Steg 2: anslut Telegram-inmatningsroutning och mediehantering

Routa text jämfört med röstmeddelanden, ladda ned röstfiler, korrigera MIME-typer och förbered en konsekvent input för efterföljande bearbetning.

1. Konfigurera Input Type Switch med två regler: Text finns på {{ $('Telegram Incoming Trigger').item.json.message.text }}, och Voice Message finns på {{ $('Telegram Incoming Trigger').item.json.message.voice }}.
2. Från Text-outputen ställer ni in Extract Text Message så att den skapar message som {{ $('Telegram Incoming Trigger').item.json.message.text }} och chat_id som {{ $('Telegram Incoming Trigger').item.json.message.chat.id }}.
3. Från Voice Message-outputen konfigurerar ni Download Voice File med File ID satt till {{ $('Telegram Incoming Trigger').item.json.message.voice.file_id }}.
4. Credential Required: Anslut era telegramApi-uppgifter i Download Voice File.
5. Anslut Download Voice File → Correct MIME Types → Transcribe Voice Input för att normalisera binärdata före transkribering.
6. Ställ in Transcribe Voice Input till Resource audio, Input Type binary, Operation analyze, och Text till What's in this audio message from telegram user?.
7. Credential Required: Anslut era googlePalmApi-uppgifter i Transcribe Voice Input.
8. Ställ in Extract Audio Message så att den mappar message som =Voice message description:{{ $json.candidates?.[0]?.content?.parts?.[0]?.text || $json.content?.parts?.[0]?.text }} och chat_id som {{ $('Telegram Incoming Trigger').item.json.message.chat.id }}.
9. För innehåll som inte stöds behåller ni Prepare Error Message med message satt till It was not possible to process the file.File type not supported. och chat_id till {{ $('Telegram Incoming Trigger').item.json.message.chat.id }}.
10. Normalisera både text- och ljudvägarna med Normalize Incoming Data med message {{ $json.message }} och chat_id {{ $json.chat_id }}.

Steg 3: konfigurera lagring av chattminne (Postgres)

Skapa minnestabellen och ladda in senaste konversationshistoriken för kontextmedvetna svar.

1. Använd Manual Run Trigger för det engångsflöde som sätter upp databasen.
2. Öppna Create Memory Table och ställ in Operation till executeQuery med SQL:en i Query exakt som den är angiven i noden.
3. Credential Required: Anslut era postgres-uppgifter i Create Memory Table.
4. Konfigurera Fetch Chat History med Operation select och Limit 25, och välj tabellen public.chat_memory.
5. Credential Required: Anslut era postgres-uppgifter i Fetch Chat History.
6. Anslut Normalize Incoming Data → Fetch Chat History → Combine Messages för att aggregera historisk kontext.

Steg 4: ställ in summering, klassificering och modellroutning

Summera chatthistorik, klassificera svårighetsgrad och routa till rätt Gemini-modell.

1. I Combine Messages aggregerar ni message för att skapa en meddelandelista som används för summering.
2. Konfigurera Summarize and Classify med Text satt till =Chat Memory: {{ $('Combine Messages').item.json.message.join('\n') }} User Request: {{ $('Normalize Incoming Data').item.json.message }} och Prompt Type satt till define.
3. Anslut Structured Output Decoder som output-parser för Summarize and Classify, med JSON-schemat som redan finns i noden.
4. Koppla Gemini Flash Lite Summarizer som språkmodell för Summarize and Classify.
5. Credential Required: Anslut era googlePalmApi-uppgifter i Gemini Flash Lite Summarizer.
6. Ställ in Model Choice Router för att routa baserat på {{ $json.output.difficulty }} med tre inputs.
7. Koppla Gemini Flash Lite Model, Gemini Flash Model och Gemini Pro Model till Model Choice Router som de tre språkmodell-inputarna.
8. Credential Required: Anslut era googlePalmApi-uppgifter i Gemini Flash Lite Model, Gemini Flash Model och Gemini Pro Model.

Steg 5: konfigurera svarsgenerering och minnesuppdateringar

Generera assistentens svar och lagra det, samtidigt som ni skickar formaterad output tillbaka till Telegram.

1. Ställ in Response Agent med Text till =Context: {{ $json.output.context }} User request: {{ $('Normalize Incoming Data').item.json.message }}.
2. Anslut Summarize and Classify → Response Agent.
3. Följ det parallella flödet: Response Agent skickar output till både Markdown V2 Formatter och Append Chat Memory parallellt.
4. I Markdown V2 Formatter behåller ni den medföljande JavaScript-koden för MarkdownV2-sanitization och chunking.
5. Konfigurera Dispatch Telegram Reply med Text satt till {{ $json.message }} och Chat ID satt till {{ $('Telegram Incoming Trigger').item.json.message.chat.id }}.
6. Credential Required: Anslut era telegramApi-uppgifter i Dispatch Telegram Reply.
7. I Append Chat Memory säkerställer ni att mappningen skapar message som =User: {{ $('Normalize Incoming Data').item.json.message }} Agent: {{ $json.output }} och session_id som {{ $('Normalize Incoming Data').item.json.chat_id }}.
8. Credential Required: Anslut era postgres-uppgifter i Append Chat Memory.

Steg 6: testa och aktivera ert arbetsflöde

Kör igenom manuella och skarpa tester för att bekräfta meddelanderoutning, AI-svar och minneslagring.

1. Klicka på Execute Workflow på Manual Run Trigger för att skapa tabellen via Create Memory Table.
2. Skicka ett textmeddelande till er Telegram-bot och bekräfta att Telegram Incoming Trigger triggas, att Send Typing Action körs och att svaret levereras av Dispatch Telegram Reply.
3. Skicka ett röstmeddelande och verifiera flödet: Download Voice File → Correct MIME Types → Transcribe Voice Input → Extract Audio Message → Normalize Incoming Data.
4. Kontrollera att Append Chat Memory sparar en ny rad i public.chat_memory för varje tur i konversationen.
5. När testerna lyckas, slå på arbetsflödet till Active så att Telegram Incoming Trigger körs i produktion.