Steg 2: anslut Google Sheets

Dessa noder lagrar och hämtar meddelandebatcher och väntestatus. Det här arbetsflödet använder flera Google Sheets-noder; anslut uppgifter en gång och återanvänd dem i samtliga.

1. Öppna Append Log Entry och ställ in Operation till append.
2. Ställ in Document till ATEM Chat Logs och Sheet till Msg Retention.
3. Mappa kolumner: date till {{$now}}, message till {{$json.processedMessage}} och user_id till {{$json.sessionId}}.
4. Credential Required: Anslut era googleSheetsOAuth2Api-uppgifter till Append Log Entry, Retrieve Log Rows, Lookup Waiting Rows, Flag Waiting Status, Refresh Waiting Timestamp, Clear Retention Rows och Remove Waiting Row.

⚠️ Vanlig fallgrop: Google Sheets-noderna refererar till platshållare som [YOUR_ID]. Ersätt dessa med era faktiska dokument- och bladval i varje Google Sheets-nod.

Steg 3: konfigurera meddelandeintag och transkribering

Det här steget normaliserar text- och röstmeddelanden till en och samma ström för batchning.

1. I Validate Message Type säkerställer ni att första villkoret använder {{$json.message.voice.file_id}} med exists för att upptäcka röstmeddelanden.
2. Koppla röstgrenen från Validate Message Type till Fetch Voice File och textgrenen till Forward Text Payload.
3. I Fetch Voice File ställer ni in Resource till file och File ID till {{$('Telegram Incoming Trigger').item.json.message.voice.file_id}}. Credential Required: Anslut era telegramApi-uppgifter.
4. I Transcribe Audio Clip ställer ni in Resource till audio och Operation till transcribe. Credential Required: Anslut era openAiApi-uppgifter.
5. I Forward Text Payload mappar ni processedMessage till {{$json.message.text}}, sessionId till {{$json.message.chat.id}} och name till {{$json.message.from.first_name}}.
6. I Map Transcription Text mappar ni processedMessage till {{$json.text}} och sessionId till {{$('Telegram Incoming Trigger').item.json.message.chat.id}}.
7. Koppla Forward Text Payload, Map Transcription Text och Map Transcription Error till Combine Streams med numberInputs inställt på 3.

⚠️ Vanlig fallgrop: Transcribe Audio Clip har continueErrorOutput aktiverat, så fel routas till Map Transcription Error. Säkerställ att den grenen är kopplad till Combine Streams enligt bilden.

Steg 4: konfigurera batchning och väntelogik

Den här delen loggar inkommande meddelanden, avgör om den ska vänta in fler och aggregerar när tidsfönstret stänger.

1. I Refine Output Fields ställer ni in processedMessage till {{$json.processedMessage || $json.error || ''}} och sessionId till {{$('Telegram Incoming Trigger').item.json.message.from.id}}.
2. Koppla Refine Output Fields till Append Log Entry och vidare till Lookup Waiting Rows för att kontrollera väntestatus.
3. I Normalize Empty Rows behåller ni JavaScript-koden som returnerar en standardrad när ingen vänt-rad finns.
4. I Decide Wait Logic bekräftar ni villkoren: {{$json.last_updated}} före {{ new Date(Date.now() - 30000).toISOString() }} ELLER {{$json.is_waiting}} är false.
5. Sant-grenen från Decide Wait Logic går till Flag Waiting Status (sätter vänteläge), därefter Delay Window med amount 30, sedan Retrieve Log Rows och därefter Aggregate Messages.
6. Falskt-grenen från Decide Wait Logic går till Refresh Waiting Timestamp för att hålla väntfönstret aktivt.
7. I Clear Retention Rows ställer ni in startIndex till {{$('Aggregate Messages').item.json.start_row_number}} och numberToDelete till {{$('Aggregate Messages').item.json.row_count}}.

⚠️ Vanlig fallgrop: Väntelogiken är beroende av konsekventa tidsstämplar i Msg Waiting. Säkerställ att både Flag Waiting Status och Refresh Waiting Timestamp skriver {{$now}} till last_updated.

Steg 5: konfigurera AI-svarslagret

AI-lagret använder OpenAI, minne och en Supabase-kunskapsbas för att skapa svar från de aggregerade meddelandena.

1. Öppna Conversational Agent och ställ in Text till {{$('Aggregate Messages').item.json.message}}.
2. Ställ in System Message i Conversational Agent till er prompt (för närvarande ADD YOUR PROMPT HERE).
3. Öppna OpenAI Chat Engine och välj Model som gpt-5-mini. Credential Required: Anslut era openAiApi-uppgifter.
4. Öppna Supabase Knowledge Store och ställ in Mode till retrieve-as-tool. Credential Required: Anslut era supabaseApi-uppgifter.
5. Öppna Generate OpenAI Vectors och låt den vara ansluten till Supabase Knowledge Store. Credential Required: Anslut era openAiApi-uppgifter.
6. Koppla OpenAI Chat Engine som språkmodell och Windowed Memory som minne till Conversational Agent. Obs: Generate OpenAI Vectors och Windowed Memory är AI-undernoder, så uppgifter konfigureras på föräldranoderna (OpenAI Chat Engine och Supabase Knowledge Store).

Steg 6: konfigurera utdata till Telegram

Skicka AI-svaret tillbaka till användaren och rensa vänt-rader.

1. I Send Reply to Telegram ställer ni in Text till {{$json.output.text}} och Chat ID till {{$('Aggregate Messages').item.json.session_id}}.
2. Credential Required: Anslut era telegramApi-uppgifter i Send Reply to Telegram.
3. Koppla Send Reply to Telegram till Remove Waiting Row för att städa upp väntestatusen efter att ett svar har skickats.

Steg 7: testa och aktivera ert arbetsflöde

Verifiera hela flödet för text- och röstmeddelanden och aktivera sedan arbetsflödet.

1. Klicka på Execute Workflow och skicka ett Telegram-textmeddelande till er bot för att bekräfta att Forward Text Payload → Append Log Entry → Flag Waiting Status körs.
2. Skicka flera meddelanden inom 30 sekunder och bekräfta att Delay Window väntar, och att Retrieve Log Rows → Aggregate Messages → Conversational Agent körs därefter.
3. Skicka ett röstmeddelande och bekräfta att Fetch Voice File → Transcribe Audio Clip → Map Transcription Text används innan batchning.
4. Kontrollera att Send Reply to Telegram returnerar ett AI-svar och att Remove Waiting Row rensar väntestatusen.
5. När allt fungerar växlar ni arbetsflödet till Active för att möjliggöra produktionsanvändning.