Steg 2: Anslut Telegram

Konfigurera utgående meddelanden så att workflowet kan svara tillbaka till den Telegram-användare som initierade konversationen.

1. Öppna Telegram Batch Reply och sätt Text till ={{ $json.text }}.
2. Sätt Chat ID till ={{ $('Telegram Message Trigger').first().json.message.from.id }}.
3. I Additional Fields, sätt parse_mode till MarkdownV2, reply_to_message_id till ={{ $('Telegram Message Trigger').first().json.message.message_id }}, och aktivera disable_notification och disable_web_page_preview.
4. Inloggningsuppgift krävs: Anslut era telegramApi-inloggningsuppgifter i Telegram Batch Reply.

Steg 3: Sätt upp agenten för e-postfrågor

Konfigurera AI-agenten, minnet och retrieval-verktygen som besvarar e-postrelaterade frågor.

1. I Build Session Context, sätt Mode till raw och JSON Output till ={ "chatInput": {{ $json.message?.text.quote() ?? $json.chatInput.quote() }}, "reply_to": {{ $json.message?.reply_to_message?.message_id ?? null }}, "message_id": {{ $json.sessionId?.quote() || $json.message?.message_id }} }.
2. Konfigurera Email Query Agent med Text satt till ={{ $json.chatInput }} och behåll Prompt Type som define för att använda den anpassade systemprompten.
3. Koppla Chat Model Engine till Email Query Agent som språkmodell och sätt Model till mistral-small3.1:latest. Inloggningsuppgift krävs: Anslut era openAiApi-inloggningsuppgifter i Chat Model Engine.
4. Koppla Windowed Memory Buffer till Email Query Agent som minne med sessionKey satt till ={{ $json.reply_to ?? $json.message_id }} och sessionIdType satt till customKey. Det här minnesverktyget ärver konfiguration från den överordnade agenten.
5. Koppla PGVector Search Tool till Email Query Agent och sätt Mode till retrieve-as-tool, Top K till 100, Tool Name till emails_vector_search, och Table Name till emails_embeddings. Inloggningsuppgift krävs: Anslut era postgres-inloggningsuppgifter i PGVector Search Tool.
6. Koppla Ollama Embedding Model som embedding-leverantör för PGVector Search Tool med Model satt till nomic-embed-text:latest. Inloggningsuppgift krävs: Anslut era ollamaApi-inloggningsuppgifter på den överordnade verktygsanslutningen (lägg inte till inloggningsuppgifter inne i agenten).
7. Koppla SQL Composer Tool till Email Query Agent och behåll name satt till email_sql_search. Om det refererade workflowet kräver inloggningsuppgifter, lägg till dem inne i det anropade workflowet, inte i den här verktygsnoden.

Steg 4: Konfigurera noder för utdata och routing

Routa agentens svar beroende på meddelandekälla och förbered långa svar för Telegrams begränsningar.

1. I Source From Telegram?, behåll villkoret Left Value satt till ={{ $('Telegram Message Trigger').isExecuted }} för att avgöra vilken väg som ska användas.
2. Koppla Source From Telegram? till Chunk Text Blocks för Telegram-vägen och till Format Chat Output för icke-Telegram-sessioner.
3. I Format Chat Output, sätt värdet för utdatatilldelningen till ={{ $json.output }}.
4. I Chunk Text Blocks, behåll JavaScript-koden som delar upp utdata i 500-teckens chunkar, och säkerställ att den returnerar $input.first().json.output.
5. Konfigurera Batch Iterator med Options → reset satt till false för att iterera genom chunkarna.

Körflöde: Email Query Agent → Source From Telegram? → Chunk Text Blocks → Batch Iterator routar varje chunk genom svarscykeln.

Steg 5: Konfigurera leverans och formatering av utdata

Escapa Markdown-tecken och skicka tillbaka varje chunk till Telegram.

1. I Markdown Escape, behåll JavaScript-koden som escaper specialtecken: replace(/([\.\\-<>_*\\[\\]\\(\\)~`#+=\\|{}·!])/g, '\\\\$1').
2. Koppla Batch Iterator till Markdown Escape, och därefter till Telegram Batch Reply för att skicka varje escapad chunk.
3. Koppla Telegram Batch Reply tillbaka till Batch Iterator för att fortsätta batcha tills alla chunkar har skickats.
4. Behåll No-Op Placeholder kopplad till den alternativa utgången på Batch Iterator för “klar”-flödet.

Steg 6: Testa och aktivera ert workflow

Validera leverans från början till slut för både Telegram och chattsessioner, och aktivera därefter workflowet för produktion.

1. Klicka på Execute Workflow och skicka ett Telegram-meddelande för att trigga Telegram Message Trigger.
2. Bekräfta att Build Session Context skapar chatInput och att Email Query Agent producerar en output.
3. Verifiera att Chunk Text Blocks skapar flera objekt och att Telegram Batch Reply skickar sekventiella meddelanden i samma chatt.
4. Testa en chattsession via Chat Session Trigger och bekräfta att Format Chat Output returnerar svaret utan chunking.
5. Växla workflowet till Active när båda trigger-vägarna fungerar som förväntat.