Normalisering av Produktdata för AI

När du arbetar med AI-agenter behöver råa JSON-svar från API:er ofta rensas och omstruktureras innan de kan användas effektivt. Målet med detta steg är att ta den obehandlade datan från Rainforest HTTP-noden, förenkla den till ett enda, LLM-vänligt datapaket och mata in det i AI-agenten utan att stöta på det ökända "[object Object]"-problemet.

Kontrollera vad HTTP-noden faktiskt returnerade

Rainforest HTTP Request tillhandahåller redan allt du behöver för att skapa en meningsfull produktöversikt:

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

Det är mer än tillräckligt med data för AI-analys, så det finns inget behov av att göra ytterligare en förfrågan. Istället arbetar du med det som redan finns tillgängligt.

Om du drar produktobjektet till AI-agentens context-fält kommer du att märka att n8n visar [object Object]. Detta händer eftersom context-fältet förväntar sig vanlig text, inte ett nästlat objekt. Även om LLM:er kan läsa JSON accepterar själva fältet endast en sträng, så du behöver platta ut och strängifiera datan först.

Normalisera datan med en Code-nod

Direkt efter HTTP Request, lägg till en Code-nod. Du kan använda ChatGPT för att generera transformationslogiken åt dig, dela helt enkelt Rainforest-utdata och be:

Klistra in den koden i noden, ställ in den på att köra en gång för alla objekt och exekvera. Du bör nu se ett rent objekt med all produktdata grupperad och klar.

Om AI-agenten fortfarande visar [object Object], betyder det att strukturen är korrekt men ännu inte strängifierad. Uppdatera i så fall din Code-nod för att returnera:

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

eller använd en Aggregate-nod för att slå ihop allt till en lista innan du strängifierar.

Anslutning till AI-agenten

När utdata ser korrekt ut, lägg till din AI Agent-nod (Gemini, OpenAI, etc.) och klistra in din systemprompt i fältet Instruction. Till exempel:

Kör arbetsflödet. Modellen bör nu generera en ren, strukturerad sammanfattning som inkluderar:

• En kort produktöversikt;
• Vad som fungerar (betyg, A+-innehåll, märken);
• Vad som brister (få bilder, saknade nyckelord);
• Förbättringsförslag och nyckelordsidéer.

Om du vill att modellen ska ställa förtydligande frågor innan den svarar, lägg bara till denna rad i din prompt: