اتوماسیون ایمیل با هوش مصنوعی: خلاصه‌سازی، طبقه‌بندی و پاسخ ب…

اتوماسیون ایمیل با هوش مصنوعی: خلاصه‌سازی، طبقه‌بندی و پاسخ با RAG

این Workflow پردازش ایمیل‌های تجاری را با استفاده از هوش مصنوعی برای خلاصه‌سازی، طبقه‌بندی و پاسخگویی به درخواست‌ها خودکار می‌کند. این سیستم از Retrieval-Augmented Generation (RAG) با یک پایگاه داده برداری برای پاسخ‌های دقیق و آگاهانه از نظر زمینه استفاده می‌کند. این راهکار برای کسب‌وکارهایی که درخواست‌های مکرر خدمات یا محصولات دریافت می‌کنند، ایده‌آل است.

این Workflow به چهار بخش اصلی تقسیم شده است:

1. دریافت و پیش‌پردازش ایمیل: دریافت ایمیل‌های ورودی و آماده‌سازی محتوای آن‌ها برای تحلیل هوش مصنوعی.

2. پردازش و طبقه‌بندی هوش مصنوعی: خلاصه‌سازی، دسته‌بندی و بازیابی اطلاعات مرتبط از پایگاه دانش.

3. تولید و ارسال پاسخ: ایجاد، اصلاح و ارسال پاسخ‌های ایمیلی تولید شده توسط هوش مصنوعی.

4. مدیریت پایگاه داده برداری: به‌روزرسانی پایگاه داده برداری با دانش شرکت از اسناد.

---

۱. دریافت و پیش‌پردازش ایمیل

این بخش به دریافت اولیه ایمیل‌ها می‌پردازد. یک صندوق ورودی را پایش کرده، محتوای ایمیل را استخراج و HTML را به متن ساده برای پردازش آسان‌تر هوش مصنوعی تبدیل می‌کند.

Nodes:

• Email Trigger (IMAP) (n8n-nodes-base.emailReadImap):

* هدف: پایش یک صندوق ورودی IMAP مشخص برای ایمیل‌های جدید.

* پیکربندی: اتصال به info@n3witalia.com با استفاده از اعتبارنامه IMAP.

* خروجی: داده‌های خام ایمیل، شامل فرستنده، موضوع و محتوای HTML/متن ساده.

• تبدیل Markdown (n8n-nodes-base.markdown):

* هدف: تبدیل محتوای HTML ایمیل‌های ورودی به فرمت متن ساده یا Markdown.

* پیکربندی: دریافت textHtml از خروجی Email Trigger.

* خروجی: نسخه متن ساده محتوای ایمیل.

---

۲. پردازش و طبقه‌بندی هوش مصنوعی

در اینجا، منطق اصلی هوش مصنوعی اعمال می‌شود. ایمیل‌ها خلاصه‌سازی، طبقه‌بندی و اطلاعات مرتبط از پایگاه داده برداری برای اطلاع‌رسانی پاسخ بازیابی می‌شوند.

Nodes:

• DeepSeek R1 (@n8n/n8n-nodes-langchain.lmChatOpenAi):

* هدف: به عنوان مدل هوش مصنوعی برای خلاصه‌سازی محتوای ایمیل عمل می‌کند.

* پیکربندی: استفاده از مدل deepseek/deepseek-r1:free از طریق API OpenRouter.

• Email Summarization Chain (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: ایجاد خلاصه‌ای مختصر (حداکثر ۱۰۰ کلمه) از محتوای ایمیل به زبان ایتالیایی.

* پیکربندی: پردازش خروجی متن ساده از گره تبدیل Markdown.

* خروجی: متن خلاصه‌شده ایمیل.

• OpenAI 4-o-mini (@n8n/n8n-nodes-langchain.lmChatOpenAi):

* هدف: ارائه مدل هوش مصنوعی برای طبقه‌بندی محتوای ایمیل.

* پیکربندی: استفاده از مدل gpt-4o-mini با اعتبارنامه API OpenAI.

• Email Classifier (@n8n/n8n-nodes-langchain.textClassifier):

* هدف: طبقه‌بندی ایمیل خلاصه‌شده به دسته‌های از پیش تعریف‌شده (مانند "درخواست اطلاعات شرکت"). به طور پیش‌فرض "other" است.

* پیکربندی: استفاده از متن خلاصه‌شده به عنوان ورودی. "درخواست اطلاعات شرکت" را به عنوان یک دسته تعریف می‌کند. به هوش مصنوعی دستور می‌دهد تا JSON دقیق خروجی دهد.

* خروجی: نتیجه طبقه‌بندی، که مراحل بعدی Workflow را تعیین می‌کند.

• Embeddings OpenAI (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: ایجاد بردارهای جاسازی (embeddings) برای محتوای ایمیل، که برای پرس‌وجو از پایگاه داده برداری استفاده می‌شود.

* پیکربندی: استفاده از اعتبارنامه API OpenAI.

* خروجی: بردارهای جاسازی.

• Qdrant Vector Store (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: پرس‌وجو از پایگاه داده برداری Qdrant برای بازیابی اطلاعات مرتبط شرکت بر اساس بردارهای جاسازی ایمیل.

* پیکربندی: پیکربندی شده برای بازیابی داده‌ها از مجموعه‌ای که توسط متغیر محیطی COLLECTION مشخص شده است.

* خروجی: اسناد یا اطلاعات مرتبط از پایگاه دانش.

---

۳. تولید و ارسال پاسخ

این بخش بر ایجاد و ارسال پاسخ تولید شده توسط هوش مصنوعی تمرکز دارد.

Nodes:

• Write Email (@n8n/n8n-nodes-langchain.agent):

* هدف: پیش‌نویس یک پاسخ ایمیلی حرفه‌ای بر اساس طبقه‌بندی ایمیل و دانش بازیابی شده.

* پیکربندی: استفاده از یک prompt که به هوش مصنوعی دستور می‌دهد به محتوای ایمیل پاسخ دهد، با یک پیام سیستمی که نقش آن را به عنوان یک پاسخ‌دهنده ایمیل متخصص تعریف می‌کند.

* ورودی: فقط در صورتی فعال می‌شود که Email Classifier ایمیل را به عنوان "درخواست اطلاعات شرکت" شناسایی کند.

* خروجی: متن پیش‌نویس ایمیل.

• Review Email (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: بررسی ایمیل پیش‌نویس شده و قالب‌بندی آن به HTML حرفه‌ای، اطمینان از رعایت محدودیت کلمات و استفاده از تگ‌های مناسب (<br>, <b>, <i>, <p>).

* پیکربندی: به هوش مصنوعی دستور می‌دهد تا پیش‌نویس را به HTML قالب‌بندی کند، آن را مختصر نگه دارد و به زبان ایتالیایی باشد.

* ورودی: متن پیش‌نویس ایمیل از گره "Write Email".

* خروجی: محتوای ایمیل قالب‌بندی شده به صورت HTML.

• Send Email (n8n-nodes-base.emailSend):

* هدف: ارسال پاسخ ایمیلی بررسی و قالب‌بندی شده به فرستنده اصلی.

* پیکربندی: تنظیم موضوع (با پیشوند "Re:")، گیرنده (فرستنده اصلی)، فرستنده (گیرنده اصلی) و بدنه ایمیل (محتوای HTML از "Review Email"). از اعتبارنامه SMTP برای info@n3witalia.com استفاده می‌کند.

* ورودی: محتوای ایمیل قالب‌بندی شده به صورت HTML.

• Do nothing (n8n-nodes-base.noOp):

* هدف: به عنوان یک fallback برای ایمیل‌هایی که به عنوان "درخواست اطلاعات شرکت" طبقه‌بندی نشده‌اند، عمل می‌کند. Workflow برای چنین ایمیل‌هایی به سادگی در اینجا متوقف می‌شود.

* ورودی: در صورتی فعال می‌شود که Email Classifier دسته‌ای غیر از "درخواست اطلاعات شرکت" اختصاص دهد.

---

۴. مدیریت پایگاه داده برداری و جاسازی اسناد

این بخش مسئول نگهداری و به‌روزرسانی پایگاه دانش شرکت در پایگاه داده برداری Qdrant است. این بخش معمولاً به صورت دستی برای راه‌اندازی یا به‌روزرسانی‌ها فعال می‌شود.

Nodes:

• Manual Trigger (n8n-nodes-base.manualTrigger):

* هدف: امکان شروع دستی فرآیند به‌روزرسانی پایگاه داده برداری را فراهم می‌کند.

• Create Collection (n8n-nodes-base.httpRequest):

* هدف: ایجاد یک مجموعه جدید در پایگاه داده برداری Qdrant.

* پیکربندی: ارسال درخواست POST به نقطه پایانی API Qdrant برای ایجاد مجموعه. نیاز به اعتبارنامه API Qdrant دارد.

• Refresh Collection (n8n-nodes-base.httpRequest):

* هدف: حذف تمام نقاط داده موجود در مجموعه Qdrant مشخص شده برای آماده‌سازی برای به‌روزرسانی.

* پیکربندی: ارسال درخواست POST به نقطه پایانی API Qdrant برای حذف نقاط. نیاز به اعتبارنامه API Qdrant دارد.

• Get folder (n8n-nodes-base.googleDrive):

* هدف: بازیابی لیستی از فایل‌ها از یک پوشه مشخص در Google Drive.

* پیکربندی: استفاده از اعتبارنامه OAuth2 Google Drive. شناسه Drive ("My Drive") و شناسه پوشه (مثلاً "test-whatsapp") را مشخص کنید.

• Download Files (n8n-nodes-base.googleDrive):

* هدف: دانلود فایل‌ها از Google Drive، تبدیل Google Docs به متن ساده.

* پیکربندی: دریافت شناسه‌های فایل از گره "Get folder". تبدیل Google Docs به text/plain را فعال می‌کند. از اعتبارنامه OAuth2 Google Drive استفاده می‌کند.

• Token Splitter (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: تقسیم متون اسناد بزرگ به قطعات کوچک‌تر و قابل مدیریت (۳۰۰ توکن با همپوشانی ۳۰ توکن) مناسب برای جاسازی.

• Default Data Loader (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: بارگذاری قطعات متن برای پردازش بیشتر.

• Embeddings OpenAI1 (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: ایجاد بردارهای جاسازی برای قطعات سند.

* پیکربندی: استفاده از اعتبارنامه API OpenAI.

• Qdrant Vector Store1 (@n8n/n8n-nodes-langchain.chainLlm):

* هدف: درج یا به‌روزرسانی (upsert) بردارهای جاسازی و محتوای سند تولید شده در پایگاه داده برداری Qdrant.

* پیکربندی: اتصال به Qdrant با استفاده از اعتبارنامه API و مجموعه مشخص شده.

• Sticky Notes (n8n-nodes-base.stickyNote):

* هدف: برای ارائه دستورالعمل‌ها یا یادداشت‌ها در Workflow، به ویژه برای فرآیند راه‌اندازی دستی، استفاده می‌شود.

---

کاتالوگ Axeto.ai: این و سایر Workflowهای اتوماسیون قدرتمند را در Axeto.ai/n8n کاوش کنید.