Steg 2: Koppla runtime-inställningar

Definiera runtime-variabler som används av kunskapsbasverktygen, vektorlagret och Slack-routning.

1. Öppna Runtime Settings och låt Include Other Fields vara aktiverat.
2. Ställ in pgVectorTable på helpdesk_knowledge_base.
3. Ställ in pgVectorHost på <__PLACEHOLDER_VALUE__PostgreSQL host__> och pgVectorDatabase på <__PLACEHOLDER_VALUE__PostgreSQL database name__>.
4. Ställ in slackChannel på <__PLACEHOLDER_VALUE__Slack channel ID for engineer notifications__>.

Steg 3: Sätt upp agenten för ärendeklassificering

Konfigurera klassificeringsagenten, dess språkmodell, output-parser och verktyg för hämtning från kunskapsbasen.

1. Öppna Ticket Classification Agent och ställ in Text till =Ticket Details: Title: {{ $json.title }} Description: {{ $json.description }} Priority: {{ $json.priority }} Reporter: {{ $json.reporter }}.
2. Säkerställ att Has Output Parser är aktiverat i Ticket Classification Agent.
3. Öppna OpenAI Chat Model - Triage och välj Model gpt-4.1-mini.
4. Credential Required: Koppla era openAiApi-credentials till OpenAI Chat Model - Triage.
5. Granska Classifier Output Parser och behåll JSON-schemaexemplet som angivet för strukturerad klassificeringsoutput.
6. Öppna Knowledge Base Lookup och ställ in Table Name på ={{ $('Runtime Settings').first().json.pgVectorTable }}.
7. Öppna MCP Utility Tools och ställ in Endpoint URL på <__PLACEHOLDER_VALUE__MCP server endpoint URL__>.
8. Öppna OpenAI Embeddings Search och koppla den till Knowledge Base Lookup som embeddings-provider.
9. Credential Required: Koppla era openAiApi-credentials till OpenAI Embeddings Search.

Steg 4: Konfigurera routning för lösning och automatisk lösning

Routa ärenden baserat på om en lösning hittas och uppdatera ärendestatus för fall som löses automatiskt.

1. Öppna Solution Available Check och verifiera att villkoret använder ={{ $json.solutionFound }} med den booleska operatorn true.
2. I Compose Auto-Resolution ställer ni in status till resolved, resolution till ={{ $json.solution }}, resolvedBy till AI Auto-Resolver och resolvedAt till ={{ $now.toISO() }}.
3. Öppna Modify Ticket Status och ställ in Query till =UPDATE tickets SET status = '{{ $json.status }}', resolution = '{{ $json.resolution }}', resolved_by = '{{ $json.resolvedBy }}', resolved_at = '{{ $json.resolvedAt }}' WHERE id = {{ $json.ticketId }}.
4. Credential Required: Lägg till PostgreSQL-credentials i Modify Ticket Status (inte konfigurerat i detta workflow).

Steg 5: Sätt upp AI-lösning och ingenjörsaviseringar

Generera detaljerade lösningar när ingen lösning hittas och avisera ingenjörer vid behov.

1. Öppna AI Resolution Builder och ställ in Text till =Ticket Details: Title: {{ $json.title }} Description: {{ $json.description }} Category: {{ $json.category }} Priority: {{ $json.priority }}.
2. Öppna OpenAI Chat Model - Resolution och välj Model gpt-4.1-mini.
3. Credential Required: Koppla era openAiApi-credentials till OpenAI Chat Model - Resolution.
4. Granska Resolution Output Parser och behåll det manuella schemat som angivet.
5. Öppna Generate Diagnostic Logs och behåll Mode som runOnceForEachItem med den angivna JavaScript-koden.
6. Öppna Engineer Needed Check och verifiera att villkoret använder ={{ $json.requiresEngineer }} med den booleska operatorn true.
7. Öppna Engineer Alert Message, ställ in Channel till ={{ $('Runtime Settings').first().json.slackChannel }} och behåll meddelandets Text som angivet för diagnostik och ärendedetaljer.
8. Credential Required: Koppla era slackOAuth2Api-credentials till Engineer Alert Message.
9. Öppna MCP Utility Tools 2 och ställ in Endpoint URL på <__PLACEHOLDER_VALUE__MCP server endpoint URL__>.

Steg 6: Infoga poster i kunskapsbasen

Sätt ihop en kunskapsbaspost och infoga den i PGVector för framtida hämtning.

1. Öppna Assemble KB Entry och verifiera att kbEntry är satt till =Ticket Type: {{ $json.category }} Issue: {{ $json.title }} Description: {{ $json.description }} Solution: {{ $json.solution }} Steps: {{ $json.steps ? $json.steps.join("\n") : "N/A" }} Complexity: {{ $json.complexity }} Resolved: {{ $json.resolvedAt }}.
2. Öppna Load KB Document och ställ in JSON Data till ={{ $json.kbEntry }} med JSON Mode expressionData.
3. Öppna Insert Knowledge Base och ställ in Table Name på ={{ $('Runtime Settings').first().json.pgVectorTable }} med Mode insert.
4. Öppna OpenAI Embeddings Insert och koppla den till Insert Knowledge Base som embeddings-provider.
5. Credential Required: Koppla era openAiApi-credentials till OpenAI Embeddings Insert.
6. Credential Required: Lägg till PostgreSQL/PGVector-credentials i Insert Knowledge Base och Knowledge Base Lookup (inte konfigurerat i detta workflow).

Steg 7: Testa och aktivera ert workflow

Verifiera körning end-to-end och aktivera sedan workflowet för produktion.

1. Använd test-URL:en för Incoming Ticket Trigger för att skicka en exempel-JSON-payload som innehåller title, description, priority, reporter och ticketId.
2. Bekräfta att Ticket Classification Agent returnerar strukturerad output via Classifier Output Parser och att Solution Available Check routar korrekt.
3. Om en lösning hittas, verifiera att Modify Ticket Status kör update-queryn och att Assemble KB Entry därefter infogar i Insert Knowledge Base.
4. Om ingen lösning hittas, bekräfta att AI Resolution Builder genererar en lösning, att Generate Diagnostic Logs lägger till diagnosticLog och att Engineer Alert Message postar till Slack när requiresEngineer är true.
5. När allt fungerar, slå på workflowet till Active för att börja hantera produktionsärenden.