Resumen del flujo de trabajo

Este es un flujo de trabajo automatizado en N8n llamado "Weekly Shopify Sales Summary" (Resumen semanal de ventas de Shopify), diseñado para procesar y analizar datos de ventas de Shopify. Combina la técnica RAG (Recuperación Aumentada por Generación), almacenamiento en bases de datos vectoriales y modelos de chat con IA para ofrecer un procesamiento inteligente y resúmenes automáticos de los datos de ventas.

Arquitectura del flujo de trabajo

Mecanismo de activación

• Activador Webhook: Se inicia mediante una solicitud POST en la ruta /weekly-shopify-sales-summary.
• Permite que sistemas externos o tareas programadas activen el flujo de procesamiento de datos mediante solicitudes HTTP.

Flujo principal de procesamiento

1. Etapa de preprocesamiento de datos

Divisor de texto (Text Splitter)

• Divide los datos recibidos en fragmentos de texto más pequeños.
• Tamaño del fragmento (Chunk Size): 400 caracteres.
• Solapamiento entre fragmentos (Chunk Overlap): 40 caracteres.
• Objetivo: optimizar el procesamiento vectorial posterior y la eficiencia en la recuperación.

2. Vectorización y almacenamiento

Modelo de incrustaciones (Embeddings)

• Utiliza el modelo embed-english-v3.0 de Cohere.
• Convierte los datos de texto en representaciones vectoriales.
• Se conecta a la API de Cohere para realizar el procesamiento de incrustaciones.

Base de datos vectorial Pinecone

• Modo de inserción (Pinecone Insert): Almacena los datos vectorizados en un índice llamado weekly_shopify_sales_summary.
• Modo de consulta (Pinecone Query): Recupera datos vectoriales relevantes desde el mismo índice.
• Habilita almacenamiento persistente y búsqueda semántica.

3. Capa de procesamiento inteligente con IA

Agente RAG (RAG Agent)

• Indicación del sistema: "You are an assistant for Weekly Shopify Sales Summary".
• Integra múltiples componentes de IA para trabajar en conjunto:

Modelo de chat (Chat Model)

• Utiliza el modelo de IA Claude de Anthropic.
• Genera respuestas inteligentes y realiza análisis de datos.

Herramienta vectorial (Vector Tool)

• Nombre: "Pinecone".
• Descripción: "Vector context".
• Proporciona al agente RAG la capacidad de recuperar contexto vectorial.

Memoria de ventana (Window Memory)

• Conserva el historial de la conversación.
• Garantiza coherencia en el contexto del diálogo.

4. Salida y monitoreo

Integración con Google Sheets (Append Sheet)

• Tipo de operación: añadir datos al final.
• Documento objetivo: hoja de cálculo de Google con ID SHEET_ID.
• Hoja objetivo: pestaña llamada "Log".
• Registra el estado y resultados del procesamiento.

Gestión de errores (Alerta en Slack)

• Canal de monitoreo: #alerts.
• En caso de error en el flujo, envía automáticamente un mensaje a Slack.
• Formato del mensaje: Weekly Shopify Sales Summary error: {detalles del error}.

Integración de tecnologías

Credenciales de API requeridas

1. API de Cohere: para incrustaciones de texto.
2. API de Pinecone: para almacenamiento en base de datos vectorial.
3. API de Anthropic: para el modelo de IA Claude.
4. OAuth2 de Google Sheets: para registrar datos.
5. API de Slack: para notificaciones de error.

Topología de conexiones

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

Características del flujo de trabajo

Ventajas

1. Procesamiento inteligente: combina tecnología RAG y modelos de lenguaje avanzados para análisis inteligente de datos.
2. Escalabilidad: la base de datos vectorial permite almacenar grandes volúmenes de datos y realizar búsquedas rápidas.
3. Mecanismos de tolerancia a fallos: sistema completo de manejo de errores y alertas.
4. Persistencia de datos: los registros en Google Sheets garantizan trazabilidad.
5. Conciencia contextual: la memoria de ventana mantiene la coherencia en las conversaciones.

Casos de uso

• Resúmenes automatizados de datos de ventas.
• Análisis periódico de tendencias de ventas.
• Sistema de preguntas inteligentes sobre datos de ventas.
• Generación automática de informes de ventas.

Estadísticas de nodos

• Número total de nodos: 12.
• Nodo de activación: 1 (Webhook).
• Nodos de IA/ML: 7 (Text Splitter, Embeddings, 2 nodos Pinecone, Vector Tool, Memory, Chat Model).
• Nodos de integración: 2 (Google Sheets, Slack).
• Otros nodos: 2 (Sticky Note, RAG Agent).

Configuración de ejecución

• Versión de secuencia de ejecución: v1.
• Número de activadores: 1.