Workflow-Übersicht

Dies ist ein intelligentes System zur Klassifizierung der Dringlichkeit von Support-Tickets, das auf der RAG-Architektur (Retrieval-Augmented Generation) basiert. Der Workflow empfängt Ticket-Daten über einen Webhook, speichert und ruft historische Ticket-Informationen mithilfe der Pinecone-Vektordatenbank ab, kombiniert diese mit dem großen Sprachmodell Anthropic Claude zur intelligenten Analyse und Klassifizierung und protokolliert schließlich das Ergebnis in Google Sheets. Im Fehlerfall wird zudem eine Alarmmeldung über Slack versendet.

Kernfunktionen

Der Workflow realisiert einen End-to-End-Automatisierungsprozess für Tickets:

1. Datenempfang und Vorverarbeitung: Empfang von Ticket-Daten über einen POST-Webhook
2. Textvektorisierung: Aufteilung des Ticket-Inhalts in Blöcke und Umwandlung in Vektoren
3. Wissensdatenbank-Verwaltung: Speicherung und Abruf relevanter Ticket-Informationen in der Pinecone-Vektordatenbank
4. Intelligente Analyse: Einsatz eines KI-Agenten zur Beurteilung der Dringlichkeit unter Einbeziehung historischer Daten
5. Ergebnisdokumentation: Automatische Speicherung der Klassifizierungsergebnisse in Google Sheets
6. Fehlerüberwachung: Echtzeit-Benachrichtigung per Slack bei Fehlern

Detaillierte Knotenanalyse

1. Webhook-Trigger (Einstiegsknoten)

Knotentyp: n8n-nodes-base.webhook
Konfigurationsparameter:

• HTTP-Methode: POST
• Pfad: ticket-urgency-classification
• Position: (-300, 0)

Funktionsbeschreibung: Dient als Auslöser des Workflows und empfängt Ticket-Daten aus externen Systemen. Sobald ein neues Ticket erstellt wird, werden dessen Informationen per POST-Anfrage an diesen Knoten übermittelt.

Ausgangsverbindungen:

• Hauptausgang zu Text Splitter (Textsegmentierung)
• Gleichzeitig verbunden mit Window Memory (Sitzungsspeicher)

2. Text Splitter (Textsegmentierer)

Knotentyp: @n8n/n8n-nodes-langchain.textSplitterCharacterTextSplitter
Konfigurationsparameter:

• Blockgröße: 400 Zeichen
• Überlappungslänge: 40 Zeichen
• Position: (-130, 0)

Funktionsbeschreibung: Teilt den empfangenen Ticket-Text in gleich große Segmente auf, um die anschließende Vektorisierung zu ermöglichen. Die 40-Zeichen-Überlappung gewährleistet Kontextkontinuität und verhindert den Verlust wichtiger Informationen an Segmentgrenzen.

Ausgangsverbindungen:

• Hauptausgang zu Embeddings
• AI-Textsegmentierungsausgang zu Pinecone Insert

3. Embeddings (Vektor-Einbettung)

Knotentyp: @n8n/n8n-nodes-langchain.embeddingsCohere
Konfigurationsparameter:

• Modell: embed-english-v3.0
• Position: (70, 0)
• Anmeldeinformationen: Cohere API

Funktionsbeschreibung: Wandelt Textblöcke mithilfe des Cohere-Einbettungsmodells in Vektoren um. Dieses Modell ist speziell für englischen Text optimiert und erfasst semantische Inhalte präzise.

Ausgangsverbindungen:

• AI-Einbettungsausgang verbindet sich gleichzeitig mit:
  • Pinecone Insert (Vektorspeicherung)
  • Pinecone Query (Vektorabfrage)

4. Pinecone Insert (Vektorspeicher – Einfügen)

Knotentyp: @n8n/n8n-nodes-langchain.vectorStorePinecone
Konfigurationsparameter:

• Modus: insert (Einfügen)
• Indexname: ticket_urgency_classification
• Position: (270, 0)
• Anmeldeinformationen: Pinecone API

Funktionsbeschreibung: Speichert die vektorisierte Darstellung des Tickets in der Pinecone-Vektordatenbank und baut so eine Wissensdatenbank historischer Tickets auf. Jedes neue Ticket wird dem Index hinzugefügt, um später ähnliche Tickets abrufen zu können.

5. Pinecone Query (Vektorabfrage – Suchen)

Knotentyp: @n8n/n8n-nodes-langchain.vectorStorePinecone
Konfigurationsparameter:

• Indexname: ticket_urgency_classification
• Position: (270, -180)
• Anmeldeinformationen: Pinecone API

Funktionsbeschreibung: Ruft aus der Pinecone-Vektordatenbank die historischen Tickets ab, die dem aktuellen Ticket am ähnlichsten sind. Mithilfe der Vektorsimilarität werden semantisch verwandte Fälle identifiziert, die als Referenz für die Klassifizierung dienen.

Ausgangsverbindung: AI-Vektorspeicherausgang zu Vector Tool

6. Vector Tool (Vektorwerkzeug)

Knotentyp: @n8n/n8n-nodes-langchain.toolVectorStore
Konfigurationsparameter:

• Werkzeugname: Pinecone
• Beschreibung: Vector context
• Position: (450, -180)

Funktionsbeschreibung: Kapselt die Vektorabfrage-Fähigkeit als aufrufbares Werkzeug für den KI-Agenten. Der Agent kann über dieses Werkzeug gezielt relevante historische Ticket-Informationen abrufen.

Ausgangsverbindung: AI-Werkzeugausgang zu RAG Agent

7. Window Memory (Gleitender Fensterspeicher)

Knotentyp: @n8n/n8n-nodes-langchain.memoryBufferWindow
Version: 1.3
Position: (450, -40)

Funktionsbeschreibung: Stellt dem KI-Agenten Kurzzeitspeicher bereit, um den jüngsten Dialogkontext zu speichern. Dadurch kann der Agent Zusammenhänge in mehrstufigen Gesprächen verstehen.

Ausgangsverbindung: AI-Speicherausgang zu RAG Agent

8. Chat Model (Sprachmodell)

Knotentyp: @n8n/n8n-nodes-langchain.lmChatAnthropic
Position: (450, -340)
Anmeldeinformationen: Anthropic API

Funktionsbeschreibung: Nutzt das große Sprachmodell Anthropic Claude als Inferenz-Engine des Agenten. Claude analysiert den Ticket-Inhalt, bewertet relevante historische Fälle und trifft eine Entscheidung zur Dringlichkeitsstufe.

Ausgangsverbindung: AI-Sprachmodellausgang zu RAG Agent

9. RAG Agent (Retrieval-Augmented-Generation-Agent)

Knotentyp: @n8n/n8n-nodes-langchain.agent
Konfigurationsparameter:

• Prompt-Typ: define
• Text: "Handle data"
• Systemnachricht: "You are an assistant for Ticket Urgency Classification"
• Position: (720, -40)

Funktionsbeschreibung: Zentraler Entscheidungsknoten des Workflows. Dieser Agent integriert Sprachmodell, Vektorabfragewerkzeug und Speichersystem und kann:

• Inhalt und Merkmale des aktuellen Tickets analysieren
• Das Vektorwerkzeug aufrufen, um ähnliche historische Fälle abzurufen
• Unter Berücksichtigung des Kontextspeichers intelligente Entscheidungen treffen
• Das Klassifizierungsergebnis zur Dringlichkeit des Tickets ausgeben

Ausgangsverbindungen:

• Hauptausgang zu Append Sheet
• Fehlerausgang zu Slack Alert

10. Append Sheet (Datenerfassung)

Knotentyp: n8n-nodes-base.googleSheets
Konfigurationsparameter:

• Aktion: append (anhängen)
• Dokument-ID: SHEET_ID
• Arbeitsblattname: Log
• Spaltenzuordnung: Status
• Position: (930, -40)
• Anmeldeinformationen: Google Sheets OAuth2 API

Funktionsbeschreibung: Fügt das Klassifizierungsergebnis des Agenten automatisch an das Protokollblatt in Google Sheets an. Dadurch entsteht eine nachvollziehbare Historie, die für spätere Datenanalysen und Modellverbesserungen genutzt werden kann.

11. Slack Alert (Fehleralarm)

Knotentyp: n8n-nodes-base.slack
Konfigurationsparameter:

• Kanal: #alerts
• Nachrichtenvorlage: "Ticket Urgency Classification error: {$json.error.message}"
• Position: (930, 120)
• Anmeldeinformationen: Slack API

Funktionsbeschreibung: Fehlerbehandlungsknoten des Workflows. Tritt während der Ausführung des RAG-Agenten ein Fehler auf, wird automatisch eine detaillierte Fehlermeldung an den Slack-Kanal #alerts gesendet, damit das Team zeitnah reagieren und das Problem beheben kann.

12. Sticky Note (Hinweisnotiz)

Knotentyp: n8n-nodes-base.stickyNote
Konfigurationsparameter:

• Inhalt: "Placeholder for Ticket Urgency Classification"
• Höhe: 530px
• Breite: 1100px
• Farbe: 5
• Position: (-480, -240)

Funktionsbeschreibung: Visuelle Hinweisnotiz zur Dokumentation und Erläuterung des Workflows.

Datenflussanalyse

Hauptprozess

1. Ticket-Empfang → Webhook Trigger empfängt externe Ticket-Daten
2. Textverarbeitung → Text Splitter segmentiert → Embeddings vektorisiert
3. Wissensspeicherung → Pinecone Insert speichert Vektoren in der Datenbank
4. Ähnlichkeitssuche → Pinecone Query ruft relevante historische Fälle ab
5. Intelligente Analyse → RAG Agent führt Gesamtanalyse durch und klassifiziert
6. Ergebnisdokumentation → Append Sheet schreibt in Google Sheets

Hilfsprozesse

• Kontextspeicher: Webhook → Window Memory → RAG Agent
• Werkzeugaufruf: Pinecone Query → Vector Tool → RAG Agent
• Modellunterstützung: Chat Model → RAG Agent
• Fehlerbehandlung: RAG Agent (onError) → Slack Alert

Technologie-Stack

• Workflow-Engine: n8n
• Vektordatenbank: Pinecone
• Einbettungsmodell: Cohere embed-english-v3.0
• Sprachmodell: Anthropic Claude
• Datenspeicherung: Google Sheets
• Benachrichtigungssystem: Slack
• Architekturmuster: RAG (Retrieval-Augmented Generation)

Vorteile und Besonderheiten

1. Intelligenz: Automatische Beurteilung der Ticket-Dringlichkeit durch KI reduziert manuelle Eingriffe
2. Kontextbewusstsein: Durch Vektorabfrage ähnlicher historischer Fälle wird die Klassifizierungsgenauigkeit erhöht
3. Skalierbarkeit: Mit zunehmender Ticketanzahl wächst die Wissensdatenbank automatisch und verbessert kontinuierlich die Modellleistung
4. Nachvollziehbarkeit: Alle Klassifizierungsergebnisse werden in Google Sheets protokolliert – ideal für Audits und Analysen
5. Hohe Zuverlässigkeit: Automatische Fehleralarme stellen einen stabilen Systembetrieb sicher

Anwendungsszenarien

• Automatische Weiterleitung von Support-Tickets
• Priorisierung von IT-Betriebsstörungs-Tickets
• Bewertung der Dringlichkeit von Kundenfeedback
• Intelligente Weiterleitung von Supportanfragen
• Alle Szenarien, die eine automatisierte Textklassifizierung erfordern