Steg 2: Anslut Google Docs för långtidsminne och anteckningar

Konfigurera Google Docs-noderna som hämtar och sparar långtidsminne och användaranteckningar.

1. Öppna Fetch Long-Term Memory och ställ in Operation till get och Document URL till [Google Doc ID].
2. Inloggning krävs: Anslut era googleDocsOAuth2Api-uppgifter i Fetch Long-Term Memory.
3. Öppna Fetch Stored Notes och ställ in Operation till get och Document URL till [Google Doc ID].
4. Inloggning krävs: Anslut era googleDocsOAuth2Api-uppgifter i Fetch Stored Notes.
5. Öppna Persist Long-Term Memory och ställ in Operation till update, Document URL till [Google Doc ID] och Tool Description till Save Memory.
6. Inloggning krävs: Anslut era googleDocsOAuth2Api-uppgifter i Persist Long-Term Memory.
7. Öppna Persist Notes och ställ in Operation till update, Document URL till [Google Doc ID] och Tool Description till Save Notes.
8. Inloggning krävs: Anslut era googleDocsOAuth2Api-uppgifter i Persist Notes.

Steg 3: Kombinera indata och aggregera minneskontext

Slå ihop de hämtade dokumenten och aggregera dem till en enda payload för AI-agenten.

1. Koppla Fetch Long-Term Memory och Fetch Stored Notes till Combine Inputs för att slå ihop båda objekten.
2. Koppla Combine Inputs till Aggregate Items.
3. I Aggregate Items, ställ in Aggregate till aggregateAllItemData för att kombinera båda minneskällorna till en array.

Steg 4: Sätt upp AI-minne, verktyg och agentorkestrering

Konfigurera AI-agenten, minnesbufferten och kopplingarna till språkmodellen som driver svar och datasparning.

1. Öppna Session Buffer Memory och ställ in Session Key till ={{ $('Incoming Chat Trigger').item.json.sessionId }}, Session ID Type till customKey och Context Window Length till 50.
2. Öppna AI Orchestration Agent och ställ in Text till ={{ $('Incoming Chat Trigger').item.json.chatInput }}.
3. Bekräfta att systemmeddelandet innehåller referenser till minne och anteckningar, såsom {{ $json.data[0].content }} och {{ $json.data[1].content }}.
4. I Compact GPT Model, säkerställ att den är ansluten som språkmodell för AI Orchestration Agent.
5. Inloggning krävs: Anslut era openAiApi-uppgifter i Compact GPT Model.
6. I Utility: DeepSeek Chat Model, ställ in Model till =deepseek-chat och anslut den som en alternativ språkmodell vid behov.
7. Inloggning krävs: Anslut era openAiApi-uppgifter i Utility: DeepSeek Chat Model.
8. Koppla Persist Long-Term Memory och Persist Notes som verktyg till AI Orchestration Agent så att agenten kan anropa dem.

Steg 5: Konfigurera output-routing och Telegram-svar

Skicka AI-svaret till Telegram och förbered utdata för vidare användning.

1. Notera den parallella grenen: AI Orchestration Agent skickar utdata parallellt till både Telegram Reply och Prepare Chat Output.
2. I Telegram Reply, ställ in Text till ={{ $json.output }} och Chat ID till =[YOUR_ID].
3. Inloggning krävs: Anslut era telegramApi-uppgifter i Telegram Reply.
4. I Prepare Chat Output, lägg till en tilldelning med namnet output med värdet ={{ $json.output }}.

Steg 6: Testa och aktivera ert arbetsflöde

Validera end-to-end-flödet innan ni aktiverar arbetsflödet i produktion.

1. Klicka på Execute Workflow och skicka ett testmeddelande till Incoming Chat Trigger.
2. Bekräfta att både Fetch Long-Term Memory och Fetch Stored Notes körs och slås ihop i Combine Inputs, och därefter aggregeras i Aggregate Items.
3. Verifiera att AI Orchestration Agent skapar ett output-fält och att Telegram Reply publicerar meddelandet utan problem.
4. Kontrollera måldokumenten i Google Docs för att säkerställa att Persist Long-Term Memory eller Persist Notes uppdaterades när det var relevant.
5. När ni är nöjda, växla arbetsflödet till Active för att aktivera användning i produktion.