Din Telegram-chatt rullar snabbt. Sedan kommer du tillbaka efter lunch (eller vaknar i en annan tidszon) och då är det 200 meddelanden, fem halvbeslut och ett “kom vi överens om det här?” som ingen kan svara på.
Community managers känner av det först, eftersom de förväntas veta vad som händer. Team leads dras in i samma röra. Och ärligt talat: founders hamnar också och scrollar. Den här Telegram-automationen för recaps gör stökiga trådar till korta, lättlästa sammanfattningar som faktiskt blir lästa.
Du får se vad workflowet gör, vad du behöver för att köra det och hur det sparar verklig tid samtidigt som beslut och action items hålls synliga.
Så fungerar den här automationen
Hela n8n-workflowet, från trigger till slutlig output:
n8n Workflow Template: Telegram + OpenRouter: chattresumé alla läser
flowchart LR
subgraph sg0["When clicking ‘Execute workflow’ Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Execute workf..", pos: "b", h: 48 }
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out", pos: "b", h: 48 }
n2@{ icon: "mdi:cog", form: "rounded", label: "Aggregate", pos: "b", h: 48 }
n3@{ icon: "mdi:robot", form: "rounded", label: "AI Agent", pos: "b", h: 48 }
n4@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Model", pos: "b", h: 48 }
n5@{ icon: "mdi:memory", form: "rounded", label: "MongoDB Chat Memory", pos: "b", h: 48 }
n6@{ icon: "mdi:play-circle", form: "rounded", label: "Schedule Trigger", pos: "b", h: 48 }
n8@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Filter Last 2 hours", pos: "b", h: 48 }
n9@{ icon: "mdi:swap-vertical", form: "rounded", label: "Get message text", pos: "b", h: 48 }
n10@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Skip Empty Message", pos: "b", h: 48 }
n11@{ icon: "mdi:cog", form: "rounded", label: "Send Summary To Chat", pos: "b", h: 48 }
n12@{ icon: "mdi:cog", form: "rounded", label: "Last Messages History", pos: "b", h: 48 }
n13@{ icon: "mdi:cog", form: "rounded", label: "Get Chat Id By Name", pos: "b", h: 48 }
n3 --> n11
n2 --> n3
n1 --> n9
n9 --> n8
n6 --> n13
n10 --> n2
n8 --> n10
n13 --> n12
n5 -.-> n3
n12 --> n1
n4 -.-> n3
n0 --> n13
end
subgraph sg1["When chat message received Flow"]
direction LR
n7@{ icon: "mdi:play-circle", form: "rounded", label: "When chat message received", pos: "b", h: 48 }
n15@{ icon: "mdi:cog", form: "rounded", label: "Telegram Login", pos: "b", h: 48 }
n7 --> n15
end
subgraph sg2["Flow 3"]
direction LR
n14@{ icon: "mdi:cog", form: "rounded", label: "Try this for check Login", 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 n0,n6,n7 trigger
class n3 ai
class n4 aiModel
class n5 ai
class n8,n10 decision
Problemet: viktiga beslut begravs i chatten
Telegram är grymt för tempo. Det är uselt för minne. Beslut tas i förbifarten, action items tappas bort mellan memes och snabba svar, och samma frågor dyker upp varannan dag eftersom ingen kan hitta “det där meddelandet” som var viktigt. Om du hanterar en community eller driver ett litet team slutar det med att du agerar som en mänsklig sökmotor. Du skannar de senaste timmarna, gissar vad som är relevant och missar ändå den detalj som någon behövde. Den mentala belastningen syns som mer kontextväxling, långsammare genomförande och fler uppföljningsmeddelanden än själva jobbet.
Det växer snabbt. Här är var det fallerar i verkligheten.
- Folk ställer samma “snabba fråga” eftersom svaret är begravt 80 meddelanden upp.
- Nya medlemmar (eller teammates) hinner inte ikapp, så de lurkar eller tappar engagemang i stället för att bidra.
- Du tappar beslut som tas i tråden, vilket leder till fler möten för att fatta om beslut som redan fattats.
- Manuella sammanfattningar blir inte av konsekvent, eftersom personen som borde skriva dem också gör allt annat.
Lösningen: AI-drivna Telegram-sammanfattningar med minne
Det här workflowet bevakar en Telegram-chatt du väljer, hämtar de senaste meddelandena, filtrerar ner dem till det som faktiskt spelar roll och ber sedan OpenRouter skriva en korrekt formaterad recap. Det summerar inte bara “allt”. Det fokuserar på de senaste timmarna, hoppar över tomt/systembrus och paketerar konversationen till en prompt som AI:n kan förstå. Sedan postar det recapen tillbaka i samma Telegram-chatt så att alla ser den i rätt kontext. Den stora nyckeln är beständigt minne via MongoDB, vilket gör att workflowet kan undvika att upprepa samma punkter i varje recap och behålla kontinuitet mellan körningar.
Det kan köras automatiskt enligt schema (var 2:e timme som standard). Du kan också trigga det manuellt när du vill ha en snabb uppdatering. Workflowet börjar med att slå upp chatten, hämta upp till 100 senaste meddelanden och extrahera användbar text. Efter att AI:n har skrivit sammanfattningen postar TelePilot den direkt i tråden.
Det du får: automation vs. resultat
| Det här workflowet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att ditt teams Telegram har en intensiv dag med 250 meddelanden. För att komma ikapp manuellt skummar de flesta i cirka 15 minuter per koll, och gör det 3 gånger (morgon, efter lunch, slutet av dagen). Det är ungefär 45 minuter per person och dag, bara för att hålla sig orienterad. Med det här workflowet som kör var 2:e timme: du lägger kanske 1 minut på att läsa varje recap, alltså runt 5 minuter totalt, plus valfria manuella körningar när något sticker iväg. Det är cirka 40 minuter tillbaka per person, och färre “kan någon sammanfatta?”-avbrott.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- TelePilot (Telegram-userbot) för att läsa och posta i chattar
- OpenRouter för att skapa sammanfattningar med AI-modeller
- MongoDB-anslutningssträng (hämta den från din MongoDB-projektpanel)
Kompetensnivå: Medel. Du kopplar in credentials, installerar en community node (TelePilot) och justerar några filter och prompts.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett schema eller en manuell körning startar allt. Workflowet kan köras automatiskt var 2:e timme, eller så kan du starta det manuellt när du behöver en recap direkt.
Workflowet hittar din chatt och hämtar senaste meddelanden. TelePilot slår upp chatt-ID utifrån namn, hämtar meddelandehistorik (upp till 100 meddelanden per körning) och delar upp dem i enskilda items så att n8n kan behandla varje meddelande korrekt.
Meddelanden rensas och filtreras. Det extraherar text, tar bort tomt/systeminnehåll och behåller bara meddelanden från de senaste 2 timmarna. Det är här “brusreduceringen” sker, så att dina sammanfattningar inte blir ett transkript.
OpenRouter skriver recapen, med minne. AI-agenten använder en OpenRouter-chatmodell, och MongoDB lagrar konversationsminne per chatt så att workflowet kan behålla kontext och undvika att upprepa gamla sammanfattningar.
Sammanfattningen postas tillbaka i Telegram. Alla ser recapen på samma plats som konversationen skedde, vilket gör det enklare att linjera och agera.
Du kan enkelt justera sammanfattningsstilen så att den matchar er tonalitet. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera triggernoderna
Ställ in arbetsflödets startpunkter så att det kan köras manuellt, enligt schema eller från en inkommande chatthändelse.
- Lägg till och öppna Manual Execution Start för att möjliggöra tester och körningar vid behov.
- Öppna Scheduled Automation Trigger och definiera önskat schema (det här arbetsflödet använder standardinställningarna om ni inte anger en kadens).
- Öppna Incoming Chat Trigger och bekräfta att webhook-konfigurationen är aktiv för chattinitierade körningar.
- Verifiera triggerflödet: Manual Execution Start → Lookup Chat ID by Name och Scheduled Automation Trigger → Lookup Chat ID by Name, samt Incoming Chat Trigger → Telegram Sign-In.
Steg 2: Anslut Telegram via TelePilot-noder
Autentisera alla Telegram-relaterade åtgärder för chattsökning, hämtning av meddelanden och publicering av sammanfattningar.
- Öppna Telegram Sign-In och anslut ert TelePilot-konto för Telegram-autentisering.
- Öppna Utility: Login Verification för att bekräfta att er TelePilot-session är giltig.
- Öppna Lookup Chat ID by Name, Retrieve Recent Messages och Post Summary to Chat för att säkerställa att alla använder samma TelePilot-inloggningsuppgifter.
- Inloggningsuppgifter krävs: Anslut era TelePilot-inloggningsuppgifter i alla TelePilot-noder (totalt 5 hanterar inloggning, verifiering, chattsökning, hämtning av meddelanden och publicering).
Steg 3: Konfigurera meddelandebearbetning och filtrering
Transformera och filtrera senaste meddelanden före sammanfattning för att hålla AI-indatan ren och relevant.
- Säkerställ att meddelandepipelinen följer: Retrieve Recent Messages → Distribute Items → Extract Message Text → Filter Recent 2 Hours → Exclude Empty Messages → Combine Results.
- I Extract Message Text, mappa fältet för meddelandets innehåll som ni vill sammanfatta (använd standardmappningen eller justera efter er meddelandestruktur).
- I Filter Recent 2 Hours, definiera tidsbaserade villkor för att bara inkludera senaste meddelanden (använd ert föredragna tidsstämpelfält).
- I Exclude Empty Messages, lägg till en regel för att filtrera bort tom eller null meddelandetext.
- Låt Combine Results vara aggregatoren som samlar in rensade meddelanden för sammanfattning.
Steg 4: Sätt upp AI-lagret för sammanfattning
Konfigurera AI-motorn och minneslagret som sammanfattar de filtrerade meddelandena.
- Öppna AI Orchestrator och verifiera att den tar emot indata från Combine Results och skickar utdata till Post Summary to Chat.
- Anslut OpenRouter Chat Engine som språkmodell för AI Orchestrator.
- Inloggningsuppgifter krävs: Anslut era OpenRouter-inloggningsuppgifter i OpenRouter Chat Engine.
- Koppla MongoDB Conversation Memory till AI Orchestrator för att behålla kontext.
- Inloggningsuppgifter krävs: Lägg till MongoDB-inloggningsuppgifter i AI Orchestrator (minnes-subnoden använder föräldernodens inloggningsuppgifter).
Steg 5: Konfigurera utdataåtgärden
Publicera den AI-genererade sammanfattningen tillbaka till målchatten.
- Öppna Post Summary to Chat och bekräfta att den är ansluten från AI Orchestrator.
- Säkerställ att chatt-ID:t från Lookup Chat ID by Name används i parametrarna för meddelandepublicering.
- Inloggningsuppgifter krävs: Bekräfta att TelePilot-inloggningsuppgifter är anslutna här för att kunna publicera.
Steg 6: Testa och aktivera ert arbetsflöde
Validera flödet från början till slut och aktivera sedan automatisering för användning i produktion.
- Klicka på Execute Workflow från Manual Execution Start för att köra ett test.
- Bekräfta att Lookup Chat ID by Name och Retrieve Recent Messages returnerar chattmeddelanden och att Post Summary to Chat publicerar en sammanfattning.
- Om sammanfattningen är tom, granska villkoren i Filter Recent 2 Hours och Exclude Empty Messages.
- Slå på arbetsflödet med reglaget Active för att aktivera schemalagda körningar och körningar som triggas av chatt.
Vanliga fallgropar
- TelePilot-credentials kan gå ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera TelePilot-node-credentials i n8n och kör sedan Telegram-inloggningsverifieringen igen först.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram misslyckas på grund av tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera output för alltid.
Vanliga frågor
Cirka 45 minuter om du redan har dina konton redo.
Nej. Du kopplar främst ihop konton, installerar TelePilot community node och justerar ett par filter och prompts.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med OpenRouter-kostnader, som beror på vilken modell du väljer och hur långa dina meddelanden är.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, men du bör ändra mer än bara schemat. Uppdatera Scheduled Automation Trigger till att köra veckovis, justera sedan “Filter Recent 2 Hours” så att det matchar ditt nya tidsfönster och överväg att höja gränsen i “Retrieve Recent Messages” så att AI:n får tillräckligt med kontext. Många team justerar också AI-prompten i OpenRouter-chatnoden för att tvinga fram formatet “Toppbeslut, Topp action items, Öppna frågor”.
Oftast beror det på att TelePilot-autentiseringen har gått ut eller inte slutförts. Kör Telegram Sign-In och node för inloggningsverifiering igen och säkerställ att du kan ta emot Telegram-koden i mobilen eller desktop-appen. Det kan också vara ett åtkomstproblem till chatten (privat grupp, saknade behörigheter) eller en felaktig chattidentifierare om du nyligen bytt namn på gruppen. Om felen bara händer under intensiva dagar kan du slå i rate limits, så minska hur ofta du kör det eller sänk meddelandegränsen per körning.
Per körning sammanfattar den vanligtvis upp till 100 senaste meddelanden, och den kan bevaka flera chattar när du skalar upp den.
Ofta ja, eftersom det här inte är en enkel tvåstegs-Zap. Du filtrerar på tidsfönster, rensar meddelandeinnehåll, aggregerar det, kör sedan en AI-agent med beständigt MongoDB-minne och postar till sist tillbaka till Telegram. n8n hanterar branching och datashaping utan att straffa dig för komplexitet, och self-hosting kan vara avgörande om din community är aktiv. Zapier eller Make kan fortfarande fungera om du bara behöver väldigt enkla sammanfattningar och inte bryr dig om långsiktig kontext. Om du vill ha en second opinion innan du bestämmer dig, prata med en automationsexpert.
När det här väl rullar slutar chatten äta upp din uppmärksamhet hela dagen. Workflowet sköter recapen. Du behåller momentum.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.