Steg 2: Mappa och extrahera användarens intention

Normalisera fält i chattens payload och extrahera sökintention samt parametrar för produktuppslagning.

1. I Map Input Fields ställer ni in sessionId till {{ $json.sessionId }} och chatInput till {{ $json.chatInput }}.
2. Öppna Extract Search Details och ställ in Text till {{ $json.chatInput }}.
3. Behåll Schema Type som manual och klistra in den angivna JSON:en i Input Schema exakt som den visas.
4. Säkerställ att Extractor Chat Model är ansluten som språkmodell för Extract Search Details.
   Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i Extractor Chat Model (inloggningsuppgifter sätts på modellen, inte på extraktornoden).

Steg 3: Konfigurera den smarta shoppingagenten och verktygen

Agenten använder de extraherade detaljerna för att avgöra om den ska söka i WooCommerce eller hämta butiksinformation.

1. Öppna Smart Shopping Agent och ställ in Text till {{ $('Incoming Chat Trigger').item.json.chatInput }}.
2. Verifiera att System Message innehåller JSON-verktygsinstruktionen med {{ JSON.stringify($json.output) }}.
3. Säkerställ att Primary Chat Model är ansluten som språkmodell för Smart Shopping Agent.
   Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i Primary Chat Model.
4. Bekräfta att verktygen är anslutna till Smart Shopping Agent: WooCommerce Product Finder, Store Info Retriever och Math Utility Tool.
5. I WooCommerce Product Finder behåller ni Operation som getAll och ställer in filtren till uttrycken:
   sku {{ $('Extract Search Details').item.json.output.SKU }}, search {{ $('Extract Search Details').item.json.output.keyword }}, maxPrice {{ $('Extract Search Details').item.json.output.price_max }}, minPrice {{ $('Extract Search Details').item.json.output.price_min }} och stockStatus till instock.
   Inloggningsuppgifter krävs: Anslut era wooCommerceApi-inloggningsuppgifter i WooCommerce Product Finder.

Steg 4: Sätt upp hämtning av butiksinformation (Qdrant)

Hämtning av butiksinformation använder en vektorstore och embeddings för att besvara frågor om butiken.

1. Öppna Store Info Retriever och behåll name som informazioni_negozio samt den angivna beskrivningen.
2. Säkerställ att Qdrant Store Lookup är ansluten som vektorstore för Store Info Retriever.
   Inloggningsuppgifter krävs: Anslut era qdrantApi-inloggningsuppgifter i Qdrant Store Lookup.
3. Säkerställ att OpenAI Embedding Gen är ansluten till Qdrant Store Lookup som embeddingmodell.
   Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Embedding Gen.
4. Anslut Retriever Chat Model till Store Info Retriever som språkmodell.
   Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i Retriever Chat Model.

Steg 5: Bygg pipeline för dokumentinläsning (manuellt test)

Den här vägen laddar dokument från Google Drive, chunkar dem, skapar embeddings och infogar i Qdrant för att kunna hämta dem senare.

1. Öppna Manual Test Trigger för att köra inläsningsflödet vid behov.
2. I External API Request ställer ni in URL till https://[CONFIGURE_YOUR_API_KEY] och behåller Method som POST med JSON-body { "filter": {} }.
   Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i External API Request.
3. I Drive Folder List ställer ni in Resource till fileFolder och väljer rätt Drive- och mapp-ID:n för My Drive och RAG Documents.
   Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Drive Folder List.
4. I Drive File Download ställer ni in Operation till download och File ID till {{ $json.id }}, med konvertering till text/plain aktiverad.
   Inloggningsuppgifter krävs: Anslut era googleDriveOAuth2Api-inloggningsuppgifter i Drive File Download.
5. I Token Chunker ställer ni in Chunk Size till 300 och Chunk Overlap till 30.
6. Säkerställ att Binary Data Loader har Data Type inställt på binary och är ansluten till Qdrant Store Insert som dokumentkälla.
7. I Qdrant Store Insert ställer ni in Mode till insert och väljer er Qdrant-collection.
   Inloggningsuppgifter krävs: Anslut era qdrantApi-inloggningsuppgifter i Qdrant Store Insert.
8. Säkerställ att OpenAI Embedding Gen B är ansluten till Qdrant Store Insert som embeddingmodell.
   Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Embedding Gen B.

Steg 6: Konfigurera sessionsminne

Sessionsminnet behåller chattkontext mellan turer för en smidigare upplevelse med shoppingassistenten.

1. Öppna Session Buffer Memory och ställ in Session Key till {{ $('Map Input Fields').item.json.sessionId }}.
2. Ställ in Session ID Type till customKey.
3. Bekräfta att Session Buffer Memory är ansluten till Smart Shopping Agent som minnesverktyg.

Steg 7: Testa och aktivera ert arbetsflöde

Kör kontrollerade tester för att verifiera både inläsnings- och chattvägarna, och aktivera sedan för produktion.

1. Klicka på Execute Workflow på Manual Test Trigger för att validera inläsningsvägen via External API Request → Drive Folder List → Drive File Download → Qdrant Store Insert.
2. Trigga Incoming Chat Trigger med ett exempelmeddelande från en användare och bekräfta att flödet kör Map Input Fields → Extract Search Details → Smart Shopping Agent.
3. Kontrollera att WooCommerce-resultat visas när en produktintention upptäcks och att butiksfrågor använder retriever-vägen.
4. När allt fungerar växlar ni arbetsflödet till Active för användning i produktion.