Steg 2: Hämta och parsa webbplatsinnehåll

Formulärinlämningen matar sekvensen för HTML-hämtning och parsning: Website URL Form → Fetch Website HTML → Parse HTML Content.

1. I Fetch Website HTML ställer ni in URL till ={{ $json['Website Url'] }}.
2. Behåll standardalternativen för Timeout på 30000 och Max Redirects på 5 för att hantera långsamma eller omdirigerade webbplatser.
3. I Parse HTML Content behåller ni extraktionsnycklarna och selektorerna för title, content, meta_description och links enligt konfigurationen.
4. Koppla Fetch Website HTML till Parse HTML Content och sedan till Convert to JSON File.

Tips: Om er webbplats använder en anpassad layout, justera CSS-selektorerna i Parse HTML Content för att fånga rätt textblock.

Steg 3: Ladda, dela upp i chunkar och indexera dokument i Supabase

I det här steget förbereds det parsade innehållet för embeddings och lagras i er vektordatabas.

1. I Convert to JSON File ställer ni in Operation till toJson.
2. Konfigurera Recursive Text Chunker med Chunk Size 3000 och Chunk Overlap 500 och koppla den till Standard Data Loader.
3. I Standard Data Loader ställer ni in Loader till jsonLoader och Data Type till binary.
4. Lägg till metadata i Standard Data Loader med Name website_url och Value ={{ $('Website URL Form').item.json['Website Url'] }}.
5. I Supabase Vector Index ställer ni in Mode till insert, Table Name till documents och Embedding Batch Size till 100.

Autentiseringsuppgifter krävs: Anslut era supabaseApi-autentiseringsuppgifter i Supabase Vector Index.

Autentiseringsuppgifter krävs: Anslut era cohereApi-autentiseringsuppgifter för Cohere Embedding Builder. Det här embedding-verktyget är länkat till Supabase Vector Index—lägg till autentiseringsuppgifter via den överordnade embedding-anslutningen.

Steg 4: Konfigurera agenten för chatt-återhämtning och verktyg

Chattgränssnittet drivs av Incoming Chat Trigger och återhämtningsagenten som frågar Supabase-vektorlager.

1. I Incoming Chat Trigger ställer ni in Mode till webhook och behåller Public aktiverat.
2. Öppna Retrieve Answer Agent och behåll System Message enligt konfigurationen för att säkerställa svar som är förankrade i dokumenten.
3. Säkerställ att OpenAI Chat Model är ansluten till Retrieve Answer Agent som språkmodell och välj gpt-4o-mini.
4. Konfigurera Supabase Retrieval Tool med Mode retrieve-as-tool, Tool Name documents_knowledge_base, Table Name documents och Include Document Metadata inställt på false.
5. Ställ in Conversation Memory Store med Table Name chat_memory och Context Window Length 3.

Autentiseringsuppgifter krävs: Anslut era openAiApi-autentiseringsuppgifter i OpenAI Chat Model.

Autentiseringsuppgifter krävs: Anslut era supabaseApi-autentiseringsuppgifter för Supabase Retrieval Tool. Det här verktyget är länkat till Retrieve Answer Agent—lägg till autentiseringsuppgifter via den överordnade verktygsanslutningen.

Autentiseringsuppgifter krävs: Anslut era cohereApi-autentiseringsuppgifter för Cohere Embedding Tool. Det här embedding-verktyget är länkat till Supabase Retrieval Tool—lägg till autentiseringsuppgifter via den överordnade embedding-anslutningen.

Autentiseringsuppgifter krävs: Anslut era postgres-autentiseringsuppgifter för Conversation Memory Store. Det här minnesverktyget är länkat till Retrieve Answer Agent—lägg till autentiseringsuppgifter via den överordnade minnesanslutningen.

Steg 5: Testa och aktivera ert arbetsflöde

Validera både indexeringsflödet och chattens återhämtningsflöde innan ni går live.

1. Trigga Website URL Form manuellt, skicka in en giltig URL och bekräfta att Supabase Vector Index tar emot dokumentchunkar.
2. Använd test-webhooken i Incoming Chat Trigger för att skicka en fråga och verifiera att Retrieve Answer Agent returnerar ett svar som är förankrat i det lagrade innehållet.
3. Kontrollera Supabase-tabellerna documents och chat_memory för nyligen infogade poster.
4. Klicka på Activate i n8n för att aktivera produktionsanvändning när testerna lyckas.