Visão Geral do Fluxo de Trabalho

Este é um fluxo de trabalho automatizado do N8n chamado "Weekly Shopify Sales Summary" (Resumo Semanal de Vendas da Shopify), projetado para processar e analisar dados de vendas da Shopify. O fluxo combina a tecnologia RAG (Retrieval-Augmented Generation), armazenamento em banco de dados vetorial e modelos de IA conversacional para oferecer funcionalidades inteligentes de processamento e resumo dos dados de vendas.

Arquitetura do Fluxo de Trabalho

Mecanismo de Disparo

• Gatilho Webhook: Acionado por uma requisição POST no caminho /weekly-shopify-sales-summary
• Permite que sistemas externos ou tarefas agendadas iniciem o processo de tratamento de dados via requisição HTTP

Fluxo Principal de Processamento

1. Fase de Pré-processamento de Dados

Divisor de Texto (Text Splitter)

• Divide os dados recebidos em blocos menores de texto
• Tamanho do bloco (Chunk Size): 400 caracteres
• Sobreposição entre blocos (Chunk Overlap): 40 caracteres
• Objetivo: otimizar o processamento vetorial subsequente e a eficiência na recuperação de informações

2. Vetorização e Armazenamento

Modelo de Embeddings

• Utiliza o modelo embed-english-v3.0 da Cohere
• Converte os dados textuais em representações vetoriais
• Conecta-se à API da Cohere para realizar o processamento de embeddings

Banco de Dados Vetorial Pinecone

• Modo de Inserção (Pinecone Insert): Armazena os dados vetorizados no índice chamado weekly_shopify_sales_summary
• Modo de Consulta (Pinecone Query): Recupera dados vetoriais relevantes do mesmo índice
• Fornece armazenamento persistente e funcionalidade de busca semântica

3. Camada de Processamento Inteligente com IA

Agente RAG (RAG Agent)

• Prompt do sistema: "You are an assistant for Weekly Shopify Sales Summary"
• Integra diversos componentes de IA para trabalhar em conjunto:

Modelo Conversacional (Chat Model)

• Usa o modelo Claude da Anthropic
• Responsável por gerar respostas inteligentes e análises de dados

Ferramenta Vetorial (Vector Tool)

• Nome: "Pinecone"
• Descrição: "Vector context"
• Fornece ao agente RAG a capacidade de recuperar contexto vetorial

Memória com Janela (Window Memory)

• Mantém o histórico da sessão
• Garante coerência no contexto das conversas

4. Saída e Monitoramento

Integração com Google Sheets (Append Sheet)

• Tipo de operação: adicionar dados
• Documento alvo: planilha do Google com ID SHEET_ID
• Aba alvo: aba chamada "Log"
• Registra o status e os resultados do processamento

Tratamento de Erros (Alerta no Slack)

• Canal de monitoramento: #alerts
• Em caso de falha no fluxo, envia automaticamente uma mensagem de erro para o Slack
• Formato da mensagem: Weekly Shopify Sales Summary error: {detalhes do erro}

Integrações Técnicas

Credenciais de API Necessárias

1. API da Cohere: para geração de embeddings
2. API do Pinecone: para armazenamento em banco de dados vetorial
3. API da Anthropic: para uso do modelo Claude
4. OAuth2 do Google Sheets: para gravação de dados
5. API do Slack: para notificações de erro

Topologia de Conexões

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

Características do Fluxo de Trabalho

Vantagens

1. Processamento Inteligente: Combina tecnologia RAG e grandes modelos de linguagem para análise inteligente de dados
2. Escalabilidade: Banco de dados vetorial suporta armazenamento massivo e recuperação rápida
3. Mecanismo de Tolerância a Falhas: Sistema robusto de tratamento de erros e alertas
4. Persistência de Dados: Registro no Google Sheets garante rastreabilidade
5. Consciência de Contexto: Memória com janela mantém a coerência nas interações

Casos de Uso

• Resumo automatizado de dados de vendas
• Análise periódica de tendências de vendas
• Sistema de perguntas e respostas inteligente (sobre dados de vendas)
• Geração automática de relatórios de vendas

Estatísticas dos Nós

• Número total de nós: 12
• Nós de disparo: 1 (Webhook)
• Nós de IA/ML: 7 (Text Splitter, Embeddings, 2 nós Pinecone, Vector Tool, Memory, Chat Model)
• Nós de integração: 2 (Google Sheets, Slack)
• Outros nós: 2 (Sticky Note, RAG Agent)

Configurações de Execução

• Versão da ordem de execução: v1
• Contagem de gatilhos: 1