämför {{ $json.output.category }} med Positive, Negative och Neutral.

Steg 5: Konfigurera svarsgenerering och notifieringar

Generera svar för positivt sentiment och skicka larm för negativa inlägg, och uppdatera sedan Google-kalkylarket.

1. Öppna Compose Reply AI och säkerställ att användarmeddelandet använder {{ $('Map Loop Fields').item.json.tweet_text }}.
2. Autentiseringsuppgifter krävs: Anslut era openAiApi-uppgifter i Compose Reply AI.
3. Öppna Slack Alert for Negative och ställ in Text till Received a Negative retweet on {{ $('Duplicate Check').item.json.TweetUrl }}. Consider if a response or clarification is needed..
4. Autentiseringsuppgifter krävs: Anslut era slackOAuth2Api-uppgifter i Slack Alert for Negative.
5. Öppna Update Post Sheet och bekräfta att Operation är appendOrUpdate.
6. Mappa kolumner i Update Post Sheet till: ID {{ $('Map Loop Fields').item.json.id }}, TweetUrl {{ $('Map Loop Fields').item.json.tweet_url }}, TweetText {{ $('Map Loop Fields').item.json.tweet_text }}, Post Reply {{ $json.message.content }} och Sentiment {{ $('Route by Sentiment').item.json.output.category }}.
7. Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-uppgifter i Update Post Sheet.

Steg 6: Testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att bekräfta att Apify-hämtning, sentimentanalys, routing och kalkylarksuppdateringar fungerar som förväntat.

1. Klicka på Execute Workflow för att köra arbetsflödet manuellt.
2. Verifiera att Fetch Apify Results returnerar nya inlägg och att Map Loop Fields skapar id, tweet_url och tweet_text.
3. Kontrollera att Route by Sentiment styr objekten korrekt och att Slack Alert for Negative skickar ett meddelande för negativa inlägg.
4. Bekräfta att Update Post Sheet skriver eller uppdaterar rader med värden för svar och sentiment.
5. När ni är nöjda, slå på arbetsflödet Active för att aktivera schemalagda körningar.