Behöver ert företag hjälp med att implementera AI? Kontakta oss och få prisoffert här →
AI Skolan
januari 22, 2026

Telegram + OpenAI: gör ingrediensbilder till recept

Rickard Andersson Partner, Nodenordic.se

Du öppnar kylskåpet, ser en slumpmässig blandning av rester och slösar sedan 20 minuter på att scrolla recept som inte matchar det du faktiskt har hemma. Ännu värre: du glömmer vad som redan finns där, köper dubletter och något hinner bli dåligt igen.

Den här Telegram-receptautomationen är en räddare i nöden för upptagna marknadsförare som driver community-engagemang, grundare som bygger små ”concierge”-upplevelser och alla som hanterar en matlagningsgruppchatt. Samma frustration, olika sammanhang. Du skickar en bild eller en textlista, och får tre användbara recept tillbaka på några sekunder.

Du får se vad arbetsflödet gör, hur delarna hänger ihop och vad du kan justera så att svaren låter som ditt varumärke (inte som en generisk bot).

Så fungerar automationen

Här är det kompletta arbetsflödet du kommer att sätta upp:

n8n Workflow Template: Telegram + OpenAI: gör ingrediensbilder till recept

Varför det här spelar roll: gör ”vad blir det till middag?” till ett system

Att hitta recept utifrån det du redan har låter enkelt tills du gör det varje dag. Du jonglerar halvt ihågkomna ingredienser, luddiga ”kanske vi kan använda det här”-idéer och den tid du har innan nästa möte eller hämtning. Driver du ett community blir det ännu rörigare. Folk frågar efter idéer, du svarar, och så frågar någon annan samma sak i morgon och du börjar om. Den mentala belastningen är den verkliga skatten, och den märks som bortkastade matvaror, återkommande måltider och ännu en liten uppgift du inte behövde.

Friktionen bygger på. Här är var det ofta faller isär i verkligheten.

  • Du hamnar i att översätta ”en bild på kylskåpet” till en skriven lista, vilket är långsamt och gör att du lätt missar saker.
  • Folk beskriver ingredienser olika (”salladslök” vs ”vårlök”), så dina svar blir snabbt inkonsekventa.
  • Receptsajter är byggda för att bläddra, inte för ”använd exakt de här resterna just nu”.
  • I communities stjäl det tid från mer värdeskapande arbete, som innehållsplanering eller kundsupport, när du måste svara på samma matlagningsfråga om och om igen.

Det du bygger: en Telegram-bot som gör ingredienser till 3 recept

Det här arbetsflödet gör Telegram till en snabb ”vad kan jag laga?”-assistent. En användare skickar till din bot antingen en bild på ingredienser (tänk kylhylla, skafferivaror, en matkasse) eller en vanlig textlista. Automationen kontrollerar först vilken typ av meddelande som kom in. Är det en bild identifierar en AI-visionsmodell troliga ingredienser, och sedan tvingar en strukturerad parser utdata till en korrekt formaterad lista du kan lita på. Är det text formaterar arbetsflödet användarens lista till samma standardiserade struktur. Därefter genererar en andra AI-agent tre kompletta recept, och ytterligare en strukturerad parser konverterar dessa recept till förutsägbara fält (namn, svårighetsgrad, instruktioner med mera). Slutligen formaterar n8n allt till ett prydligt, lättläst Telegram-meddelande och skickar tillbaka det direkt.

Arbetsflödet startar i Telegram och förgrenas sedan beroende på bild eller text. Båda spåren sammanfogas till ett gemensamt ”ingredienser”-format, vilket gör att receptgenereringen förblir pålitlig. Resultatet är ett konsekvent svar du kan dela, återanvända och bygga vidare på.

Det du bygger

Förväntade resultat

Säg att du gör det här 5 kvällar i veckan. Manuellt kanske du lägger cirka 15 minuter på att lista vad du har, och sedan ytterligare 20 minuter på att leta recept som passar, alltså ungefär 35 minuter per kväll. Med det här arbetsflödet tar du en bild i Telegram (kanske 1 minut), väntar på att AI:n ska bearbeta (ofta runt 1 minut) och får tre recept tillbaka utan att hoppa mellan flikar. Det är ungefär en halvtimme tillbaka per kväll, vilket blir ett par timmar varje vecka.

Innan du börjar

  • n8n-instans (testa n8n Cloud gratis)
  • Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
  • Telegram för att ta emot bilder och skicka svar
  • OpenAI eller OpenRouter för vision + generering av recepttext
  • API-nyckel till AI-leverantören (hämtas i leverantörens dashboard)

Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in API-nycklar och redigerar någon prompt.

Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).

Steg för steg

Ett Telegram-meddelande triggar arbetsflödet. Din bot tar emot antingen ett textmeddelande (”kyckling, kål, soja”) eller en bild på ingredienser, och den händelsen startar allt.

Arbetsflödet kontrollerar vad användaren skickade. En IF-villkor styr bilder till spåret för visionsanalys, medan text går direkt till formatering så att den matchar samma struktur för ingredienslistan.

AI gör om input till felfria ingredienser, och sedan till recept. Bilder analyseras av en visionsmodell och parsas till en korrekt JSON-lista. Både bild- och textspåret matar en ”kockstil”-generator som skapar tre recept, och sedan tvingar en andra parser in recepten i förutsägbara fält så att din formatering förblir stabil.

Svaret sätts ihop och skickas tillbaka till Telegram. n8n omvandlar strukturerad receptdata till ett vänligt, lättläst meddelande (mallen använder emoji-tät formatering) och skickar tillbaka det till samma chatt.

Du kan enkelt ändra språk och kostregler i recepten utifrån dina behov. Se den fullständiga implementeringsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera Telegram-triggern

Konfigurera arbetsflödet så att det lyssnar efter nya Telegram-meddelanden och skickar dem vidare till valideringslogiken.

  1. Lägg till noden Telegram Event Trigger som arbetsflödets trigger.
  2. Ställ in Updatesmessage.
  3. Aktivera Download i Additional Fields så att bilder kan hämtas.
  4. Inloggningsuppgifter krävs: anslut era telegramApi-inloggningsuppgifter.

Om ni förväntar er bilder, säkerställ att er Telegram-bot har behörighet att ta emot media och att nedladdningar är aktiverade.

Steg 2: Anslut routning för Telegram-indata

Validera om meddelandet innehåller text så att arbetsflödet kan välja mellan bildanalys eller textbaserad extrahering av ingredienser.

  1. Lägg till noden Validate Input Kind och anslut den till Telegram Event Trigger.
  2. Ställ in villkoret till String Not Exists med Value 1 satt till {{ $json.message.text }}.
  3. Anslut grenen true till Visual Ingredient Analyst (bildbaserad väg).
  4. Anslut grenen false till Extract Text Ingredients (textbaserad väg).

⚠️ Vanlig fallgrop: om användare skickar bildtexter med bilder kan ert villkor routa till textvägen; verifiera önskat beteende innan ni går live.

Steg 3: Sätt upp vägen för visionsanalys

Analysera matbilder, tolka ingredienser och omvandla listan till ren text för receptgenerering.

  1. Konfigurera Visual Ingredient Analyst med Text satt till =Please analyze this food image and identify all visible ingredients. List them clearly. Image URL: {{ $json.body.events[0].message.id }}.
  2. Ställ in System Message i Visual Ingredient Analyst till You are a food ingredient identification expert. Analyze food images and identify all visible ingredients accurately. Return a structured list of ingredients..
  3. Anslut Vision Model Gateway som språkmodell för Visual Ingredient Analyst och ställ in Model till openai/gpt-4-vision-preview.
  4. Inloggningsuppgifter krävs: anslut era openRouterApi-inloggningsuppgifter till Vision Model Gateway.
  5. Koppla Ingredient Output Parser som output-parser för Visual Ingredient Analyst med Schema Type satt till manual och Input Schema satt till det tillhandahållna JSON-schemat.
  6. Konfigurera Compose Ingredient Text för att sätta ingredients_text till {{ $json.output.ingredients.join(', ') }}.

Ingredient Output Parser är en AI-undernod; inloggningsuppgifter ska läggas till i Vision Model Gateway, inte i själva parsern.

Steg 4: Sätt upp vägen för att skapa receptutkast

Generera strukturerade recept från antingen bildhärledda ingredienser eller textingredienslista.

  1. I Extract Text Ingredients, sätt ingredients_text till {{ $json.message.text }} för den textbaserade vägen.
  2. Konfigurera Recipe Drafting Agent med Text satt till =Based on these ingredients: {{ $json.ingredients_text }} Please suggest 3 delicious recipes that can be made with these ingredients. Consider both Japanese and international cuisine options. Text is Japanese..
  3. Ställ in System Message i Recipe Drafting Agent till You are a professional chef and recipe expert. Create detailed, easy-to-follow recipes based on available ingredients. Include both traditional Japanese dishes and international cuisine. Always provide cooking time, difficulty level, and step-by-step instructions..
  4. Anslut Recipe Model Gateway som språkmodell för Recipe Drafting Agent och ställ in Model till openai/gpt-4o-mini.
  5. Inloggningsuppgifter krävs: anslut era openRouterApi-inloggningsuppgifter till Recipe Model Gateway.
  6. Koppla Recipe Output Parser som output-parser för Recipe Drafting Agent med Schema Type satt till manual och Input Schema satt till det tillhandahållna JSON-schemat.

Recipe Output Parser är en AI-under-nod; inloggningsuppgifter ska läggas till i Recipe Model Gateway, inte i själva parsern.

Steg 5: Konfigurera utdata och Telegram-svar

Formatera de strukturerade recepten till ett Telegram-anpassat meddelande och skicka tillbaka det till användaren.

  1. Konfigurera Assemble Reply Message för att sätta message till följande uttryck: {{ (() => { return $json.output.recipes.map((r, index) => { return ( `📖 レシピ${index + 1}:${r.name}\n` + `🌐 ジャンル:${r.cuisine}\n` + `⏱ 調理時間:${r.cookingTime}\n` + `🎚 難易度:${r.difficulty}\n` + `👥 目安人数:${r.servings}人分\n\n` + `🛒 材料:\n${r.ingredients.map(i => `- ${i}`).join("\n")}\n\n` + `👣 手順:\n${r.instructions.map((step, i) => `${i + 1}. ${step}`).join("\n")}` ); }).join("\n\n------------------------\n\n"); })() }}.
  2. I Dispatch Telegram Reply, sätt Text till {{ $json.message }}.
  3. Sätt Chat ID till {{ $('Telegram Event Trigger').item.json.message.chat.id }}.
  4. Inloggningsuppgifter krävs: anslut era telegramApi-inloggningsuppgifter.

Steg 6: Testa och aktivera ert arbetsflöde

Validera hela flödet med både bild- och textindata innan ni aktiverar det för produktion.

  1. Använd Execute Workflow och skicka ett meddelande med enbart text till er Telegram-bot för att testa vägen Extract Text Ingredients.
  2. Skicka en matbild för att testa vägen Visual Ingredient Analyst och säkerställ att ingredienser extraheras korrekt.
  3. Bekräfta att Assemble Reply Message genererar en formaterad receptlista och att Dispatch Telegram Reply skickar svaret till rätt chatt.
  4. När ni är nöjda, växla arbetsflödet till Active för produktionsanvändning.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Felsökningstips

  • Telegram-botens inloggningsuppgifter kan vara korrekta men ändå misslyckas om boten inte får läsa meddelanden. Kontrollera BotFather-inställningarna och dina Telegram-credentials i n8n först.
  • Om du använder externa visionsmodeller via OpenRouter (eller liknande) varierar behandlingstiderna. Om receptsteget körs innan ingredienserna returneras, öka eventuella vänt-/timeout-inställningar och testa igen med en större bild.
  • Standardprompter i AI-noder är generiska. Lägg in din tonalitet och formateringsregler i agenten ”Recipe Generator” tidigt, annars kommer du att redigera utdata i all evighet.

Snabba svar

Hur lång är uppsättningstiden för den här Telegram-receptautomationen?

Cirka 30 minuter om din Telegram-bot och AI-nyckel är redo.

Krävs det kodning för den här uppgiften från ingredienser till recept?

Nej. Du kopplar främst credentials och redigerar prompterna. Alla ”kodlika” delar är enkla fält och copy-paste-uttryck som redan ingår i mallen.

Är n8n gratis att använda för det här arbetsflödet för Telegram-receptautomation?

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 volymer. Du behöver också räkna in API-kostnader för AI-modeller, eftersom arbetsflödet använder både vision och textgenerering.

Var kan jag hosta n8n för att köra den här automationen?

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 dig obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här arbetsflödet för Telegram-receptautomation för andra användningsfall?

Ja, och det är en av de bästa delarna. Du kan byta språk genom att redigera prompten i ”Recipe Drafting Agent”, och du kan justera antalet recept i samma prompt. Vanliga justeringar är att lägga till kostregler (veganskt, halal, glutenfritt), sätta en gräns för tillagningstid eller göra utdata mindre ”emoji-tungt” genom att redigera steget ”Assemble Reply Message”. Om du vill köra det någon annanstans kan du byta ut Telegram-noderna mot Slack eller en webhook-trigger och behålla samma förgreningslogik för bild/text.

Varför misslyckas min Telegram-anslutning i det här arbetsflödet?

Oftast beror det på en ogiltig bot-token eller att fel Telegram-credential är vald i n8n. Dubbelkolla bot-token i BotFather, spara sedan om credentialn i n8n och välj den igen i både trigger- och svarsnoderna. Om det fungerar för text men inte för bilder kan boten ta emot fotomeddelanden fel, eller så blockerar dina Telegram-integritetsinställningar uppdateringar.

Vilken volym klarar det här arbetsflödet för Telegram-receptautomation?

För de flesta små team hanterar det chattnivå-volym utan problem. På n8n Cloud är din gräns främst kopplad till planens körningar per månad, medan egen hosting beror på din server. Den tyngre delen är AI-anropen (vision och text), så om du förväntar dig många bilder per timme bör du planera för rate limits och högre modellkostnader.

Är den här Telegram-receptautomationen bättre än att använda Zapier eller Make?

Ofta, ja. Det här arbetsflödet bygger på förgreningslogik (bild vs text), strukturerad parsing och AI-bearbetning i flera steg, vilket är precis den typ av upplägg som n8n hanterar utan att det blir en skör kedja av steg. n8n ger också möjlighet till egen hosting, vilket spelar roll när ditt community växer och du inte vill att varje körning ska mätas och debiteras. Zapier eller Make kan fortfarande fungera om du bara behöver en enkel ”meddelande in, meddelande ut”-lösning, men när du vill ha förutsägbara JSON-utdata och stabil formatering är n8n oftast det lugnare valet. Vill du ha en second opinion för just ditt scenario, prata med en automationsexpert.

Sätt upp det en gång, och det dagliga ”vad gör vi med det här?”-problemet blir mycket mindre. Arbetsflödet tar hand om det repetitiva så att du kan fokusera på måltiden, communityt eller innehållet du faktiskt försöker skapa.

Kontakta oss

Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.

×

Använd mall

Få direkt tillgång till denna n8n-arbetsflödes JSON-fil

Launch login modal Launch register modal