Нормалізація Даних Про Продукти Для AI
Під час роботи з AI-агентами сирі відповіді у форматі JSON від API часто потребують очищення та реструктуризації перед ефективним використанням. Мета цього кроку — взяти необроблені дані з вузла Rainforest HTTP, спростити їх до одного пакета даних, зручного для LLM, і передати його AI-агенту без виникнення проблеми "[object Object]".
Перевірка, що саме повернув вузол HTTP
Запит Rainforest HTTP вже містить усе необхідне для створення змістовного підсумку продукту:
- asin;
- title;
- brand;
- categories;
- rating та total_reviews;
- images;
- bullet points;
- rank / BSR;
- offers та buy box;
- keyword list.
Цього більш ніж достатньо для аналізу за допомогою AI, тому немає потреби робити додатковий запит. Натомість працюйте з уже наявними даними.
Якщо перетягнути об'єкт продукту у поле context AI-агента, n8n відобразить [object Object]. Це відбувається тому, що поле context очікує звичайний текст, а не вкладений об'єкт. Хоча LLM можуть читати JSON, саме поле приймає лише рядок, тому дані потрібно спочатку сплющити та перетворити у рядок.
Нормалізація даних за допомогою вузла Code
Одразу після HTTP-запиту додайте вузол Code. Ви можете скористатися ChatGPT для генерації логіки трансформації — просто поділіться результатом Rainforest і попросіть:
Вставте цей код у вузол, встановіть виконання один раз для всіх елементів і запустіть. Тепер ви повинні побачити один чистий об'єкт з усіма згрупованими та готовими даними про продукти.
Якщо AI Agent все ще показує [object Object], це означає, що структура правильна, але ще не перетворена у рядок. У такому випадку оновіть ваш Code-вузол для виводу:
return [{ json: { data: JSON.stringify(items[0].json) } }];
або використайте вузол Aggregate для об'єднання всього у один список перед перетворенням у рядок.
Тут ви фактично не програмуєте, а лише тестуєте код, згенерований LLM. Якщо щось не працює, скопіюйте точне повідомлення про помилку у ChatGPT і дайте йому виправити це за вас.
Підключення до AI Agent
Коли результат виглядає правильно, додайте вузол AI Agent (Gemini, OpenAI тощо) і вставте ваш системний запит у поле Instruction. Наприклад:
Виконайте робочий процес. Модель тепер повинна згенерувати чистий, структурований підсумок, що включає:
- Короткий огляд продукту;
- Що працює (рейтинги, A+ контент, бейджі);
- Що шкодить (мало зображень, відсутні ключові слова);
- Виправлення та ідеї для ключових слів.
Якщо потрібно, щоб модель ставила уточнюючі запитання перед відповіддю, просто додайте цей рядок до вашого запиту:
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 4.17Нормалізація Даних Про Продукти Для AI
Свайпніть щоб показати меню
Під час роботи з AI-агентами сирі відповіді у форматі JSON від API часто потребують очищення та реструктуризації перед ефективним використанням. Мета цього кроку — взяти необроблені дані з вузла Rainforest HTTP, спростити їх до одного пакета даних, зручного для LLM, і передати його AI-агенту без виникнення проблеми "[object Object]".
Перевірка, що саме повернув вузол HTTP
Запит Rainforest HTTP вже містить усе необхідне для створення змістовного підсумку продукту:
- asin;
- title;
- brand;
- categories;
- rating та total_reviews;
- images;
- bullet points;
- rank / BSR;
- offers та buy box;
- keyword list.
Цього більш ніж достатньо для аналізу за допомогою AI, тому немає потреби робити додатковий запит. Натомість працюйте з уже наявними даними.
Якщо перетягнути об'єкт продукту у поле context AI-агента, n8n відобразить [object Object]. Це відбувається тому, що поле context очікує звичайний текст, а не вкладений об'єкт. Хоча LLM можуть читати JSON, саме поле приймає лише рядок, тому дані потрібно спочатку сплющити та перетворити у рядок.
Нормалізація даних за допомогою вузла Code
Одразу після HTTP-запиту додайте вузол Code. Ви можете скористатися ChatGPT для генерації логіки трансформації — просто поділіться результатом Rainforest і попросіть:
Вставте цей код у вузол, встановіть виконання один раз для всіх елементів і запустіть. Тепер ви повинні побачити один чистий об'єкт з усіма згрупованими та готовими даними про продукти.
Якщо AI Agent все ще показує [object Object], це означає, що структура правильна, але ще не перетворена у рядок. У такому випадку оновіть ваш Code-вузол для виводу:
return [{ json: { data: JSON.stringify(items[0].json) } }];
або використайте вузол Aggregate для об'єднання всього у один список перед перетворенням у рядок.
Тут ви фактично не програмуєте, а лише тестуєте код, згенерований LLM. Якщо щось не працює, скопіюйте точне повідомлення про помилку у ChatGPT і дайте йому виправити це за вас.
Підключення до AI Agent
Коли результат виглядає правильно, додайте вузол AI Agent (Gemini, OpenAI тощо) і вставте ваш системний запит у поле Instruction. Наприклад:
Виконайте робочий процес. Модель тепер повинна згенерувати чистий, структурований підсумок, що включає:
- Короткий огляд продукту;
- Що працює (рейтинги, A+ контент, бейджі);
- Що шкодить (мало зображень, відсутні ключові слова);
- Виправлення та ідеї для ключових слів.
Якщо потрібно, щоб модель ставила уточнюючі запитання перед відповіддю, просто додайте цей рядок до вашого запиту:
Дякуємо за ваш відгук!
