Workflow-Übersicht

Dies ist ein N8n-Automatisierungsworkflow mit dem Namen „Weekly Shopify Sales Summary“ (Wöchentliche Shopify-Verkaufszusammenfassung), der zur Verarbeitung und Analyse von Shopify-Verkaufsdaten dient. Der Workflow kombiniert RAG-Technologie (Retrieval-Augmented Generation), Vektordatenbank-Speicherung und KI-Chatmodelle, um intelligente Verarbeitungs- und Zusammenfassungsfunktionen für Verkaufsdaten bereitzustellen.

Workflow-Architektur

Auslösemechanismus

• Webhook-Trigger: Der Workflow wird durch eine POST-Anfrage auf dem Pfad /weekly-shopify-sales-summary ausgelöst.
• Externe Systeme oder zeitgesteuerte Aufgaben können den Datenverarbeitungsprozess per HTTP-Anfrage starten.

Kernverarbeitungsprozess

1. Datenvorverarbeitungsphase

Text Splitter (Textteiler)

• Empfangene Daten werden in kleinere Textblöcke unterteilt.
• Blockgröße (Chunk Size): 400 Zeichen
• Blocküberlappung (Chunk Overlap): 40 Zeichen
• Ziel: Optimierung der nachfolgenden Vektorisierung und Abrufeffizienz

2. Vektorisierung und Speicherung

Embeddings-Modell

• Verwendet Cohere’s Modell embed-english-v3.0
• Wandelt Textdaten in Vektordarstellungen um
• Stellt die Verbindung zur Cohere-API zur Einbettungsverarbeitung her

Pinecone-Vektordatenbank

• Einfügemodus (Pinecone Insert): Vektorisierte Daten werden im Index weekly_shopify_sales_summary gespeichert.
• Abfragemodus (Pinecone Query): Ruft relevante Vektordaten aus demselben Index ab.
• Ermöglicht langfristige Datenspeicherung und semantische Suche

3. KI-gestützte Verarbeitungsschicht

RAG-Agent

• System-Prompt: „You are an assistant for Weekly Shopify Sales Summary“
• Integriert mehrere KI-Komponenten zu einem koordinierten Arbeitsablauf:

Chat-Modell

• Nutzt Anthropic’s Claude-KI-Modell
• Generiert intelligente Antworten und führt Datenanalysen durch

Vektor-Tool

• Name: „Pinecone“
• Beschreibung: „Vector context“
• Stellt dem RAG-Agenten die Fähigkeit zur vektorbasierten Kontextabfrage bereit

Fenster-basiertes Gedächtnis (Window Memory)

• Verwaltet Verlaufsdaten der Sitzung
• Stellt die Kohärenz des Gesprächskontexts sicher

4. Ausgabe und Überwachung

Google Sheets-Integration (Append Sheet)

• Operationstyp: Daten anhängen
• Ziel-Dokument: Google-Tabelle mit der ID SHEET_ID
• Ziel-Arbeitsblatt: Blatt namens „Log“
• Protokolliert Verarbeitungsstatus und Ergebnisse

Fehlerbehandlung (Slack-Benachrichtigung)

• Überwachungskanal: #alerts
• Bei Fehlern im Workflow wird automatisch eine Fehlermeldung an Slack gesendet.
• Nachrichtenformat: Weekly Shopify Sales Summary error: {Fehlerdetails}

Technologiestack-Integration

API-Anmeldeinformationen erforderlich

1. Cohere-API: Für Texteinbettungen
2. Pinecone-API: Für Vektordatenbankspeicherung
3. Anthropic-API: Für das Claude-KI-Modell
4. Google Sheets OAuth2: Für Datenaufzeichnung
5. Slack-API: Für Fehlerbenachrichtigungen

Verbindungstopologie

Webhook → Text Splitter → Embeddings → Pinecone Insert
                                    ↓
                               Pinecone Query → Vector Tool
                                                      ↓
Window Memory ←────────────────────────────→ RAG Agent → Append Sheet
                                                      ↓
Chat Model ──────────────────────────────────┘   (Error) → Slack Alert

Workflow-Merkmale

Vorteile

1. Intelligente Verarbeitung: Kombination von RAG-Technologie und großen Sprachmodellen ermöglicht intelligente Datenanalyse
2. Skalierbarkeit: Vektordatenbank unterstützt großvolumige Datenspeicherung und schnellen Abruf
3. Fehlertoleranz: Umfassendes Fehlerbehandlungs- und Alarmierungssystem
4. Datenpersistenz: Protokollierung in Google Sheets gewährleistet Nachvollziehbarkeit
5. Kontextbewusstsein: Fenster-basiertes Gedächtnis erhält die Kohärenz des Gesprächsverlaufs

Anwendungsfälle

• Automatisierte Zusammenfassung von Verkaufsdaten
• Periodische Analyse von Verkaufstrends
• Intelligente Frage-Antwort-Systeme (zu Verkaufsdaten)
• Automatische Generierung von Verkaufsberichten

Knotenstatistik

• Gesamtanzahl der Knoten: 12
• Trigger-Knoten: 1 (Webhook)
• KI/ML-Knoten: 7 (Text Splitter, Embeddings, 2× Pinecone, Vector Tool, Memory, Chat Model)
• Integrationsknoten: 2 (Google Sheets, Slack)
• Sonstige Knoten: 2 (Sticky Note, RAG Agent)

Ausführungseinstellungen

• Ausführungsreihenfolge-Version: v1
• Anzahl der Trigger: 1