Productgegevens Normaliseren voor AI
Bij het werken met AI-agenten moeten ruwe JSON-antwoorden van API's vaak worden opgeschoond en herstructureren voordat ze effectief kunnen worden gebruikt. Het doel van deze stap is om de onbewerkte gegevens van de Rainforest HTTP-node te nemen, deze te vereenvoudigen tot één, LLM-vriendelijk datapakket, en het zonder het gevreesde "[object Object]"-probleem aan de AI-agent aan te bieden.
Controleren wat de HTTP-node daadwerkelijk heeft geretourneerd
De Rainforest HTTP Request levert al alles wat nodig is om een zinvolle productsamenvatting te maken:
- asin;
- title;
- brand;
- categories;
- rating en total_reviews;
- images;
- bullet points;
- rank / BSR;
- offers en buy box;
- keyword list.
Dit is ruim voldoende data voor AI-analyse, dus het is niet nodig om een extra verzoek te doen. In plaats daarvan wordt gewerkt met de reeds beschikbare gegevens.
Wanneer het productobject naar het context-veld van de AI-agent wordt gesleept, toont n8n [object Object]. Dit gebeurt omdat het contextveld platte tekst verwacht en geen genest object. Hoewel LLM's JSON kunnen lezen, accepteert het veld zelf alleen een string. Daarom moeten de gegevens eerst worden geflattend en gestringificeerd.
Normaliseren van de gegevens met een Code-node
Voeg direct na de HTTP Request een Code-node toe. ChatGPT kan worden gebruikt om de transformatielogica te genereren; deel eenvoudigweg de Rainforest-output en vraag:
Plak die code in de node, stel in om één keer voor alle items uit te voeren en voer uit. Je zou nu één schoon object moeten zien met alle productgegevens gegroepeerd en klaar.
Als de AI Agent nog steeds [object Object] weergeeft, betekent dit dat de structuur correct is maar nog niet als string is omgezet. Werk in dat geval je Code-node bij om het volgende uit te voeren:
return [{ json: { data: JSON.stringify(items[0].json) } }];
of gebruik een Aggregate-node om alles samen te voegen tot één lijst voordat je het omzet naar een string.
Je bent hier niet echt aan het coderen, maar test alleen code die door een LLM is gegenereerd. Als er iets misgaat, kopieer dan het exacte foutbericht terug naar ChatGPT en laat het voor je oplossen.
Verbinden met de AI Agent
Zodra de uitvoer er goed uitziet, voeg je je AI Agent-node toe (Gemini, OpenAI, enz.) en plak je je systeem prompt in het veld Instruction. Bijvoorbeeld:
Voer de workflow uit. Het model zou nu een overzichtelijke, gestructureerde samenvatting moeten genereren met onder andere:
- Een korte productsnapshot;
- Wat goed werkt (beoordelingen, A+ content, badges);
- Wat verbeterd kan worden (weinig afbeeldingen, ontbrekende zoekwoorden);
- Oplossingen en zoekwoordsuggesties.
Als je wilt dat het model eerst verduidelijkende vragen stelt voordat het antwoordt, voeg dan deze regel toe aan je prompt:
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Awesome!
Completion rate improved to 4.17Productgegevens Normaliseren voor AI
Veeg om het menu te tonen
Bij het werken met AI-agenten moeten ruwe JSON-antwoorden van API's vaak worden opgeschoond en herstructureren voordat ze effectief kunnen worden gebruikt. Het doel van deze stap is om de onbewerkte gegevens van de Rainforest HTTP-node te nemen, deze te vereenvoudigen tot één, LLM-vriendelijk datapakket, en het zonder het gevreesde "[object Object]"-probleem aan de AI-agent aan te bieden.
Controleren wat de HTTP-node daadwerkelijk heeft geretourneerd
De Rainforest HTTP Request levert al alles wat nodig is om een zinvolle productsamenvatting te maken:
- asin;
- title;
- brand;
- categories;
- rating en total_reviews;
- images;
- bullet points;
- rank / BSR;
- offers en buy box;
- keyword list.
Dit is ruim voldoende data voor AI-analyse, dus het is niet nodig om een extra verzoek te doen. In plaats daarvan wordt gewerkt met de reeds beschikbare gegevens.
Wanneer het productobject naar het context-veld van de AI-agent wordt gesleept, toont n8n [object Object]. Dit gebeurt omdat het contextveld platte tekst verwacht en geen genest object. Hoewel LLM's JSON kunnen lezen, accepteert het veld zelf alleen een string. Daarom moeten de gegevens eerst worden geflattend en gestringificeerd.
Normaliseren van de gegevens met een Code-node
Voeg direct na de HTTP Request een Code-node toe. ChatGPT kan worden gebruikt om de transformatielogica te genereren; deel eenvoudigweg de Rainforest-output en vraag:
Plak die code in de node, stel in om één keer voor alle items uit te voeren en voer uit. Je zou nu één schoon object moeten zien met alle productgegevens gegroepeerd en klaar.
Als de AI Agent nog steeds [object Object] weergeeft, betekent dit dat de structuur correct is maar nog niet als string is omgezet. Werk in dat geval je Code-node bij om het volgende uit te voeren:
return [{ json: { data: JSON.stringify(items[0].json) } }];
of gebruik een Aggregate-node om alles samen te voegen tot één lijst voordat je het omzet naar een string.
Je bent hier niet echt aan het coderen, maar test alleen code die door een LLM is gegenereerd. Als er iets misgaat, kopieer dan het exacte foutbericht terug naar ChatGPT en laat het voor je oplossen.
Verbinden met de AI Agent
Zodra de uitvoer er goed uitziet, voeg je je AI Agent-node toe (Gemini, OpenAI, enz.) en plak je je systeem prompt in het veld Instruction. Bijvoorbeeld:
Voer de workflow uit. Het model zou nu een overzichtelijke, gestructureerde samenvatting moeten genereren met onder andere:
- Een korte productsnapshot;
- Wat goed werkt (beoordelingen, A+ content, badges);
- Wat verbeterd kan worden (weinig afbeeldingen, ontbrekende zoekwoorden);
- Oplossingen en zoekwoordsuggesties.
Als je wilt dat het model eerst verduidelijkende vragen stelt voordat het antwoordt, voeg dan deze regel toe aan je prompt:
Bedankt voor je feedback!
