Steg 2: Anslut WooCommerce och spårningsdatakällor

Konfigurera WooCommerce-verktygen och spårnings-API-anropet som agenten använder för att besvara frågor om order och leveranser.

1. Öppna Fetch Single Order och ställ in Resource på order, Operation på get och Order ID på ={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Order_ID', `Order Details Retrieval Process:\n1. Request Order Number\n - Explicitly ask customer for the complete order number\n\n2. Identity Verification\n - Ask for the email address associated with the order\n - Strictly verify that the provided email matches the order record\n - If email does NOT match the order:\n * Immediately halt the process\n * Inform customer that the email is incorrect\n * Do NOT provide the correct email\n * Prevent access to order details\n\n3. Verification Criteria\n - Exact match of email to order record is mandatory\n - No exceptions or workarounds\n - Customer must provide the precise, correct email`, 'string') }}.
2. Inloggningsuppgifter krävs: Anslut era wooCommerceApi-inloggningsuppgifter i Fetch Single Order.
3. Öppna Retrieve Order List och ställ in Operation på getAll, Search på ={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Search', ``, 'string') }} och Return All på ={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Return_All', ``, 'boolean') }}.
4. Inloggningsuppgifter krävs: Anslut era wooCommerceApi-inloggningsuppgifter i Retrieve Order List och Lookup Customer Profile.
5. Öppna Lookup Customer Profile och ställ in Email Filter på ={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Email', ``, 'string') }}, med Resource inställd på customer och Operation på getAll.
6. Konfigurera Fetch Tracking Data med URL inställd på =https://URL/wp-json/wc/v3/orders/{{ $json.order_number }} och Authentication på genericCredentialType med httpBasicAuth.
7. Inloggningsuppgifter krävs: Anslut era httpBasicAuth-inloggningsuppgifter i Fetch Tracking Data.

Steg 3: Sätt upp RAG Retrieval QA-pipelinen

Koppla ihop retriever, vector store, embeddings och Gemini-modellen för att skapa kunskapsbaserade svar från RAG-intake-endpointen.

1. Konfigurera Retrieval QA Processor med Text inställd på ={{ $json.body.search }} och behåll Prompt Type som define.
2. I Retrieval QA Processor ställer ni in System Prompt Template till =You are an assistant for question-answering tasks. Use the following pieces of retrieved context to answer the question. If you don't know the answer, just say that you don't know, don't try to make up an answer. Today is {{ $now }} ---------------- Context: {context}.
3. Anslut Gemini Chat Engine till Retrieval QA Processor som språkmodell och ställ in Model Name på models/gemini-1.5-flash.
4. Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Chat Engine.
5. Konfigurera Vector Index Retriever med Top K inställd på 5 och anslut den till Retrieval QA Processor som retriever.
6. Sätt upp Qdrant Vector Store A med Qdrant Collection inställd på [YOUR_ID] och anslut den till Vector Index Retriever.
7. Inloggningsuppgifter krävs: Anslut era qdrantApi-inloggningsuppgifter i Qdrant Vector Store A.
8. Anslut OpenAI Embedding Builder till Qdrant Vector Store A som embedding-källa.
9. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Embedding Builder.

Steg 4: Sätt upp after-sales support-agenten och verktygen

Konfigurera AI-agenten som hanterar ordersupport, tillsammans med dess verktygskedja och språkmodell.

1. Konfigurera After-Sales Support Agent med Text inställd på =Order Information: Email: {{ $json.body.email }} Order number: {{ $json.body.n_order }} och behåll Prompt Type som define.
2. Säkerställ att OpenAI Mini Chat Model är ansluten till After-Sales Support Agent som språkmodell och ställ in Model på gpt-4o-mini.
3. Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter i OpenAI Mini Chat Model.
4. Koppla verktygsnoderna Fetch Single Order, Retrieve Order List, Lookup Customer Profile, Math Utility och Tracking Workflow Tool till After-Sales Support Agent via deras AI-verktygsanslutningar.
5. Öppna Tracking Workflow Tool och bekräfta att Name är get_tracking och att Description beskriver spårningsuppslagning; ställ in Workflow ID till ert spårnings-subworkflow.

Steg 5: Konfigurera extrahering av spårningsdata och utdata för röstsvar

Extrahera spårningsdetaljer från spårnings-API:t och formatera det utgående röstsvar, och svara sedan på webhooken.

1. Koppla Triggered by Parent Flow → Fetch Tracking Data och Fetch Tracking Data → Assign Tracking Details.
2. I Assign Tracking Details lägger ni till fält för tracking_code, carrier_url och pick_up med värden inställda på ={{ $json["meta_data"].find(item => item.key === "ywot_tracking_code").value }}, ={{ $json["meta_data"].find(item => item.key === "ywot_carrier_url").value }} och ={{ $json["meta_data"].find(item => item.key === "ywot_pick_up_date").value }}.
3. Konfigurera Compose Voice Reply så att message mappas till ={{ $json.output }}.
4. Koppla After-Sales Support Agent → Compose Voice Reply → Return Voice Response.
5. Koppla Retrieval QA Processor → Return RAG Reply för att returnera kunskapsbassvar direkt från RAG-flödet.

Steg 6: Testa och aktivera ert workflow

Validera båda webhook-vägarna och bekräfta att ni får rätt svar innan ni aktiverar workflowet.

1. Klicka på Execute Workflow och skicka en POST-förfrågan till RAG Intake Webhook med ett body.search-värde för att verifiera att Return RAG Reply svarar med ett svar.
2. Skicka en POST-förfrågan till Incoming Support Webhook med body.email och body.n_order för att verifiera att Return Voice Response returnerar ett formaterat message.
3. För validering av spårning kör ni subworkflowet som triggas av Triggered by Parent Flow och bekräftar att Assign Tracking Details matar ut tracking_code, carrier_url och pick_up.
4. När resultaten stämmer växlar ni workflowet till Active för att aktivera användning i produktion.