Normalización de Datos de Productos para IA
Al trabajar con Agentes de IA, las respuestas JSON sin procesar de las APIs suelen requerir limpieza y reestructuración antes de poder utilizarse de manera efectiva. El objetivo de este paso es tomar los datos sin procesar del nodo Rainforest HTTP, simplificarlos en un único paquete de datos compatible con LLM y enviarlos al Agente de IA sin encontrarse con el temido problema de "[object Object]".
Verificar lo que realmente devolvió el nodo HTTP
La solicitud Rainforest HTTP ya proporciona todo lo necesario para construir un resumen de producto significativo:
- asin;
- title;
- brand;
- categories;
- rating y total_reviews;
- images;
- bullet points;
- rank / BSR;
- offers y buy box;
- keyword list.
Estos datos son más que suficientes para el análisis con IA, por lo que no es necesario realizar otra solicitud. En su lugar, se trabajará con la información ya disponible.
Si se arrastra el objeto del producto al campo context del Agente de IA, se observará que n8n muestra [object Object]. Esto ocurre porque el campo context espera texto plano, no un objeto anidado. Aunque los LLM pueden leer JSON, el campo solo acepta una cadena de texto, por lo que es necesario aplanar y convertir en cadena los datos primero.
Normalización de los datos con un nodo Code
Justo después de la solicitud HTTP, agregar un nodo Code. Se puede utilizar ChatGPT para generar la lógica de transformación, simplemente compartiendo la salida de Rainforest y solicitando lo siguiente:
Pega ese código en el nodo, configúralo para que se ejecute una vez para todos los elementos y ejecútalo. Ahora deberías ver un solo objeto limpio con todos los datos de productos agrupados y listos.
Si el Agente de IA aún muestra [object Object], significa que la estructura es correcta pero aún no está convertida a cadena. En ese caso, actualiza tu nodo de Código para que genere la siguiente salida:
return [{ json: { data: JSON.stringify(items[0].json) } }];
o utiliza un nodo Aggregate para combinar todo en una sola lista antes de convertirlo a cadena.
Aquí no estás programando realmente, solo probando el código generado por un LLM. Si algo falla, copia el mensaje de error exacto en ChatGPT y deja que lo solucione por ti.
Conexión con el Agente de IA
Una vez que la salida sea la correcta, agrega tu nodo AI Agent (Gemini, OpenAI, etc.) y pega tu prompt de sistema en el campo Instruction. Por ejemplo:
Ejecutar el flujo de trabajo. El modelo ahora debería generar un resumen limpio y estructurado que incluya:
- Una breve descripción del producto;
- Aspectos positivos (calificaciones, contenido A+, insignias);
- Aspectos negativos (pocas imágenes, palabras clave faltantes);
- Sugerencias de mejora e ideas de palabras clave.
Si desea que el modelo haga preguntas aclaratorias antes de responder, simplemente agregue esta línea a su prompt:
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Can you explain how to set up the Code node to normalize the data?
What should I do if the AI Agent still shows [object Object] after normalization?
How do I write an effective system prompt for the AI Agent?
Awesome!
Completion rate improved to 4.17Normalización de Datos de Productos para IA
Desliza para mostrar el menú
Al trabajar con Agentes de IA, las respuestas JSON sin procesar de las APIs suelen requerir limpieza y reestructuración antes de poder utilizarse de manera efectiva. El objetivo de este paso es tomar los datos sin procesar del nodo Rainforest HTTP, simplificarlos en un único paquete de datos compatible con LLM y enviarlos al Agente de IA sin encontrarse con el temido problema de "[object Object]".
Verificar lo que realmente devolvió el nodo HTTP
La solicitud Rainforest HTTP ya proporciona todo lo necesario para construir un resumen de producto significativo:
- asin;
- title;
- brand;
- categories;
- rating y total_reviews;
- images;
- bullet points;
- rank / BSR;
- offers y buy box;
- keyword list.
Estos datos son más que suficientes para el análisis con IA, por lo que no es necesario realizar otra solicitud. En su lugar, se trabajará con la información ya disponible.
Si se arrastra el objeto del producto al campo context del Agente de IA, se observará que n8n muestra [object Object]. Esto ocurre porque el campo context espera texto plano, no un objeto anidado. Aunque los LLM pueden leer JSON, el campo solo acepta una cadena de texto, por lo que es necesario aplanar y convertir en cadena los datos primero.
Normalización de los datos con un nodo Code
Justo después de la solicitud HTTP, agregar un nodo Code. Se puede utilizar ChatGPT para generar la lógica de transformación, simplemente compartiendo la salida de Rainforest y solicitando lo siguiente:
Pega ese código en el nodo, configúralo para que se ejecute una vez para todos los elementos y ejecútalo. Ahora deberías ver un solo objeto limpio con todos los datos de productos agrupados y listos.
Si el Agente de IA aún muestra [object Object], significa que la estructura es correcta pero aún no está convertida a cadena. En ese caso, actualiza tu nodo de Código para que genere la siguiente salida:
return [{ json: { data: JSON.stringify(items[0].json) } }];
o utiliza un nodo Aggregate para combinar todo en una sola lista antes de convertirlo a cadena.
Aquí no estás programando realmente, solo probando el código generado por un LLM. Si algo falla, copia el mensaje de error exacto en ChatGPT y deja que lo solucione por ti.
Conexión con el Agente de IA
Una vez que la salida sea la correcta, agrega tu nodo AI Agent (Gemini, OpenAI, etc.) y pega tu prompt de sistema en el campo Instruction. Por ejemplo:
Ejecutar el flujo de trabajo. El modelo ahora debería generar un resumen limpio y estructurado que incluya:
- Una breve descripción del producto;
- Aspectos positivos (calificaciones, contenido A+, insignias);
- Aspectos negativos (pocas imágenes, palabras clave faltantes);
- Sugerencias de mejora e ideas de palabras clave.
Si desea que el modelo haga preguntas aclaratorias antes de responder, simplemente agregue esta línea a su prompt:
¡Gracias por tus comentarios!
