Du svarar på samma Telegram-frågor om och om igen. Sedan ger du ett lite annat svar, glömmer vad du lovade förra gången och plötsligt scrollar du gamla chattar som om det vore ditt andra jobb.
Marknadschefer drabbas när DM:s blir till miniärenden för support. En småföretagare känner det när kunder frågar ”hur går processen till?” för tionde gången. Och konsulter? De tappar momentum när de växlar mellan chattar och anteckningar. Den här automatiseringen för Telegram-minnessvar stoppar upprepningen och håller svaren konsekventa.
I den här guiden får du se hur arbetsflödet använder Telegram som ytterdörr och Google Docs som långtidsminne, så att dina AI-svar behåller kontext över dagar och veckor.
Så fungerar den här automatiseringen
Det fullständiga n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: Telegram + Google Docs: svar som minns kontext
flowchart LR
subgraph sg0["AI Agent Flow"]
direction LR
n0@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check User & Chat ID", pos: "b", h: 48 }
n1["<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/>Error message"]
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/webhook.dark.svg' width='40' height='40' /></div><br/>Listen for Telegram Events"]
n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Validation", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Message Router", pos: "b", h: 48 }
n5@{ icon: "mdi:robot", form: "rounded", label: "AI Agent", pos: "b", h: 48 }
n6["<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/>Merge"]
n9["<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/>Telegram Response"]
n10@{ icon: "mdi:cog", form: "rounded", label: "Save Long Term Memories", pos: "b", h: 48 }
n11@{ icon: "mdi:cog", form: "rounded", label: "Retrieve Long Term Memories", pos: "b", h: 48 }
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/telegram.svg' width='40' height='40' /></div><br/>Response Error message"]
n14@{ icon: "mdi:brain", form: "rounded", label: "DeepSeek-V3 Chat", pos: "b", h: 48 }
n6 --> n5
n5 --> n9
n5 --> n12
n3 --> n0
n4 --> n6
n4 --> n11
n4 --> n1
n14 -.-> n5
n0 --> n4
n0 --> n1
n10 -.-> n5
n2 --> n3
n11 --> n6
end
subgraph sg1["When chat message received Flow"]
direction LR
n8@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
end
subgraph sg2["Window Buffer Memory Flow"]
direction LR
n7@{ icon: "mdi:memory", form: "rounded", label: "Window Buffer Memory", pos: "b", h: 48 }
end
subgraph sg3["Flow 4"]
direction LR
n13@{ icon: "mdi:brain", form: "rounded", label: "DeepSeek-R1 Reasoning", pos: "b", h: 48 }
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 n8 trigger
class n5 ai
class n14,n13 aiModel
class n7 ai
class n0,n4 decision
class n2 api
class n8 disabled
classDef customIcon fill:none,stroke:none
class n1,n2,n6,n9,n12 customIcon
Problemet: Telegram-svar tappar snabbt kontext
Telegram är toppen för snabba samtal, men uselt på att ”komma ihåg”. Du kan förklara prissättning på måndag, bekräfta detaljer på onsdag och sedan få exakt samma fråga på fredag av samma person. Svarar du ur minnet riskerar du att säga emot dig själv. Letar du i chatten slösar du tid och missar ändå kontext som ligger begravd i röstmeddelanden, bilder eller en annan tråd. På en vecka blir det här en tyst skatt på ditt fokus. Jobbet är inte svårt. Det är konstant.
Friktionen byggs på. Och den dyker upp på ställen du inte förväntar dig.
- Gamla svar glider över tid, vilket gör att ditt ”standardsvar” slutar vara standard.
- Chatthistorik är inte en kunskapsbas, så du bygger om samma förklaring från grunden varje gång.
- När du har mycket att göra svarar du snabbare och gör små misstag som skapar större följdarbeten.
- Det är svårt att skala hjälp i DM:s eftersom det inte finns något pålitligt minne utanför ditt huvud.
Lösningen: En Telegram-assistent med Google Docs-minne
Det här arbetsflödet gör Telegram till en smart, kontextmedveten assistent som drivs av en DeepSeek AI-agent, med långtidsminne lagrat i Google Docs. Ett Telegram-meddelande kommer in via en webhook, och sedan validerar arbetsflödet avsändaren så att bara godkända användare får åtkomst. Därefter routas meddelandet efter typ (text, ljud eller bild) så att rätt hantering sker uppströms i stället för röriga ”one-size-fits-all”-prompter. Det laddar dina långtidsanteckningar från Google Docs, slår ihop dem med det inkommande meddelandet och skickar den kombinerade kontexten till en AI Conversation Agent. Till sist svarar agenten i Telegram och arbetsflödet uppdaterar långtidsanteckningarna så att framtida svar fortsätter vara i linje.
Arbetsflödet startar i Telegram och hämtar sedan ”det vi redan vet” från Google Docs. DeepSeek (via chattmodellerna) genererar ett svar med regler du styr. Efter det får Telegram slutsvaret och Google Docs får det uppdaterade minnet.
Vad du får: automatisering vs. resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut i praktiken
Säg att du hanterar runt 20 Telegram-frågor i veckan som kräver kontext (priser, tidslinjer, onboardingsteg). Manuellt kanske du lägger cirka 6 minuter per gång på att läsa om gamla meddelanden och skriva om svaret, vilket blir ungefär 2 timmar i veckan. Med det här arbetsflödet skickar du meddelandet som vanligt, väntar kanske en minut på att agenten svarar, och så är det klart. ”Minnesjobbet” sker i bakgrunden i Google Docs, så nästa svar blir snabbare och mer träffsäkert.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Telegram-bot för att ta emot meddelanden och skicka svar
- Google Docs för att lagra långtidsanteckningar som minne
- DeepSeek API-nyckel (hämta den från DeepSeek-plattformen)
Kunskapsnivå: Medel. Du kopplar konton, sätter en Telegram-webhook och justerar ett par prompter och ID:n på ett säkert sätt.
Vill du inte sätta upp detta själv? Prata med en automatiseringsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett Telegram-meddelande triggar arbetsflödet. Telegram-webhooken tar emot en uppdatering i samma ögonblick som någon skickar ett meddelande till din bot, så du slipper pollning eller manuell kontroll.
Användarvalidering sker direkt. n8n förbereder valideringsdata (namn och ID från inkommande meddelande) och kontrollerar det mot dina tillåtna användare. Om det inte matchar skickar arbetsflödet ett felmeddelande och stoppar.
Kontext hämtas från Google Docs och slås ihop. När användaren är tillåten routar arbetsflödet meddelandet (text, ljud eller bild), laddar långtidsanteckningarna från Google Docs och kombinerar dem med det senaste meddelandet så att AI-agenten får hela bilden.
AI-agenten skriver svaret och Telegram skickar tillbaka det. AI Conversation Agent använder din valda DeepSeek-modell (chatt eller resonemang), plus ett kort sessionsminnesfönster för den aktuella tråden. Svaret går tillbaka till Telegram, och fel går till ett separat ”förlåt, något gick fel”-meddelande så att du inte behöver gissa.
Du kan enkelt justera formatet för Google Docs-”minnet” så att det passar din verksamhet, så att den kommer ihåg vanliga frågor, kundpreferenser eller varumärkesregler. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: Konfigurera webhook-triggern
Konfigurera den inkommande Telegram-webhooken som startar arbetsflödet och skickar meddelandedata in i flödet.
- Lägg till en Incoming Telegram Hook-nod och ställ in Path till
wbot. - Ställ in HTTP Method till
POST. - I Telegram konfigurerar ni er bots webhook-URL så att den pekar på Incoming Telegram Hook:s test- eller produktions-URL.
Steg 2: Anslut Google Docs för långsiktiga anteckningar
Läs in minne från ett Google-dokument så att assistenten kan personalisera svar och senare arkivera nya minnen.
- Lägg till en Load Long Term Notes-nod och ställ in Operation till
get. - Ställ in Document URL till
[Google Doc ID]. - Inloggning krävs: Anslut era googleDocsOAuth2Api-inloggningsuppgifter till Load Long Term Notes.
- Lägg till Archive Long Term Notes som ett verktyg för AI Conversation Agent med Operation inställd på
update, Document URL inställd på[Google Doc ID]och Tool Description inställd påSave memories. - I Archive Long Term Notes lägger ni till en insert-åtgärd med Text inställd på
= Memory: {{ $fromAI('memory') }} - Date: {{ $now }}.
Steg 3: Sätt upp validering och routning
Förbered en valideringspayload, verifiera sessionen och routa meddelanden efter typ innan de når AI-agenten.
- Konfigurera Prepare Validation Data med Include Other Fields aktiverat och lägg till tilldelningar: first_name =
FirstName, last_name =LastName, id =0. - I Verify User Session ställer ni in tre equals-villkor:
={{ $('Incoming Telegram Hook').item.json.body.message.from.first_name }}equals={{ $json.first_name }},={{ $('Incoming Telegram Hook').item.json.body.message.from.last_name }}equals={{ $json.last_name }}och={{ $('Incoming Telegram Hook').item.json.body.message.from.id }}equals={{ $json.id }}. - I Route Incoming Message skapar ni regler för audio, text och image med uttrycken
={{ $json.body.message.voice }},={{ $json.body.message.text }}och={{ $json.body.message.photo }}. Ställ in Fallback Output tillextra. - Koppla flödet: Incoming Telegram Hook → Prepare Validation Data → Verify User Session → Route Incoming Message.
Steg 4: Sätt upp AI Conversation Agent
Kombinera meddelandeindata med långsiktiga anteckningar och konfigurera AI-agenten med språkmodeller och minnesverktyg.
- Konfigurera Combine Inputs med Mode inställd på
combineoch Combine By inställd påcombineAll. - I AI Conversation Agent ställer ni in Text till
={{ $('Route Incoming Message').item.json.body.message.text }}och behåller Prompt Type somdefine. - Säkerställ att systemmeddelandet innehåller den dynamiska minnesreferensen
{{ $('Load Long Term Notes').item.json.content }}och användarnamnsvariabeln{{ $json.body.message.from.first_name }}. - Koppla Load Long Term Notes → Combine Inputs och Route Incoming Message → Combine Inputs så att Combine Inputs → AI Conversation Agent.
- Lägg till DeepSeek Chat Model som språkmodell för AI Conversation Agent med Model inställd på
=deepseek-chat. Inloggning krävs: Anslut era openAiApi-inloggningsuppgifter. - Lägg till Utility: DeepSeek Reasoner Model som en extra modell vid behov med Model inställd på
=deepseek-reasoner. Inloggning krävs: Anslut era openAiApi-inloggningsuppgifter. - Lägg till Utility: Session Memory Window som minne för AI Conversation Agent med Session Key inställd på
={{ $json.id }}och Context Window Length inställd på50.
Steg 5: Konfigurera Telegram-åtgärder för utdata
Skicka det AI-genererade svaret tillbaka till Telegram och konfigurera aviseringar för fallback-meddelanden.
- I Telegram Reply Sender ställer ni in Text till
={{ $json.output }}och Chat ID till={{ $('Incoming Telegram Hook').item.json.body.message.chat.id }}. - Ställ in Parse Mode till
HTMLoch inaktivera Append Attribution i Telegram Reply Sender. - Inloggning krävs: Anslut era telegramApi-inloggningsuppgifter till Telegram Reply Sender.
- Konfigurera Reply Error Notice med Text inställd på
=Unable to process your message.och Chat ID inställd på={{ $('Incoming Telegram Hook').item.json.body.message.chat.id }}. - Inloggning krävs: Anslut era telegramApi-inloggningsuppgifter till Reply Error Notice.
Steg 6: Lägg till felhantering
Säkerställ att icke-textindata eller valideringsfel får ett tydligt svar.
- Konfigurera Send Failure Notice med Text inställd på
=Unable to process your message.och Chat ID inställd på={{ $json.body.message.chat.id }}. - Inloggning krävs: Anslut era telegramApi-inloggningsuppgifter till Send Failure Notice.
- Koppla den falska grenen från Verify User Session till Send Failure Notice.
- I Route Incoming Message behåller ni fallback-utgången extra kopplad till Send Failure Notice.
Steg 7: Testa och aktivera ert arbetsflöde
Kör ett komplett end-to-end-test för att säkerställa att meddelanderoutning, minnesinläsning och AI-svar fungerar som förväntat.
- Använd Incoming Telegram Hook:s test-URL och skicka ett Telegram-meddelande till er bot.
- Verifiera att körningen följer: Incoming Telegram Hook → Prepare Validation Data → Verify User Session → Route Incoming Message → Combine Inputs → AI Conversation Agent → Telegram Reply Sender.
- Bekräfta att svaret levereras i Telegram och innehåller AI-svaret från
{{$json.output}}. - Skicka ett icke-textmeddelande och bekräfta att Send Failure Notice returnerar
Unable to process your message.. - När allt är validerat byter ni till produktions-webhook-URL:en och slår om arbetsflödet till Active.
Vanliga fallgropar
- Google Docs-inloggningar kan löpa ut eller kräva specifika behörigheter. Om det slutar fungera, kontrollera först åtkomsten för det kopplade Google-kontot i n8n Credentials och bekräfta sedan att dokumentet är korrekt delat.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströms noder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din tonalitet tidigt, annars kommer du att redigera utdata för alltid.
Vanliga frågor
Cirka 30 minuter om din Telegram-bot och Google-åtkomst är redo.
Nej. Du kopplar främst konton och klistrar in en webhook-URL i Telegrams Bot API-konfiguration.
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 DeepSeek API-användning, som beror på hur långa dina prompter och svar är.
Två alternativ: n8n Cloud (hanterad, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, men håll det enkelt i början. Du kan lagra minne i ett enda delat Google-dokument (teamregler, prissättning, vanliga frågor) och justera AI Agent-systemprompten så att den refererar till de avsnitten. Vanliga anpassningar är att använda separata dokument per kund, spara bara ”godkända svar” och växla mellan DeepSeek chattmodell och resonemangsmodell beroende på meddelandetyp.
Oftast är det ett webhook- eller tokenproblem. Kontrollera bot-tokenen i n8n igen, bekräfta att Telegram visar rätt webhook-URL med getWebhookInfo och säkerställ att din n8n-instans är nåbar från publika internet. Om du kör egen hosting är det ofta en felkonfiguration i HTTPS eller reverse proxy. Bekräfta också att din regel för användarvalidering inte blockerar dig av misstag.
Väldigt många för ett litet team. På n8n Cloud Starter begränsas du av månatliga körningar, medan egen hosting beror på serverstorlek och hur tunga dina AI-anrop är. I praktiken klarar de flesta upplägg dussintals konversationer per dag utan problem om dina prompter är rimliga och du inte hämtar enorma Google-dokument för varje enskilt meddelande.
För det här användningsfallet: oftast ja. n8n hanterar förgrening (meddelanderoutning, användarkontroller, fallback-fel) utan att det blir en dyr labyrint, och du kan köra egen hosting för obegränsade körningar. Det funkar också bra med AI-agentmönster som sessionsminnesfönster, som är krångliga att återskapa i enklare verktyg. Zapier eller Make kan ändå fungera om du bara vill ha ett grundläggande ”Telegram in, AI ut”-svar utan långtidsminne. Om du vill ha hjälp att välja, prata med en automatiseringsexpert.
När det här väl rullar slutar Telegram att vara ett minnestest. Du får tydligare svar, färre rättningar och en lugnare inkorg, helt ärligt.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.