Steg 2: Konfigurera meddelandeintag (röst vs text)

Inkommande meddelanden delas upp i ljud- eller textspår för korrekt hantering.

1. Öppna Detect Audio or Text och verifiera att dess regelkontroller inkluderar {{ $json.message.voice.file_id }} och {{ $json.message.text || "" }}.
2. För röstmeddelanden: konfigurera Retrieve Voice File med File ID satt till {{ $json.message.voice.file_id }} och Resource satt till file.
3. Inloggningsuppgifter krävs: Anslut era telegramApi-inloggningsuppgifter till Retrieve Voice File.
4. För textmeddelanden: öppna Format Input Text och bekräfta att tilldelningen sätter text till {{$json.message.text}}.

Steg 3: Sätt upp transkribering och textnormalisering

Röstinmatning transkriberas och alla indata normaliseras till ett enda textfält för avsiktsdetektering.

1. I Voice Transcription, ställ in Resource till audio och Operation till translate.
2. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till Voice Transcription.
3. Öppna Normalize Message Text och verifiera att tilldelningen sätter text till {{ $json.text }}.

Steg 4: Konfigurera klassificering av avsikt och routing

Arbetsflödet använder en LLM för att klassificera användarens avsikt (create, update, analyze) och routar till rätt gren.

1. Öppna Classify Intent och bekräfta att Text är satt till {{ $json.text }} med Prompt Type satt till define.
2. Säkerställ att OpenAI Chat Model Intent är ansluten som språkmodell för Classify Intent.
3. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Chat Model Intent (inloggningsuppgifter läggs till i modellnoden, inte i chain-noden).
4. Öppna Package Intent och ställ in JSON Output till { "intent": "{{ $json.text }}" }.
5. Verifiera att Merge Intent & Text kombinerar Classify Intent och Normalize Message Text exakt som visas i dess JavaScript.
6. I Intent Router, bekräfta att de tre reglerna routar utifrån {{ $json.intent }} som matchar create, update och analyze.

Steg 5: Sätt upp spåret för att skapa uppgifter (LLM + Notion)

Skapa-spåret extraherar strukturerade uppgiftsdata via en LLM och skapar sedan ett objekt i en Notion-databas.

1. Öppna Generate Task Data och verifiera att Text är {{ $json.text }} och att Has Output Parser är aktiverat.
2. Säkerställ att Parse Task Fields är ansluten som output parser för Generate Task Data, med det medföljande JSON-schemaexemplet.
3. Säkerställ att OpenAI Model Create Task är ansluten som språkmodell för Generate Task Data.
4. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Model Create Task (inte till Generate Task Data eller Parse Task Fields).
5. I Create Notion Task, ställ in Resource till databasePage och välj ert Database ID (för närvarande [YOUR_ID]).
6. Mappa egenskaper i Create Notion Task: Name till {{ $json.output.title }}, Description till {{ $json.output.description }}, Due Date till {{ $json.output.due_date }}, Priority till {{ $json.output.priority }} och Tags till {{ $json.output.tags }}.
7. Inloggningsuppgifter krävs: Anslut era notionApi-inloggningsuppgifter till Create Notion Task.

Steg 6: Sätt upp spåret för att uppdatera uppgifter (sök, matcha och patcha)

Uppdatera-spåret tar fram en sökfras, matchar en uppgift, uppdaterar den med en LLM och patchar Notion via API:t.

1. Öppna Derive Search Phrase och bekräfta att Text är {{ $json.text }}, med OpenAI Model Search Phrase ansluten som språkmodell.
2. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Model Search Phrase.
3. I Retrieve Tasks for Update, ställ in Resource till databasePage, Operation till getAll och Return All till true, med Database ID satt till [YOUR_ID].
4. Inloggningsuppgifter krävs: Anslut era notionApi-inloggningsuppgifter till Retrieve Tasks for Update.
5. Verifiera att Build Match Payload bygger search_string från Derive Search Phrase och sammanställer tasks från Retrieve Tasks for Update.
6. Öppna Select Matching Task och säkerställ att den är ansluten till OpenAI Model Match Task.
7. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Model Match Task.
8. Kontrollera att Compose Update Payload använder den parsade matchade uppgiften och användarens ursprungliga meddelande, och skickar vidare till Task Update Prompt.
9. I Task Update Prompt, bekräfta att prompten använder {{ $json.text }} och {{ JSON.stringify($json.task, null, 2) }}, och ansluter till OpenAI Model Update Task.
10. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Model Update Task.
11. Verifiera att Convert Task JSON parsar JSON-svaret från LLM:en.
12. I Modify Notion Task, bekräfta att URL är https://api.notion.com/v1/pages/{{ $json["id"] }} och att Method är PATCH.
13. Behåll JSON Body som angivet för att mappa egenskaper som {{ $json["property_name"] }}, {{ $json["property_description"] }}, {{ $json["property_priority"] }}, {{ $json["property_due_date"].start }} och taggar från $json.property_tags.
14. Inloggningsuppgifter krävs: Anslut era notionApi-inloggningsuppgifter till Modify Notion Task.

Steg 7: Sätt upp spåret för att analysera uppgifter (granskning + insikter)

Analysspåret hämtar uppgifter från Notion och använder en LLM för att generera insikter.

1. I Fetch Tasks for Review, ställ in Resource till databasePage, Operation till getAll och Return All till true med Database ID satt till [YOUR_ID].
2. Inloggningsuppgifter krävs: Anslut era notionApi-inloggningsuppgifter till Fetch Tasks for Review.
3. Verifiera att Assemble Analysis Payload bygger question från användarmeddelandet och tasks från Fetch Tasks for Review.
4. Öppna Analyze Task List och bekräfta att prompten använder {{ $json.question }} och {{ JSON.stringify($json.tasks, null, 2) }}, med OpenAI Model Analyze Tasks ansluten.
5. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Model Analyze Tasks.

Steg 8: Konfigurera Telegram-utdata

Alla create/update/analyze-spår meddelar användaren i Telegram med länkar eller insikter.

1. I Dispatch Task Link, ställ in Text till Task Link :{{ $json.url }} och Chat ID till {{ $('Telegram Incoming Trigger').item.json.message.chat.id }}.
2. Inloggningsuppgifter krävs: Anslut era telegramApi-inloggningsuppgifter till Dispatch Task Link.
3. I Dispatch Update Link, ställ in Text till Task Link :{{ $json.url }} och Chat ID till [YOUR_ID].
4. I Send Analysis Reply, ställ in Text till {{ $json.text }} och Chat ID till [YOUR_ID].
5. Inloggningsuppgifter krävs: Anslut era telegramApi-inloggningsuppgifter till Dispatch Update Link och Send Analysis Reply.

Steg 9: Testa och aktivera ert arbetsflöde

Kör ett fullständigt test för att bekräfta att alla tre avsiktsspår (create, update, analyze) fungerar end-to-end.

1. Klicka på Execute Workflow och skicka ett Telegram-meddelande (text och röst) för att trigga Telegram Incoming Trigger.
2. Bekräfta att create-meddelanden resulterar i ett nytt Notion-objekt via Create Notion Task och en Telegram-länk från Dispatch Task Link.
3. Bekräfta att update-meddelanden hittar en uppgift via Select Matching Task, patchar den i Modify Notion Task och returnerar en länk via Dispatch Update Link.
4. Bekräfta att analyze-meddelanden passerar via Analyze Task List och skickar insikten via Send Analysis Reply.
5. När allt fungerar, ställ arbetsflödet till Active för att köra i produktion.