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

Telegram till Google Docs – en chatbot som minns

Rickard Andersson Partner, Nodenordic.se

Din Telegram-bot fungerar… tills en kund säger ”samma problem som förra gången” och din bot har ingen aning om vad de menar. Då fastnar du i att ställa samma frågor igen, upprepa svar och manuellt gräva i gamla chattar som om det vore 2014.

Den här automatiseringen för en Telegram-minneschatbot träffar supportansvariga först, men marketing ops och founders känner av den också. När din bot kommer ihåg preferenser och tidigare trådar blir svaren snabbare, lugnare och ärligt talat mer mänskliga.

Det här flödet sparar chatthistorik i Google Docs, låter en AI-agent hämta den vid begäran och kan skicka prydliga sammanfattningar till Gmail eller uppdateringar tillbaka till Telegram. Du ser vad den automatiserar, vilka resultat du kan förvänta dig och vad du behöver för att köra den.

Så fungerar automatiseringen

Hela n8n-flödet, från trigger till slutligt resultat:

n8n Workflow Template: Telegram till Google Docs – en chatbot som minns

Problemet: din bot glömmer allt

De flesta chatbots fastnar i korttidsläge. De kan svara på det som finns framför dem, men de kan inte tillförlitligt minnas vad en användare sa förra veckan, vilken plan de har eller vilka felsökningssteg de redan testat. Så samtalet går i loopar. Kunder får samma frågor. Ditt team kliver in ”bara för att kolla historiken”, och plötsligt gör boten den enkla delen medan människor gör den svåra. Den verkliga kostnaden är inte bara tid. Det är förtroende, sammanhang och momentum.

Det växer snabbt. Här är var det brukar skapa fel.

  • Supportkonversationer startar om från noll, vilket innebär längre lösningstider och fler frustrerade meddelanden.
  • Viktiga detaljer ligger i utspridda Telegram-trådar, så du lägger cirka 20 minuter på att jaga kontext för ett enda ”snabbt” svar.
  • Även bra AI-svar blir inkonsekventa eftersom modellen inte känner till tidigare löften, preferenser eller instruktioner.
  • Chefer ber till slut om manuella sammanfattningar i Gmail eller Slack, och de sammanfattningarna är ofta ofullständiga eller repetitiva.

Lösningen: Telegram + Google Docs-minne för din AI-agent

Det här n8n-flödet gör Telegram-chattar till ett långsiktigt ”minne” som din AI-agent faktiskt kan använda. När ett meddelande kommer in avgör agenten vad som ska hända härnäst: spara ny information, slå upp relevant historik eller skicka vidare ärendet till rätt utkanal. Om den behöver minne hämtar den arkiverade anteckningar från Google Docs. Om den behöver lagra något viktigt (som en preferens, en problemsammanfattning eller ett utlovat nästa steg) skriver den tillbaka det till Google Docs så att nästa konversation startar med kontext. Sedan formaterar den ett korrekt formaterat svar och skickar det antingen till Telegram eller som en Gmail-sammanfattning, beroende på vad du vill logga och var ditt team jobbar.

Flödet startar med en inkommande Telegram-chattrigger som matar en AI-agent med korttidsminne för omedelbar kontext. Därifrån routar en switchboard förfrågan till att spara minne eller slå upp minne och hämtar från Google Docs-arkiv vid behov. Till sist formaterar n8n utdata för Telegram-uppdateringar eller Gmail-sammanfattningar så att meddelandet hamnar på rätt plats utan extra copy-paste.

Det här får du: automation vs. resultat

Exempel: så här ser det ut

Säg att ditt team hanterar 20 Telegram-konversationer per dag och att ungefär en tredjedel kräver att ni kollar tidigare kontext. Manuellt tar det cirka 10 minuter att hitta rätt tråd och sammanfatta den, så ni bränner ungefär en timme per dag bara på att ”komma ikapp”. Med det här flödet kan agenten hämta relevanta anteckningar från Google Docs automatiskt och svara i Telegram, och sedan skicka en prydlig Gmail-sammanfattning när det behövs. Ni granskar fortfarande edge cases, men kontextjobbet är i princip gjort åt er.

Det här behöver du

  • n8n-instans (testa n8n Cloud gratis)
  • Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
  • Telegram för att ta emot meddelanden och skicka svar.
  • Google Docs för lagring och uppslag av långsiktigt minne.
  • OpenAI API-nyckel (hämta den i din OpenAI-dashboard).

Nivå: Medel. Du kopplar konton, klistrar in en API-nyckel och justerar prompts och routingregler med självförtroende.

Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).

Så fungerar det

Ett Telegram-meddelande triggar flödet. Den inkommande chatten fångas upp av n8n och skickas till AI-agenten, tillsammans med nylig kontext från korttidsminnet.

Agenten avgör om den behöver minne. En routing-switchoard utvärderar förfrågan och väljer rätt verktyg: spara en ny anteckning, hämta arkiverade anteckningar eller skicka en notifiering via rätt kanal.

Google Docs blir den ”långsiktiga hjärnan”. När agenten behöver historisk kontext hämtar den anteckningar från ditt Google Docs-arkiv. När den lär sig något värt att behålla skriver den en strukturerad minnespost tillbaka till Google Docs så att den finns tillgänglig nästa gång.

Svar och sammanfattningar skickas ut automatiskt. Telegram-svar formateras för läsbarhet i chatten, medan Gmail-meddelanden struktureras som sammanfattningar du kan skumma igenom på under en minut.

Du kan enkelt ändra routingreglerna för att skicka vissa kategorier av meddelanden till Gmail samtidigt som snabba svar stannar i Telegram. Se hela implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: konfigurera triggern för arbetsflödesanrop

Konfigurera arbetsflödets startpunkter så att både externa arbetsflödesanrop och chattmeddelanden kan starta minnesrouting-processen.

  1. Lägg till noden Workflow Invocation Trigger och ställ in Input Sourcepassthrough.
  2. Lägg till noden Ⓜ️ Incoming Chat Trigger för att ta emot chattmeddelanden och anslut den till 🧠Agent With Long Memory.
  3. Anslut Workflow Invocation Trigger till Memory Tool Switchboard så att routade verktygsanrop kan bearbetas.

Använd Workflow Invocation Trigger när andra arbetsflöden anropar det här minnessystemet, och Ⓜ️ Incoming Chat Trigger för direkta chattinteraktioner.

Steg 2: anslut Google Docs

Konfigurera dokumenten i Google Docs för långtidslagring och hämtning som används för att spara och läsa minnen.

  1. I Store Long Term Notes ställer ni in Operationupdate och Document URL[YOUR_ID].
  2. I fältet Actions i Store Long Term Notes ställer ni in texten till { "date": "{{ $now }}", "memory": "{{ $json.query }}" } så att både datum och minne sparas.
  3. I Fetch Archive Notes A, Fetch Archive Notes B och Fetch Archive Notes C ställer ni in Operationget och Document URL[YOUR_ID].
  4. Autentisering krävs: Anslut era googleDocsOAuth2Api-uppgifter till Store Long Term Notes, Fetch Archive Notes A, Fetch Archive Notes B och Fetch Archive Notes C.

⚠️ Vanlig fallgrop: Ersätt [YOUR_ID] i alla Google Docs-noder med en giltig dokument-URL, annars kommer sparning och läsning att misslyckas.

Steg 3: konfigurera AI-agenten och minnesverktygen

Konfigurera AI-agenten, minnesfönstret och anslutna verktyg som möjliggör routing för långtidslagring och hämtning av minne.

  1. Öppna 🧠Agent With Long Memory och behåll System Message som det är angivet, inklusive {{ $now }} och verktygsreglerna.
  2. Anslut 🤖Primary Chat Model som språkmodell för 🧠Agent With Long Memory och ställ in Modelgpt-4o-mini.
  3. Autentisering krävs: Anslut era openAiApi-uppgifter till 🤖Primary Chat Model, Secondary Chat Model och Tertiary Chat Model.
  4. Koppla 🤯Short Window Memory till 🧠Agent With Long Memory och ställ in Context Window Length10.
  5. Anslut verktygen 🧠Memory Save Tool, 🔎Memory Lookup Tool, 📤Telegram Memory Tool och 📫Gmail Memory Tool till 🧠Agent With Long Memory som AI-verktyg.

Verktygsnoderna är undernoder—lägg till autentiseringsuppgifter på de överordnade noderna som de anropar (till exempel ska OpenAI-uppgifter ligga på 🤖Primary Chat Model, inte på 🧠Memory Save Tool).

Steg 4: konfigurera Memory Tool Switchboard

Routa verktygsförfrågningar till rätt lagrings- eller leveransväg med hjälp av switch-logiken.

  1. Öppna Memory Tool Switchboard och bekräfta att varje regel kontrollerar Left Value {{ $json.route }} för rätt routenamn.
  2. Säkerställ att regeln för 1️⃣ Save matchar save_memory och routar till Store Long Term Notes.
  3. Säkerställ att regeln för 2️⃣Retrieve matchar retrieve_memory och routar till Fetch Archive Notes A.
  4. Säkerställ att regeln för 3️⃣Telegram matchar send_memories_to_telegram och routar till Fetch Archive Notes B.
  5. Säkerställ att regeln för 4️⃣Gmail matchar send_memories_to_gmail och routar till Fetch Archive Notes C.

Route-värden sätts av verktygsnoderna (till exempel sätter 📤Telegram Memory Tool route = send_memories_to_telegram).

Steg 5: konfigurera formatering och leverans av output

Formatera minnesinnehåll för Telegram och Gmail och definiera svarspayloads för sparning och hämtning.

  1. I Format Telegram Payload ställer ni in Text till =Format this content into a simple unformatted list that can be sent to Telegram: {{ $json.content }}. Avoid any preamble or further explanation. och ansluter Secondary Chat Model som språkmodell.
  2. I Format Gmail Payload ställer ni in Text till =Format this content into a simple and modern HTML table that is max 800px wide that can be used as the content for an email: {{ $json.content }}. Avoid any preamble or further explanation. Remove all ``` and ```html from response. och ansluter Tertiary Chat Model som språkmodell.
  3. I Post Telegram Update ställer ni in Text till =n8n User Memories {{ $json.text }} och Chat ID till {{ $env.TELEGRAM_CHAT_ID }}.
  4. Autentisering krävs: Anslut era telegramApi-uppgifter till Post Telegram Update.
  5. I Dispatch Gmail Summary ställer ni in Send To till {{ $env.EMAIL_ADDRESS_JOE }}, Message till {{ $json.text }} och Subject till n8n User Memories.
  6. Autentisering krävs: Anslut era gmailOAuth2-uppgifter till Dispatch Gmail Summary.
  7. I Return Save Status ställer ni in response till Memory saved och i Reply With Stored Notes ställer ni in response till {{ $json.content }}.

⚠️ Vanlig fallgrop: Säkerställ att miljövariablerna TELEGRAM_CHAT_ID och EMAIL_ADDRESS_JOE är definierade i n8n för att Telegram- och Gmail-noderna ska fungera.

Steg 6: testa och aktivera ert arbetsflöde

Verifiera varje route och bekräfta att meddelanden sparas, hämtas och levereras korrekt.

  1. Klicka på Execute Workflow och skicka en test-payload till Workflow Invocation Trigger med {"route":"save_memory","query":"Test memory"} för att bekräfta att Store Long Term Notes och Return Save Status körs.
  2. Testa hämtning genom att skicka {"route":"retrieve_memory"} och bekräfta att Fetch Archive Notes AReply With Stored Notes returnerar lagrat innehåll.
  3. Testa Telegram genom att skicka {"route":"send_memories_to_telegram"} och verifiera att Fetch Archive Notes BFormat Telegram PayloadPost Telegram Update publicerar till er chatt.
  4. Testa Gmail genom att skicka {"route":"send_memories_to_gmail"} och verifiera att Fetch Archive Notes CFormat Gmail PayloadDispatch Gmail Summary skickar ett mejl.
  5. När alla tester passerar växlar ni arbetsflödet till Active för användning i produktion.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Vanliga fallgropar

  • Google Docs-autentisering kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först Google-kopplingen under fliken Credentials i n8n.
  • Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
  • Standardprompts i AI-noder är generiska. Lägg in din varumärkesröst tidigt, annars kommer du att sitta och redigera utdata i all evighet.

Vanliga frågor

Hur lång tid tar det att sätta upp den här automatiseringen för en Telegram-minneschatbot?

Cirka en timme om dina konton redan är kopplade.

Behöver jag kunna koda för att automatisera en Telegram-minneschatbot?

Nej. Du kopplar mest verktyg och redigerar några prompts och routingvillkor i n8n.

Är n8n gratis att använda för det här Telegram-minneschatbot-flödet?

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 in kostnader för OpenAI API, som vanligtvis är några cent per dag vid lätt supportanvändning.

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

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.

Kan jag anpassa det här Telegram-minneschatbot-flödet för överlämningsanteckningar i teamet?

Ja, och det är ett av de bästa användningsområdena. Uppdatera systemmeddelandet i AI-agenten så att den sparar ett kort ”överlämningsblock” (ärende, aktuell status, nästa steg, ansvarig) i Google Docs via verktyget för att spara minne. Du kan också justera switchboard-reglerna så att vissa taggar (som ”refund” eller ”bug”) triggar en Gmail-sammanfattning automatiskt. De flesta team justerar även Telegram-formateringskedjan så att svaren hålls korta medan det sparade minnet är detaljerat.

Varför misslyckas min Telegram-anslutning i det här flödet?

Oftast beror det på att bot-token har dragits tillbaka eller att boten aldrig lades till i rätt chatt. Skapa en ny Telegram bot-token (eller kopiera den igen), uppdatera Telegram-credentials i n8n och bekräfta sedan att chat-ID:t är korrekt. Om det bara misslyckas ibland kan du också slå i Telegrams rate limits vid toppar. I så fall, sänk hur snabbt du skickar meddelanden eller slå ihop svar.

Hur många meddelanden klarar den här automatiseringen för en Telegram-minneschatbot?

På en typisk n8n Cloud-plan kan den hantera tusentals meddelanden per månad för ett mindre team, och vid self-hosting beror det främst på din server.

Är den här automatiseringen för en Telegram-minneschatbot bättre än att använda Zapier eller Make?

För den här typen av flöde är n8n oftast det mer flexibla valet eftersom du kan bygga förgrenad logik, köra en AI-agent med flera verktyg och self-hosta om du inte vill ha begränsningar på körningar. Zapier och Make kan fungera, men minnesmönster för AI i flera steg tenderar att bli dyra och klumpiga så fort du lägger till routing och lagring. Dessutom gör det felsökningen enklare att ha switchboarden för minnesverktygen på ett ställe. Den enda egentliga nackdelen är uppsättningen: n8n ger dig mer kontroll, så du lägger mer tid på att bestämma hur du vill att minnet ska sparas och hämtas. Om du vill ha hjälp att välja, prata med en automationsexpert.

Det här är skillnaden mellan en bot som svarar och en bot som faktiskt hjälper. Sätt upp den en gång, låt Google Docs hålla minnet och gå vidare till det arbete som kräver en människa.

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