Summary  
The chapter explains how to normalize nested JSON API responses into a single, flattened and stringified data packet using code transformations so it can be supplied as context to an AI agent without triggering “[object Object]” errors.

General domain of usage  
E-commerce product listing optimization

Når du arbejder med AI-agenter, kræver rå JSON-svar fra API'er ofte oprydning og omstrukturering, før de kan anvendes effektivt. Målet med dette trin er at tage de ubehandlede data fra Rainforest HTTP-noden, forenkle dem til en enkelt, LLM-venlig datapakke og sende dem ind i AI-agenten uden at støde på det frygtede `"[object Object]"`-problem.

### Undersøg hvad HTTP-noden faktisk returnerede

Rainforest HTTP Request leverer allerede alt, hvad du behøver for at opbygge et meningsfuldt produktsammendrag:

* **asin**;
* **title**;
* **brand**;
* **categories**;
* **rating** og **total_reviews**;
* **images**;
* **bullet points**;
* **rank / BSR**;
* **offers** og **buy box**;
* **keyword list**.

Dette er mere end tilstrækkelige data til AI-analyse, så der er ingen grund til at foretage en ny forespørgsel. I stedet arbejder du med de allerede tilgængelige oplysninger.

Hvis du trækker produktobjektet ind i AI-agentens **context**-felt, vil du bemærke, at n8n viser `[object Object]`. Dette sker, fordi context-feltet forventer almindelig tekst og ikke et indlejret objekt. Selvom LLM'er kan læse JSON, accepterer feltet kun en streng, så du skal **flade ud** og **konvertere** dataene til tekst først.

### Normalisering af data med en Code-node

Lige efter HTTP Request, tilføj en **Code**-node.
Du kan bruge ChatGPT til at generere transformationslogikken for dig; del blot Rainforest-outputtet og spørg:

Indsæt den kode i noden, indstil den til at køre én gang for alle elementer, og udfør. Du bør nu se ét samlet objekt med alle produktdata grupperet og klar.

Hvis AI Agent stadig viser `[object Object]`, betyder det, at strukturen er korrekt, men endnu ikke konverteret til en streng. Opdater i så fald din Code-node til at returnere:

```js
return [{ json: { data: JSON.stringify(items[0].json) } }];
```

eller brug en **Aggregate**-node til at samle alt i én liste, før du konverterer til streng.

Du koder faktisk ikke her, men tester kode genereret af en LLM. Hvis noget fejler, skal du kopiere den præcise fejlmeddelelse tilbage i ChatGPT og lade den rette det for dig.

Bemærk

### Tilslutning til AI Agent

Når outputtet ser korrekt ud, skal du tilføje din **AI Agent**-node (Gemini, OpenAI osv.) og indsætte din systemprompt i **Instruction**-feltet. For eksempel:

Kør workflowet. Modellen bør nu generere et rent, struktureret resumé, der inkluderer:

* Et kort produktresumé;
* Hvad der fungerer (bedømmelser, A+ indhold, mærker);
* Hvad der skader (få billeder, manglende nøgleord);
* Løsningsforslag og idéer til nøgleord.

Hvis du ønsker, at modellen skal stille opklarende spørgsmål før den svarer, skal du blot tilføje denne linje til din prompt:

Hvad er hovedårsagen til, at AI Agent i n8n viser [object Object], når du sender data fra Rainforest API direkte ind i context-feltet?

n8n er en fleksibel automatiseringsplatform til at forbinde apps, transformere data og opbygge AI-drevne arbejdsgange. Du opnår solide grundlæggende færdigheder gennem virkelige, praktiske eksempler, der dækker triggere, JSON-håndtering, dataflow-teori, AI-integration, webhooks og komplette automatiseringsopbygninger. Fokus er på at forstå, hvordan information bevæger sig gennem en arbejdsgang, og hvordan denne information struktureres, så noder og API'er opfører sig forudsigeligt. Resultatet er evnen til at designe, fejlfinde og implementere pålidelige automatiseringer, der fungerer fra ende til anden.

En praktisk oversigt over n8n's miljø, kerneværktøjer og den nødvendige tankegang for at opbygge automatiseringer. Begreber omfatter effektiv anvendelse af AI, forståelse af hvordan data flyder gennem noder, import af skabeloner og omdannelse af rå input til struktureret output.

En fokuseret gennemgang af de væsentlige arbejdsgangskomponenter. Triggere, datamanipulationsnoder, HTTP-forespørgsler, webhooks og flowkontrollogik. Materialet opbygger en klar mental model for, hvordan eksekveringer starter, hvordan data formes, og hvordan rutevalg træffes.

En grundig gennemgang af, hvordan n8n repræsenterer og behandler data. Emner omfatter JSON-struktur, læsning af komplette payloads, reparation af defekt JSON, håndtering af arrays og objekter samt arbejde med binære filer. Målet er forudsigelig og sikker datahåndtering på tværs af alle workflows.

En trinvis omdannelse af en ODT-plan til en struktureret automatiseringsplan. Materialet dækker pålidelige RSS-feeds, forberedelse af data til LLM'er, generering af tweets med Airtable-løkker, design af resultatbaserede flows og kortlægning af hele workflowet i Miro.

En komplet opbygning fra det indledende koncept til det endelige output. Emner omfatter strukturering af flowet, normalisering af API-data, løkker, fejlsikring og tilbageskrivning til Airtable med en gennemarbejdet automatisering, der demonstrerer pålidelighed og klarhed fra ende til anden.

Normalisering af Produktdata til AI

Undersøg hvad HTTP-noden faktisk returnerede

Normalisering af data med en Code-node

Tilslutning til AI Agent