Workflow-Übersicht

Dies ist ein auf der RAG-Architektur (Retrieval-Augmented Generation) basierendes System zur Generierung von Produktbeschreibungen. Es empfängt Anfragen über einen Webhook, ruft relevante Kontextinformationen aus einer Vektordatenbank ab, generiert mithilfe von KI qualitativ hochwertige Produktbeschreibungen und protokolliert die Ergebnisse in Google Sheets.

Workflow-Architektur

Auslösemechanismus

• Webhook-Trigger: POST-Endpunkt /product-description-generator, der externe Anfragen zur Generierung von Produktbeschreibungen entgegennimmt

Datenverarbeitungsprozess

1. Textvorverarbeitung

• Text Splitter: Aufteilung des Eingabetextes in Blöcke
  • Blockgröße: 400 Zeichen
  • Überlappungsbereich: 40 Zeichen
  • Sicherstellung der Textkohärenz und Kontexterhaltung

2. Vektorisierung und Speicherung

• Embeddings (Cohere): Erzeugung von Text-Embedding-Vektoren mithilfe des Cohere-Modells embed-english-v3.0
• Pinecone Insert: Speicherung der vektorisierten Texte in der Pinecone-Vektordatenbank
  • Modus: insert
  • Indexname: product_description_generator

3. Abruf und Generierung

Vektorabfrage

• Pinecone Query: Abruf relevanter Produktinformationen aus der Vektordatenbank
• Vector Tool: Kapselung der Abfragefunktion als Tool für den RAG-Agenten

KI-Generierung

• Chat-Modell (Anthropic): Verwendung von Claude als Sprachmodell
• Window Memory: Verwaltung des Gesprächskontexts zur Unterstützung mehrstufiger Interaktionen
• RAG-Agent: Zentraler Agentenknoten
  • System-Prompt: „You are an assistant for Product Description Generator“
  • Integration der Abfrageergebnisse und des Gesprächsgedächtnisses
  • Generierung konformer Produktbeschreibungen

Ausgabe und Überwachung

Erfolgreiche Verarbeitung

• Append Sheet: Anhängen der Ergebnisse an Google Sheets
  • Dokument: Product Description Generator
  • Arbeitsblatt: Log
  • Protokollierte Felder: Status

Fehlerbehandlung

• Slack Alert: Versand einer Fehlermeldung an den Kanal #alerts
  • Nachrichtenformat: „Product Description Generator error: {Fehlermeldung}“

Technologie-Stack

KI-/ML-Komponenten

• Vektordatenbank: Pinecone
• Embedding-Modell: Cohere embed-english-v3.0
• Sprachmodell: Anthropic Claude
• Speichersystem: Window Buffer Memory

Integrationsservices

• Webhook: HTTP-POST-Schnittstelle
• Google Sheets: Datenaufzeichnung
• Slack: Alarmbenachrichtigungen

Datenfluss

Webhook-Anfrage  
  ↓  
Textsegmentierung  
  ↓  
Vektor-Embedding (Cohere)  
  ↓  
[Parallele Pfade]  
  ├─→ Vektorspeicherung (Pinecone Insert)  
  └─→ Vektorabfrage (Pinecone Query)  
        ↓  
      Vector Tool  
        ↓  
    RAG-Agent (Kombination aus Abfrageergebnissen + Gesprächsgedächtnis + Claude)  
        ↓  
    [Bedingte Verzweigung]  
      ├─→ Erfolg: Protokollierung in Google Sheets  
      └─→ Fehler: Slack-Benachrichtigung  

Kernfunktionen

1. RAG-Architektur: Kombination aus Vektorabfrage und generativer KI zur Gewährleistung der Beschreibungsgenauigkeit
2. Kontextbeibehaltung: Window Memory ermöglicht dialogbasierte Interaktion
3. Segmentierte Verarbeitung: Intelligente Textaufteilung zur Verarbeitung langer Eingabetexte
4. Protokollierung: Google Sheets erfasst sämtliche Verarbeitungsstatus
5. Fehlerüberwachung: Echtzeit-Benachrichtigungen über Slack zur schnellen Problemerkennung

Anwendungsfälle

• Automatische Generierung von E-Commerce-Produktbeschreibungen
• Massenhafte Optimierung von SKU-Beschreibungen
• Erstellung mehrsprachiger Produkttexte
• Umschreibung bestehender Beschreibungen auf Basis historischer Daten

Konfigurationsanforderungen

API-Zugangsdaten

• Cohere-API (Embedding-Dienst)
• Pinecone-API (Vektordatenbank)
• Anthropic-API (Sprachmodell)
• Google Sheets OAuth2 (Datenaufzeichnung)
• Slack-API (Alarmbenachrichtigungen)

Pinecone-Einstellungen

• Indexname: product_description_generator
• Der Index muss vorab erstellt und hinsichtlich der Dimension mit dem Cohere-Modell kompatibel konfiguriert werden