یابنده رویداد محلی با هوش مصنوعی و جستجوی چند ابزاری

یابنده رویداد محلی مبتنی بر هوش مصنوعی با جستجوی چند ابزاری

این گردش کار از هوش مصنوعی برای کشف رویدادهای محلی بر اساس معیارهای تعریف شده توسط کاربر استفاده می‌کند. این سیستم هم به عنوان یک نقطه پایانی سرویس خارجی (با استفاده از MCP) و هم به عنوان یک عامل هوش مصنوعی داخلی که از ابزارهای جستجو و خراش‌دهنده متعدد استفاده می‌کند، عمل می‌کند.

کاتالوگ Axeto.ai: https://axeto.ai/n8n

---

۱. نمای کلی گردش کار

گردش کار "یابنده رویداد محلی" یک سیستم مبتنی بر هوش مصنوعی است که برای یافتن رویدادهای محلی مرتبط بر اساس معیارهای ارائه شده توسط کاربر مانند نوع رویداد، شهر، کشور، محدوده تاریخ و علایق طراحی شده است. این گردش کار به عنوان یک گردش کار n8n مستقل پیاده‌سازی شده است که همزمان به عنوان موارد زیر عمل می‌کند:

• یک نقطه پایانی سرور MCP که عامل یافتن رویداد را به عنوان یک ابزار قابل فراخوانی برای کلاینت‌های خارجی در معرض دید قرار می‌دهد.
• منطق اصلی عامل هوش مصنوعی که از یک مدل زبان بزرگ (LLM) Google Gemini همراه با چندین ابزار جستجو و خراش‌دهنده خارجی برای کشف، تجمیع و قالب‌بندی اطلاعات رویداد استفاده می‌کند.

ساختار گردش کار را می‌توان به طور منطقی به بلوک‌های زیر تقسیم کرد:

• ۱.۱ ماشه و رابط سرور MCP: درخواست‌های خارجی را دریافت می‌کند، یابنده رویداد را به عنوان یک ابزار در معرض دید قرار می‌دهد و پارامترهای ورودی را ارسال می‌کند.
• ۱.۲ اجرای منطق اصلی عامل: گردش کار داخلی فرعی را که عامل هوش مصنوعی را اجرا می‌کند، راه‌اندازی می‌کند.
• ۱.۳ عامل هوش مصنوعی و حافظه: گره اصلی عامل LLM، بافر حافظه آن را میزبانی می‌کند و استفاده از ابزار را هماهنگ می‌کند.
• ۱.۴ ابزارهای جستجوی خارجی: چندین API جستجو (جستجوی وب Brave، جستجوی محلی Brave، جستجوی Google Gemini) را برای جمع‌آوری داده‌های رویداد ادغام می‌کند.
• ۱.۵ خراش‌دهنده صفحه وب: اطلاعات دقیق رویداد را از URLهای شناسایی شده توسط ابزارهای جستجو استخراج می‌کند.
• ۱.۶ گره‌های مستندات و پشتیبانی: یادداشت‌های چسبان توضیحات دقیق، راهنمای استفاده و نکات عیب‌یابی را ارائه می‌دهند.

این طراحی لایه‌ای امکان جستجوی رویداد و استخراج داده انعطاف‌پذیر و آگاه از زمینه را فراهم می‌کند، در حالی که عامل را به عنوان یک سرویس خارجی با کاربری آسان در معرض دید قرار می‌دهد.

---

۲. تحلیل گره (Node) جزئی

۲.۱ گره فعال‌ساز و رابط MCP Server

این بخش نقطه ورود گردش کار (Workflow) برای فراخوانی‌های خارجی را فراهم می‌کند و قابلیت یافتن رویداد را از طریق پروتکل MCP به عنوان یک ابزار (Tool) در معرض دید قرار می‌دهد. این گره پارامترهای ورودی (مانند query، شهر و غیره) را از کلاینت‌ها دریافت کرده و آن‌ها را به صورت داخلی به منطق عامل (Agent) ارسال می‌کند.

گره‌ها:

• local_event_finder (MCP Trigger)
• find_events (Tool Workflow)
• even_finder_workflow (Execute Workflow Trigger)

جزئیات گره‌ها:

• local_event_finder

* نوع: n8n-nodes-base.mcpTrigger

* نقش: به درخواست‌های HTTP POST خارجی که مطابق با پروتکل MCP در مسیر Webhook مشخص شده قالب‌بندی شده‌اند، گوش می‌دهد. ابزار find_events را برای فراخوانی در دسترس قرار می‌دهد.

* پیکربندی: برای در دسترس قرار دادن ابزار find_events پیکربندی شده است.

* ورودی: درخواست‌های کلاینت MCP حاوی payloadهای JSON با tool_name: "find_events" و tool_input JSON.

* خروجی: ورودی ابزار را به گره find_events ارسال می‌کند.

* ملاحظات: احراز هویت پیاده‌سازی نشده است، اما یک بهبود پیشنهادی محسوب می‌شود.

• find_events

* نوع: @n8n/n8n-nodes-langchain.toolWorkflow

* نقش: به عنوان رابط برای فراخوانی گردش کار داخلی منطق عامل عمل می‌کند.

* پیکربندی: گره even_finder_workflow را با پارامترهای query، city، country، date-range و interests فراخوانی می‌کند.

* ورودی: پارامترها را از local_event_finder دریافت می‌کند.

* خروجی: پارامترها را به even_finder_workflow ارسال می‌کند.

* ملاحظات: خطاهای فراخوانی گردش کار و پارامترهای گمشده را مدیریت می‌کند.

• even_finder_workflow

* نوع: n8n-nodes-base.executeWorkflowTrigger

* نقش: نقطه ورود داخلی برای گردش کار منطق عامل است.

* پیکربندی: پارامترهای جستجو را برای شروع پردازش عامل هوش مصنوعی دریافت می‌کند.

* ورودی: از find_events.

* خروجی: به event_finder_agent.

* ملاحظات: خطاهای اجرای گردش کار را مدیریت می‌کند.

۲.۲ اجرای منطق هسته عامل (Agent)

این بخش شامل عامل هوش مصنوعی است که با استفاده از یک LLM، پرس‌وجوهای کاربر را پردازش کرده و چندین ابزار خارجی را برای جستجو و استخراج داده ادغام می‌کند. همچنین حافظه کوتاه‌مدت را برای حفظ زمینه (Context) مدیریت می‌کند.

گره‌ها:

• event_finder_agent (Langchain Agent)
• Simple Memory (Memory Buffer Window)
• Google Gemini Chat Model (LLM)

جزئیات گره‌ها:

• event_finder_agent

* نوع: @n8n/n8n-nodes-langchain.agent

* نقش: گره اصلی منطق هوش مصنوعی که ورودی‌های کاربر را تفسیر کرده، تصمیم می‌گیرد کدام ابزارها را فراخوانی کند و پاسخ نهایی را با جزئیات رویداد در قالب markdown ترکیب می‌کند.

* پیکربندی:

* System Message: یک prompt جامع که شخصیت عامل، استراتژی‌های جستجو و قالب‌بندی پاسخ را هدایت می‌کند.

* Tools Used: brave_web_search، brave_local_search، google_gemini_event_search، jina_ai_web_page_scraper.

* ورودی: معیارهای کاربر (query، city، country، date-range، interests) از even_finder_workflow.

* خروجی: خلاصه‌ای از رویدادهای یافت شده در قالب markdown یا پیامی مودبانه مبنی بر عدم وجود نتیجه.

* Expressions: از عبارات قالب‌بندی شده برای دسترسی به پارامترهای گره‌های قبلی استفاده می‌کند (مانند $('even_finder_workflow').item.json.query).

* اتصالات: ورودی حافظه را از Simple Memory دریافت کرده و از Google Gemini Chat Model به عنوان backend LLM خود استفاده می‌کند.

* ملاحظات: نیازمند ادغام n8n Langchain است که از گره‌های عامل با پشتیبانی چند ابزاری پشتیبانی کند. خطاهای API LLM، شکست فراخوانی ابزار، مهلت‌های زمانی (Timeouts)، مشکلات همگام‌سازی حافظه و ورودی‌های نادرست را مدیریت می‌کند.

• Simple Memory

* نوع: @n8n/n8n-nodes-langchain.memoryBufferWindow

* نقش: زمینه مکالمه کوتاه‌مدت را برای event_finder_agent در طول اجرای فعلی حفظ می‌کند.

* پیکربندی: کلید جلسه (Session key) برای منحصر به فرد بودن، شناسه اجرای فعلی تنظیم شده است.

* ملاحظات: سرریز حافظه با استفاده از پنجره‌بندی مدیریت می‌شود؛ هیچ ماندگاری طولانی‌مدتی پیاده‌سازی نشده است.

• Google Gemini Chat Model

* نوع: @n8n/n8n-nodes-langchain.lmChatGoogleGemini

* نقش: قابلیت‌های LLM زیربنایی را برای عامل فراهم می‌کند.

* پیکربندی: مدل روی "models/gemini-2.5-flash-preview-05-20" تنظیم شده است.

* Credential: از credential Google Gemini Context7 برای دسترسی به API استفاده می‌کند.

* ملاحظات: نیازمند کلید API معتبر، آگاهی از محدودیت‌های نرخ (Rate limits) و سازگاری نسخه مدل است.

۲.۳ ادغام ابزارهای جستجوی خارجی

این بخش شامل ابزارهایی است که توسط عامل برای جستجوی رویدادها از منابع مختلف استفاده می‌شود: جستجوهای گسترده وب، جستجوهای محلی و جستجوهای پیشرفته مبتنی بر Gemini.

گره‌ها:

• brave_web_search (MCP Client Tool)
• brave_local_search (MCP Client Tool)
• google_gemini_event_search (Gemini Search Tool)

جزئیات گره‌ها:

• brave_web_search

* نوع: n8n-nodes-mcp.mcpClientTool

* نقش: جستجوهای عمومی وب را از طریق API Brave Search برای یافتن لیست رویدادها و اطلاعات گسترده‌تر انجام می‌دهد.

* پیکربندی:

* Tool Name: brave_web_search

* Parameters: شیء JSON با query (الزامی)، count اختیاری (حداکثر ۲۰) و offset (صفحه‌بندی).

* Credential: از credential smithery brave search استفاده می‌کند.

* ورودی: پرس‌وجو به صورت پویا توسط عامل ساخته می‌شود.

* خروجی: لیستی از نتایج جستجو (URLها، قطعه‌ها).

* ملاحظات: خطاهای HTTP، محدودیت‌های نرخ API، پارامترهای نامعتبر را مدیریت کرده و در صورت عدم یافتن نتیجه، fallback ارائه می‌دهد.

• brave_local_search

* نوع: n8n-nodes-mcp.mcpClientTool

* نقش: جستجوهای مختص مکان را برای رویدادها، مکان‌ها یا نقاط مورد علاقه با استفاده از Brave Local Search انجام می‌دهد.

* پیکربندی:

* Tool Name: brave_local_search

* Parameters: JSON با query (الزامی)، count اختیاری.

* Credential: از credential smithery brave search (مشابه brave_web_search) استفاده می‌کند.

* ورودی: پرس‌وجوهای هدفمند مکانی، مانند "live music in [City]".

* خروجی: نتایج رویدادهای محلی یا fallback به جستجوی گسترده وب در صورت عدم یافتن.

* ملاحظات: مواردی را که نتایج محلی وجود ندارد، شکست API و عدم پشتیبانی از صفحه‌بندی را مدیریت می‌کند.

• google_gemini_event_search

* نوع: n8n-nodes-gemini-search.geminiSearchToolTool

* نقش: از جستجوی پیشرفته Google Gemini برای مدیریت پرس‌وجوهای پیچیده رویداد با علایق متعدد یا درخواست‌های دقیق استفاده می‌کند.

* پیکربندی:

* Model: "gemini-2.5-flash-preview-05-20"

* Parameters: query (رشته)، زمینه organization اختیاری، restrictUrls اختیاری برای منابع معتبر.

* Credential: از credential Gemini Credentials account استفاده می‌کند.

* ورودی: پرس‌وجوهای جستجوی غنی که اولویت‌های کاربر را ترکیب می‌کنند.

* خروجی: نتایج جستجوی دقیق، شامل URLهای منبع.

* ملاحظات: مشکلات سهمیه API، زمینه نادرست و مواردی که نتایج مرتبط یافت نمی‌شوند را مدیریت می‌کند.

۲.۴ ابزار استخراج محتوای صفحات وب (Web Page Scraper)

این گره محتوای متنی دقیق را از صفحات وب رویداد که در مراحل جستجو شناسایی شده‌اند، استخراج کرده و توضیحات غنی‌شده رویداد را ارائه می‌دهد.

گره:

• jina_ai_web_page_scraper (Jina AI Tool)

جزئیات گره:

• jina_ai_web_page_scraper

* نوع: n8n-nodes-base.jinaAiTool

* نقش: محتوای متنی اصلی را از URLهای رویداد استخراج و خلاصه می‌کند تا اطلاعات دقیق رویداد مانند توضیحات، برنامه‌ها و مکان‌ها را استخراج کند.

* پیکربندی:

* ورودی: رشته url که به یک صفحه رویداد رسمی یا معتبر اشاره دارد.

* قالب خروجی: Markdown، با فعال بودن شرح تصاویر (image captioning).

* Credential: از credential Jina AI account استفاده می‌کند.

* محدودیت‌ها: به دلیل مهلت زمانی ۶۰ ثانیه‌ای سرور MCP برای اجرا، با احتیاط استفاده شود (حداکثر ۱-۲ URL در هر اجرا).

* ملاحظات: صفحات کند یا غیرپاسخگو که باعث مهلت زمانی می‌شوند، URLهای نامعتبر و استخراج ناقص محتوا را مدیریت می‌کند.

۲.۵ مستندات و پشتیبانی

گره‌های یادداشت چسبان (Sticky Note) توضیحات جامعی، جزئیات پیکربندی، دستورالعمل‌های استفاده، نکات عیب‌یابی و ایده‌های بهبود آینده را در سراسر گردش کار ارائه می‌دهند.

گره‌ها:

• چندین گره Sticky Note در سراسر بوم با مستندات زمینه‌ای پراکنده شده‌اند.

نکات برجسته کلیدی:

• توضیحات دقیق پیکربندی MCP Client و فرمت‌های مورد انتظار درخواست/پاسخ.
• توضیح نقش دوگانه گردش کار به عنوان MCP Server و AI Agent.
• یادداشت‌هایی در مورد credentials و خدمات خارجی مورد استفاده.
• راهنمایی در مورد پیکربندی عامل، استفاده از حافظه و تنظیمات LLM.
• مراحل عیب‌یابی برای شکست ابزارها و مسائل API.
• بهبودهای برنامه‌ریزی شده مانند اعتبارسنجی ورودی، مدیریت خطا، محدودیت نرخ و منطق انتخاب ابزار پیشرفته.

---

۳. جدول خلاصه