Steg 2: Rutta röst- kontra textinmatning

Det här steget förgrenar flödet beroende på om användaren skickade ett röstmeddelande eller text.

1. I Detect Voice Or Text behåller ni de två reglerna som kontrollerar {{ $json.message.voice.file_id }} och {{ $json.message.text }} för att skapa utgångarna Voice och Text.
2. För röstgrenen konfigurerar ni Retrieve Voice File med Resource inställt på file och File ID inställt på {{ $json.message.voice.file_id }}.
3. Autentisering krävs: Anslut era telegramApi-uppgifter i Retrieve Voice File.
4. För textgrenen konfigurerar ni Capture Text Input att sätta text till {{ $json.message.text }}.
5. Koppla Retrieve Voice File → Transcribe Audio och Capture Text Input → Lead Scraper Agent.

Steg 3: Sätt upp AI-bearbetning för att extrahera sökfråga

Det här steget omvandlar röst eller text till en strukturerad sökfråga som scrapern kan använda.

1. I Transcribe Audio behåller ni Resource inställt på audio och Operation inställt på transcribe.
2. Autentisering krävs: Anslut era openAiApi-uppgifter i Transcribe Audio.
3. Konfigurera Lead Scraper Agent med Text inställt på {{ $json.text }} och säkerställ att Prompt Type är define med Has Output Parser aktiverat.
4. I OpenAI Chat Engine ställer ni in Model till gpt-4.1-nano (eller er föredragna modell).
5. Autentisering krävs: Anslut era openAiApi-uppgifter i OpenAI Chat Engine.
6. Koppla Buffer Memory och Structured Parser till Lead Scraper Agent som AI-undernoder. Säkerställ att uppgifter läggs till i OpenAI Chat Engine (förälder), inte i undernoderna.
7. Bekräfta att Structured Parser använder det angivna JSON-schemaexemplet för location, business och job_title.

Lead Scraper Agent skickar utdata parallellt till både Build Query Payload och Fetch Existing Emails.

Steg 4: Bygg och kör lead-scrapen

Generera en sök-URL, kör Apify-aktorn och mappa lead-resultaten till en konsekvent struktur.

1. I Build Query Payload ställer ni in Mode till raw och JSON Output till { "query": {{ $json.output }} }.
2. I Assemble Search Link behåller ni den medföljande JavaScript-koden för att bygga Apollo-URL:en och output finalURL.
3. I Execute Apify Actor ställer ni in Operation till Run actor, Build till latest, Timeout till 10000 och Wait For Finish till 60.
4. Ställ in Custom Body i Execute Apify Actor till { "getPersonalEmails": true, "getWorkEmails": true, "totalRecords": 500, "url": "{{ $json.finalURL }}" }.
5. Autentisering krävs: Anslut era apifyApi-uppgifter i Execute Apify Actor.
6. I Map Lead Details mappar ni fält som firstName till {{ $json.first_name }}, emailAddress till {{ $json.email }} och jobTitle till {{ $json.employment_history[0].title }}.

⚠️ Vanlig fallgrop: Om scrapern returnerar tom employment_history kommer uttrycket {{ $json.employment_history[0].title }} att fallera. Överväg att lägga till skyddslogik vid behov.

Steg 5: Filtrera och avduplicera leads

Endast verifierade e-postadresser sparas, och befintliga e-postadresser tas bort innan infogning.

1. I Filter Verified Emails behåller ni villkoret att emailStatus är lika med verified med {{ $json.emailStatus }}.
2. I Fetch Existing Emails ställer ni in Operation till select, Return All till true och inkluderar outputColumns med emailAddress.
3. Autentisering krävs: Anslut era postgres-uppgifter i Fetch Existing Emails.
4. I Isolate New Leads behåller ni Merge By Fields konfigurerat för att jämföra inkommande e-postadresser med befintliga.
5. Lämna Marked Existing som en no-op-gren för dubbletter.

Steg 6: Lagra resultat och skicka Telegram-bekräftelse

Nya leads infogas i Supabase, ett bekräftelsemeddelande skapas och ett Telegram-svar skickas.

1. I Insert New Leads ställer ni in Table ID till Leads_n-mail och mappar fält som firstName till {{ $json.firstName }}, jobTitle till {{ $json.jobTitle }} och country till {{ $json.country }}.
2. Granska mappningen för businessIndustry: {{ $json.businessIndustry }}{{ $('Apollo Scraper').item.json.organization.industry }}.
3. Autentisering krävs: Anslut era supabase-uppgifter i Insert New Leads (inga uppgifter är konfigurerade ännu).
4. I Compose Telegram Reply ställer ni in output till {{ $input.all().length }} nya kontakter har lagts till i Google Sheet!.
5. I Send Telegram Confirmation ställer ni in Text till {{ $input.all().length }} nya kontakter har lagts till i Google Sheet! och Chat ID till [YOUR_ID].
6. Autentisering krävs: Anslut era telegramApi-uppgifter i Send Telegram Confirmation.

⚠️ Vanlig fallgrop: Arbetsflödet refererar till Apollo Scraper i Insert New Leads, men den noden finns inte i det här arbetsflödet. Ersätt den referensen eller ta bort den för att förhindra körningsfel.

Steg 7: Granska platshållar- och icke-fungerande noder

Det här arbetsflödet innehåller noder som inte körs och som används för anteckningar eller framtida utbyggnad.

1. Behåll Flowpast Branding som en dokumentationsnotering på canvasen.
2. Identifiera Unnamed (typ unknown) och ta bort eller ersätt den om den dyker upp i framtida kopplingar.

Steg 8: Testa och aktivera ert arbetsflöde

Validera arbetsflödet end-to-end och aktivera det sedan för användning i produktion.

1. Klicka på Execute Workflow och skicka ett text- eller röstmeddelande till er Telegram-bot.
2. Bekräfta att Detect Voice Or Text ruttar korrekt och att Lead Scraper Agent ger en strukturerad sökfråga som utdata.
3. Verifiera att Execute Apify Actor returnerar leaddata och att Insert New Leads skapar poster i Leads_n-mail.
4. Kontrollera att Send Telegram Confirmation levererar ett meddelande med korrekt antal.
5. När allt fungerar, växla arbetsflödet till Active för att köra automatiskt på nya Telegram-meddelanden.