Du vet den där stunden när någon ställer en ”enkel” fråga och du slutar med att skriva om samma förklaring på fem olika sätt. En för ett barn. En för en tonåring. En för en smart vuxen som vill ha detaljerna. Och ändå sparas den inte någonstans där den faktiskt är användbar.
Telegram Docs-automatisering bryter den loopen. Lärare märker det snabbt i lektionsplaneringen. En innehållsskapare som svarar på DM:ar stöter på det varje dag. Tekniska skribenter dras in i det varje gång en intressent säger: ”Kan du göra det här mer nybörjarvänligt?”
Det här arbetsflödet gör om en Telegram-fråga till fem förklaringar som är redo för olika målgrupper på några sekunder, skickar dem tillbaka till dig och arkiverar sedan hela frågan och svaret i Google Docs så att du kan återanvända de bästa svaren när som helst.
Så fungerar den här automatiseringen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: Telegram + Google Docs: spara och återanvänd svar
flowchart LR
subgraph sg0["Receive User Question Flow"]
direction LR
n0@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Switch", pos: "b", h: 48 }
n1@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/telegram.svg' width='40' height='40' /></div><br/>Receive User Question"]
n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Extract Query Data", pos: "b", h: 48 }
n4["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Route to Appropriate Level"]
n5@{ icon: "mdi:robot", form: "rounded", label: "5-Year-Old Story Mode", pos: "b", h: 48 }
n6@{ icon: "mdi:robot", form: "rounded", label: "Teenager Level", pos: "b", h: 48 }
n7@{ icon: "mdi:robot", form: "rounded", label: "Graduate Level", pos: "b", h: 48 }
n8@{ icon: "mdi:robot", form: "rounded", label: "PhD Research Level", pos: "b", h: 48 }
n9@{ icon: "mdi:robot", form: "rounded", label: "Business Executive Level", pos: "b", h: 48 }
n10["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>5-Year-Old"]
n11["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Teenager"]
n12["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Graduate"]
n13["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>PhD"]
n14["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Business"]
n15["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Child + Teen"]
n16["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Grad + PhD"]
n17["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>First 4 Levels"]
n18["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>All 5 Levels"]
n19["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Aggregate & Structure All Re.."]
n20["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Format 6 Messages for Telegram"]
n21["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/telegram.svg' width='40' height='40' /></div><br/>Send to User via Telegram"]
n22["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Format Plain Text for Docs"]
n23@{ icon: "mdi:cog", form: "rounded", label: "Archive to Google Docs", pos: "b", h: 48 }
n13 --> n16
n0 --> n5
n0 --> n6
n0 --> n7
n0 --> n8
n0 --> n9
n14 --> n18
n12 --> n16
n11 --> n15
n10 --> n15
n16 --> n17
n18 --> n19
n15 --> n17
n17 --> n18
n7 --> n12
n6 --> n11
n1 -.-> n5
n1 -.-> n6
n1 -.-> n7
n1 -.-> n8
n1 -.-> n9
n3 --> n4
n8 --> n13
n5 --> n10
n2 --> n3
n9 --> n14
n22 --> n23
n4 --> n0
n20 --> n21
n19 --> n20
n19 --> n22
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n2 trigger
class n5,n6,n7,n8,n9 ai
class n1 aiModel
class n0 decision
class n4,n10,n11,n12,n13,n14,n19,n20,n22 code
classDef customIcon fill:none,stroke:none
class n2,n4,n10,n11,n12,n13,n14,n15,n16,n17,n18,n19,n20,n21,n22 customIcon
Problemet: att skriva om samma svar för olika personer
Att förklara saker är en del av jobbet. Att förklara samma sak fem gånger är delen som i tysthet saboterar din dag. Du svarar på en fråga i en chatt, sedan behöver någon annan en enklare version. Sedan vill din chef ha en sammanfattning på ledningsnivå. Sedan behöver du en mer akademisk vinkel till ett dokument, och nu letar du i gamla meddelanden för att hitta vad du skrev förra månaden. Under tiden är din ”bästa förklaring” utspridd över Telegram-trådar, Google Docs och halvfärdiga anteckningar.
Det blir mycket snabbt. Här är var det fallerar.
- Du lägger cirka 20 minuter på att skriva om en idé för olika målgrupper, även när du redan kan ämnet väl.
- Dina förklaringar blir inkonsekventa, vilket betyder fler redigeringar och mer fram-och-tillbaka-frågor.
- Bra svar försvinner i chatthistoriken, så du uppfinner formuleringar på nytt som du redan satte perfekt.
- När du har bråttom hamnar du i ett och samma tonläge, och minst en läsare blir förvirrad eller tappar intresset.
Lösningen: förklaringar för flera målgrupper från Telegram till Docs
Det här n8n-arbetsflödet startar så fort du skickar en fråga till din Telegram-bot. n8n fångar meddelandet, gör det korrekt formaterat och genererar fem ”målgruppsnivåer” som körs parallellt. Varje nivå får sin egen prompt till en AI-agent, så barnversionen läser som en berättelse, tonårsversionen känns nära och begriplig, kandidat-/masterversionen är strukturerad och tydlig, PhD-versionen är mer analytisk och executive-versionen fokuserar på strategi och beslut. Inom cirka 10 sekunder får du ett prydligt paket med Telegram-meddelanden: en rubrik plus varje förklaring som ett eget meddelande. Samtidigt formaterar n8n hela frågan och svaret och lägger till det i ett Google Doc så att dina bästa förklaringar blir ett sökbart arkiv.
Arbetsflödet börjar med att Telegram tar emot frågan, sedan förgrenas det till fem AI-agenter via en OpenAI-chattmodell. Därefter slår det ihop allt igen på ett stabilt sätt och skickar resultatet till Telegram och Google Docs utan att du kopierar en enda rad.
Det du får: automatisering vs. resultat
| Det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du svarar på 10 ”hur funkar det här?”-frågor i veckan från elever, kunder eller din publik. Manuellt kanske du lägger cirka 20 minuter per fråga på att skriva om samma idé för olika personer, vilket blir ungefär 3 timmar per vecka. Med det här arbetsflödet skickar du ett Telegram-meddelande (kanske 30 sekunder), väntar under 10 sekunder på de fem versionerna, och det är redan sparat i Google Docs. Du får tillbaka de där 3 timmarna, och dina ”bästa svar” slutar försvinna i chatthistoriken.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger funkar bra)
- Telegram för att ta emot frågor och leverera svar
- Google Docs för att lagra ditt återanvändbara fråge- och svararkiv
- OpenAI API-nyckel (hämta den i din OpenAI-dashboard)
Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in en Doc-URL och justerar prompter om du vill ha ett annat tonläge.
Vill du inte sätta upp det här själv? Prata med en automatiseringsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett Telegram-meddelande triggar allt. Du skickar en fråga till din bot, och n8n fångar texten direkt via Telegram-triggern.
Frågan mappas och förbereds. n8n gör det inkommande meddelandet korrekt formaterat och genererar sedan de fem ”nivåerna” som ska skapas (barn, tonåring, kandidat/master, PhD, executive), så att varje svar blir medvetet annorlunda.
Fem AI-agenter skriver parallellt. Varje målgruppsnivå körs genom sin egen AI-agent som drivs av en OpenAI-chattmodell, vilket är varför svaren kommer på några sekunder i stället för att fastna i en lång kö.
Allt slås ihop, formateras och levereras. n8n slår ihop de fem svaren till ett paket, skickar en ren sekvens av Telegram-meddelanden (rubrik + fem förklaringar) och lägger till hela frågan och svaret i ditt valda Google Doc för långsiktig återanvändning.
Du kan enkelt ändra målgruppsnivåerna för att matcha din tonalitet eller byta ut Google Docs mot en annan destination utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera Telegram-triggern
Det här arbetsflödet startar när ett nytt Telegram-meddelande tas emot.
- Lägg till noden Telegram Intake Trigger som arbetsflödets trigger.
- Ställ in Updates på
message. - Inloggningsuppgifter krävs: anslut era Telegram-inloggningsuppgifter (krävs för Telegram Intake Trigger).
Steg 2: mappa den inkommande frågan och generera nivåobjekt
Normalisera Telegram-payloaden och skapa fem förklaringsnivåer för parallell bearbetning.
- I Map Incoming Query, ställ in userQuery till
{{ $json.message.text }}. - Ställ in chatId till
{{ $json.message.chat.id }}. - Ställ in timestamp till
{{ $now.toISO() }}. - I Generate Level Items, behåll jsCode enligt det som är angivet för att få ut fem objekt (5-year-old, teenager, graduate, phd, business).
systemPrompt och query som nedströms agenter förlitar sig på – ta inte bort dem.Steg 3: routa efter nivå och konfigurera AI-agenterna
Dela upp objekten efter nivå och producera fem svar med AI-agenter som använder en gemensam språkmodell.
- I Route by Level, verifiera att varje regel använder
{{ $json.level }}och matchar5-year-old,teenager,graduate,phdochbusiness. - Anslut varje utgång till motsvarande agent: Agent: Kids Story, Agent: Teen Explain, Agent: Graduate Explain, Agent: PhD Analysis, Agent: Business Brief.
- I varje agent, behåll Text inställt på frågeuttrycken, t.ex.
{{ $json.query }}(eller{{ $('Map Incoming Query').item.json.userQuery }}för Agent: Business Brief). - Säkerställ att OpenAI Chat Engine använder modellen
gpt-4.1-mini. - Inloggningsuppgifter krävs: anslut era OpenAI-inloggningsuppgifter i OpenAI Chat Engine. Agenterna använder den här överordnade anslutningen till språkmodellen.
Steg 4: extrahera, slå ihop och sammanställ svarspaketet
Samla de fem AI-utdata, normalisera dem och slå ihop till ett enda ordnat paket.
- Behåll extraheringsskripten i Extract Kids Response, Extract Teen Response, Extract Grad Response, Extract PhD Response och Extract Business Response för att normalisera utdataformat.
- Bekräfta sammanslagningskedjan: Extract Kids Response och Extract Teen Response → Merge Child & Teen.
- Bekräfta Extract Grad Response och Extract PhD Response → Merge Grad & PhD, och sedan båda till Merge First Four.
- Bekräfta Merge First Four och Extract Business Response → Merge All Five.
- I Assemble Response Bundle, behåll jsCode som validerar
5objekt och sorterar enligt["5-year-old","teenager","graduate","phd","business"].
Steg 5: konfigurera utdata till Telegram och Google Docs
Det sammanställda paketet formateras för Telegram-uppdateringar och läggs till i ett Google-dokument. Dessa körs samtidigt.
- Assemble Response Bundle skickar utdata parallellt till både Compose Telegram Messages och Compose Docs Text.
- I Compose Telegram Messages, behåll formateringslogiken som bygger flera Telegram-meddelanden.
- I Send Telegram Updates, ställ in Text till
{{ $json.text }}och Chat ID till{{ $json.chatId }}. - Inloggningsuppgifter krävs: anslut era Telegram-inloggningsuppgifter för Send Telegram Updates.
- I Compose Docs Text, behåll den rena textformateraren som skriver till
docsContent. - I Append to Google Doc, ställ in Document URL till
REPLACE_WITH_YOUR_GOOGLE_DOC_URL. - Inloggningsuppgifter krävs: anslut era Google Docs-inloggningsuppgifter för Append to Google Doc.
Steg 6: testa och aktivera ert arbetsflöde
Verifiera körning från start till mål och aktivera produktionsläge.
- Klicka på Execute Workflow och skicka ett testmeddelande till er Telegram-bot.
- Bekräfta att ni får ett rubrikmeddelande samt fem formaterade svar i Telegram från Send Telegram Updates.
- Kontrollera ert Google-dokument för att verifiera att Append to Google Doc lade in hela svarspaketet.
- När allt ser korrekt ut, växla arbetsflödet till Active.
Vanliga fallgropar
- Telegram-autentiseringsuppgifter kan gå ut eller så kan bot-token vara fel. Om meddelanden slutar trigga, kontrollera bot-token i n8n-uppgifterna och bekräfta att boten fortfarande är aktiv i Telegram.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om nedströmsnoder misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din tonalitet tidigt, annars kommer du att redigera output för alltid.
Vanliga frågor
Cirka 30 minuter om dina konton är redo.
Nej. Du kopplar mest konton och klistrar in Google Doc-URL:en.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för OpenAI API (betala per användning, oftast några cent för en batch med svar).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger obegränsade körningar men kräver grundläggande serveradministration.
Ja, och det är ärligt talat den roliga delen. Du kan ändra målgruppsstilarna genom att redigera prompterna som matar de fem AI-agenterna (arbetsflödet skapar de fem objekten och routar sedan varje objekt till sin matchande agent). Vanliga justeringar är till exempel ”varumärkeston för LinkedIn”, ”kundsupportton”, ”kort punktlista” eller ”lektionsplansformat”. Om du vill ha fler nivåer duplicerar du en agent och lägger in den i sammanslagningskedjan, och uppdaterar sedan Telegram-formateringen så att den skickar det extra meddelandet.
Oftast är det en ogiltig eller roterad bot-token, så kontrollera token du skapade i @BotFather igen och uppdatera Telegram-uppgifterna i n8n. Det kan också fallera om boten har tagits bort från en chatt, eller om du testar från ett annat Telegram-konto än det boten kan läsa. Mindre vanligt, men verkligt: rate limits om du skickar många frågor snabbt.
Många – i praktiken slår du i taket för dina n8n-planbegränsningar eller OpenAI-budgeten innan något annat.
För den här typen av arbetsflöde – ”förgrena till fem AI-anrop och slå sedan ihop snyggt” – är n8n oftast bättre lämpat eftersom förgreningslogik är enkel och du kan self-hosta med obegränsade körningar. Zapier och Make kan fortfarande göra det, men flöden med flera grenar blir ofta svårare att underhålla och dyrare när volymen växer. n8n gör det också enklare att kontrollera formateringen innan du skickar Telegram-meddelanden och skriver till Google Docs. Om allt du behöver är ”Telegram in, ett AI-svar ut” kan Zapier eller Make gå snabbare att sätta ihop. Prata med en automatiseringsexpert om du vill ha hjälp att välja.
När det här väl är live slutar dina bästa förklaringar att vara engångsmeddelanden och blir i stället en tillgång du kan återanvända. Sätt upp det, ställ din nästa fråga i Telegram och låt arkivet växa av sig själv.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.