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 arbeider med AI-agenter, må ofte rå JSON-responser fra API-er renses og omstruktureres før de kan brukes effektivt. Målet med dette steget er å ta ubehandlet data fra Rainforest HTTP-noden, forenkle det til en enkelt, LLM-vennlig datapakke, og sende det inn i AI-agenten uten å støte på det fryktede `"[object Object]"`-problemet.

### Sjekk hva HTTP-noden faktisk returnerte

Rainforest HTTP-forespørselen gir allerede alt du trenger for å bygge et meningsfullt produktsammendrag:

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

Dette er mer enn nok data for AI-analyse, så det er ikke nødvendig å sende en ny forespørsel. I stedet skal du arbeide med det som allerede er tilgjengelig.

Dersom du drar produktobjektet inn i AI-agentens **context**-felt, vil du merke at n8n viser `[object Object]`. Dette skjer fordi context-feltet forventer ren tekst, ikke et nestet objekt. Selv om LLM-er kan lese JSON, aksepterer feltet kun en streng, så du må **flate ut** og **konvertere** dataene til tekst først.

### Normalisering av data med en Code-node

Rett etter HTTP-forespørselen, legg til en **Code**-node.
Du kan bruke ChatGPT til å generere transformasjonslogikken for deg, del bare Rainforest-utdataene og be om:

Lim inn koden i noden, sett den til å kjøre én gang for alle elementer, og kjør. Du skal nå se ett ryddig objekt med alle produktdata samlet og klart.

Hvis AI-agenten fortsatt viser `[object Object]`, betyr det at strukturen er riktig, men fortsatt ikke gjort om til streng. I så fall, oppdater Code-noden din til å gi følgende ut:

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

eller bruk en **Aggregate**-node for å slå sammen alt til én liste før du gjør det om til streng.

Du koder faktisk ikke her, du tester bare kode generert av en LLM. Hvis noe feiler, kopier den nøyaktige feilmeldingen tilbake til ChatGPT og la den fikse det for deg.

Merk

### Koble til AI-agenten

Når utdataene ser riktige ut, legg til **AI Agent**-noden din (Gemini, OpenAI, osv.) og lim inn systemprompten i **Instruction**-feltet. For eksempel:

Kjør arbeidsflyten. Modellen skal nå generere et ryddig, strukturert sammendrag som inkluderer:

* Et kort produktbilde;
* Hva som fungerer (vurderinger, A+-innhold, merker);
* Hva som trekker ned (få bilder, manglende nøkkelord);
* Forbedringer og nøkkelordforslag.

Hvis du ønsker at modellen skal stille oppklarende spørsmål før den svarer, legg bare til denne linjen i prompten din:

Hva er hovedårsaken til at AI-agenten i n8n viser [object Object] når du sender data fra Rainforest API direkte inn i kontekstfeltet?

n8n er en fleksibel automatiseringsplattform for å koble sammen apper, transformere data og bygge AI-drevne arbeidsflyter. Du vil utvikle solide grunnleggende ferdigheter gjennom virkelige, praktiske eksempler, som dekker utløsere, håndtering av JSON, teori om dataflyt, AI-integrasjon, webhooks og komplette automatiseringsprosesser. Fokuset er på å forstå hvordan informasjon beveger seg gjennom en arbeidsflyt og hvordan denne informasjonen kan struktureres slik at noder og API-er oppfører seg forutsigbart. Resultatet er evnen til å designe, feilsøke og levere pålitelige automatiseringer som fungerer fra ende til ende.

En praktisk oversikt over n8ns miljø, kjerneverktøy og tankesett som kreves for å bygge automatiseringer. Konsepter inkluderer effektiv bruk av AI, forståelse av hvordan data flyter gjennom noder, import av maler og omforming av rådata til strukturert output.

En grundig gjennomgang av de essensielle komponentene i arbeidsflyter. Utløsere, datamanipuleringsnoder, HTTP-forespørsler, webhooks og flytkontrolllogikk. Materialet gir en tydelig mental modell for hvordan kjøringer starter, hvordan data formes, og hvordan rutingsbeslutninger tas.

En grundig gjennomgang av hvordan n8n representerer og behandler data. Temaer inkluderer JSON-struktur, lesing av komplette payloads, reparasjon av ugyldig JSON, håndtering av arrayer og objekter, samt arbeid med binære filer. Målet er forutsigbar og trygg datahåndtering i alle arbeidsflyter.

En trinnvis omforming av en ODT-plan til en strukturert automatiseringsmal. Materialet dekker pålitelige RSS-feeder, klargjøring av data for LLM-er, generering av tweets med Airtable-løkker, utforming av resultatbaserte flyter og kartlegging av hele arbeidsflyten i Miro.

En komplett gjennomgang fra innledende konsept til endelig resultat. Emner inkluderer strukturering av flyten, normalisering av API-data, løkker, feilsikring og tilbakeskriving til Airtable med en raffinert automatisering som demonstrerer ende-til-ende pålitelighet og klarhet.

Normalisering av Produktdata for KI

Sjekk hva HTTP-noden faktisk returnerte

Normalisering av data med en Code-node

Koble til AI-agenten