تریاژ خودکار تیکت IT با هوش مصنوعی و پایگاه دانش

طبقه‌بندی و تریاژ تیکت با هوش مصنوعی با استفاده از طبقه‌بندی چند مدلی و پایگاه دانش

این گردش کار، تریاژ تیکت‌های مرکز راهنمایی IT را با استفاده از چندین مدل هوش مصنوعی برای طبقه‌بندی، جستجو در پایگاه دانش و تولید راه‌حل، خودکار می‌کند. این گردش کار برای رسیدگی کارآمد به تیکت‌های ورودی، طبقه‌بندی آن‌ها، جستجو برای راه‌حل‌های موجود، تولید راه‌حل‌های جدید در صورت نیاز، به‌روزرسانی وضعیت تیکت‌ها، اطلاع‌رسانی به مهندسان و غنی‌سازی پایگاه دانش با موارد حل شده جدید طراحی شده است.

دسته‌بندی‌ها: مدیریت تیکت، هوش مصنوعی RAG

کاتالوگ Axeto: https://axeto.ai/n8n

---

نمای کلی گردش کار

این گردش کار به صورت منطقی به بلوک‌های زیر تقسیم می‌شود:

1. دریافت ورودی و پیکربندی: دریافت تیکت‌های ورودی از طریق وب‌هوک و تنظیم پارامترهای پیکربندی ضروری.

2. طبقه‌بندی تیکت و جستجو در پایگاه دانش: طبقه‌بندی نوع تیکت با استفاده از عامل‌های هوش مصنوعی و جستجو در پایگاه دانش برای راه‌حل‌های مرتبط.

3. مسیریابی شرطی و تولید راه‌حل: تعیین اینکه آیا راه‌حل موجود کافی است یا نیاز به تولید راه‌حل جدید توسط هوش مصنوعی وجود دارد.

4. پردازش پس از اجرا و ارجاع: قالب‌بندی راه‌حل‌های خودکار، به‌روزرسانی وضعیت تیکت در پایگاه داده و تعیین اینکه آیا نیاز به اطلاع‌رسانی مهندس وجود دارد.

5. غنی‌سازی پایگاه دانش: آماده‌سازی و درج داده‌های تیکت حل شده جدید در پایگاه دانش برای یادگیری مستمر.

6. ثبت گزارش تشخیصی: ایجاد گزارش‌های تشخیصی دقیق برای نظارت و تضمین کیفیت.

این اتوماسیون برای تیم‌های عملیات پشتیبانی و شرکت‌هایی که به دنبال کاهش مرتب‌سازی دستی تیکت، تسریع زمان حل مشکل و حفظ پشتیبانی با کیفیت و سازگار هستند، ایده‌آل است.

---

تحلیل گام به گام

۱.۱ دریافت ورودی و پیکربندی

هدف: این بخش، تیکت‌های پشتیبانی ورودی را از طریق یک وب‌هوک دریافت کرده و متغیرهای پیکربندی حیاتی مانند جزئیات اتصال پایگاه داده و کانال‌های اعلان را برای گره‌های بعدی تنظیم می‌کند.

گره‌ها (Nodes):

• وب‌هوک تیکت ورودی (Webhook)
• پیکربندی گردش کار (Set)

جزئیات گره‌ها:

• وب‌هوک تیکت ورودی

* نوع: Webhook

* نقش: به عنوان نقطه ورود عمل می‌کند و درخواست‌های POST ورودی حاوی داده‌های تیکت را دریافت می‌کند.

* پیکربندی:

* مسیر (Path): helpdesk-YOUR_OPENAI_KEY_HERE (به یاد داشته باشید که جایگزین را با مسیر واقعی خود جایگزین کنید.)

* متد HTTP: POST

* حالت پاسخ: Last node’s output

* ورودی‌ها: درخواست POST خارجی HTTP.

* خروجی‌ها: داده‌های JSON تیکت که به گره‌های پایین‌دستی منتقل می‌شوند.

* شکست‌های احتمالی: درخواست‌های نامعتبر یا بدشکل، پیکربندی نادرست مسیر وب‌هوک.

* نکات: اطمینان حاصل کنید که مسیر وب‌هوک برای جلوگیری از دسترسی غیرمجاز امن شده است.

• پیکربندی گردش کار

* نوع: Set

* نقش: متغیرهای پیکربندی ایستا را که در سراسر گردش کار استفاده می‌شوند، از جمله نام جدول وکتور PostgreSQL، میزبان، نام پایگاه داده و شناسه کانال Slack را تعریف می‌کند.

* پیکربندی:

* pgVectorTable: "helpdesk_knowledge_base"

* pgVectorHost: جایگزین برای میزبان PostgreSQL شما.

* pgVectorDatabase: جایگزین برای نام پایگاه داده شما.

* slackChannel: جایگزین برای شناسه کانال Slack که برای اعلان‌های مهندسان استفاده می‌شود.

* ورودی‌ها: داده‌های تیکت دریافت شده از وب‌هوک.

* خروجی‌ها: داده‌های اصلی تیکت را با پارامترهای پیکربندی تعریف شده غنی‌سازی شده منتقل می‌کند.

* شکست‌های احتمالی: مقادیر پیکربندی گمشده یا نادرست می‌تواند منجر به خطاهای پردازش پایین‌دستی شود.

---

۱.۲ طبقه‌بندی تیکت و جستجو در پایگاه دانش

هدف: این بخش تیکت‌های ورودی را با استفاده از یک عامل هوش مصنوعی LangChain که توسط مدل GPT-4.1-mini OpenAI پشتیبانی می‌شود، طبقه‌بندی می‌کند. به طور همزمان، جستجوی مبتنی بر امبدینگ را در پایگاه دانش برای یافتن تیکت‌های مشابه موجود انجام می‌دهد و دقت طبقه‌بندی و بازیابی راه‌حل را بهبود می‌بخشد.

گره‌ها (Nodes):

• عامل طبقه‌بندی تیکت (@n8n/n8n-nodes-langchain.agent)
• مدل چت OpenAI - طبقه‌بندی کننده (@n8n/n8n-nodes-langchain.lmChatOpenAi)
• تجزیه کننده خروجی طبقه‌بندی (n8n-nodes-base.code)
• جستجو در پایگاه دانش (@n8n/n8n-nodes-langchain.vectorStorePGVector)
• امبدینگ OpenAI - جستجو (@n8n/n8n-nodes-langchain.embeddingsOpenAi)
• ابزارهای سرور MCP (@n8n/n8n-nodes-langchain.mcpClientTool)

جزئیات گره‌ها:

• عامل طبقه‌بندی تیکت

* نوع: @n8n/n8n-nodes-langchain.agent

* نقش: از یک پرامپت ساختاریافته برای تجزیه و تحلیل جزئیات تیکت (عنوان، توضیحات، اولویت، گزارش‌دهنده)، طبقه‌بندی نوع تیکت، جستجو در پایگاه دانش و تعیین اینکه آیا نیاز به تولید راه‌حل جدیدی است، استفاده می‌کند.

* پیکربندی:

* متن ورودی: جزئیات تیکت شامل عنوان، توضیحات، اولویت و گزارش‌دهنده.

* پیام سیستم: دستورالعمل‌های دقیقی را برای طبقه‌بندی و جستجو در پایگاه دانش ارائه می‌دهد.

* تجزیه کننده خروجی: برای پاسخ‌های ساختاریافته JSON فعال شده است.

* ورودی‌ها: داده‌های تیکت و نتایج جستجو در پایگاه دانش (از طریق ورودی‌های ابزار هوش مصنوعی ارائه شده است).

* خروجی‌ها: نتایج طبقه‌بندی تجزیه شده، شامل نوع تیکت، پرچم solutionFound و امتیاز اطمینان.

* شکست‌های احتمالی: اتمام زمان مدل هوش مصنوعی، محدودیت‌های سهمیه API، داده‌های ورودی بدشکل.

* نسخه: نیاز به نسخه ۳ یا بالاتر عامل LangChain دارد.

* گردش کار فرعی: با مدل چت OpenAI - طبقه‌بندی کننده و جستجو در پایگاه دانش به عنوان ابزارهای هوش مصنوعی ادغام می‌شود.

• مدل چت OpenAI - طبقه‌بندی کننده

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

* نقش: قابلیت‌های استنتاج را برای مدل زبان GPT-4.1-mini که توسط عامل طبقه‌بندی استفاده می‌شود، فراهم می‌کند.

* پیکربندی:

* مدل: GPT-4.1-mini

* اعتبارنامه‌ها: کلید API OpenAI به صورت خارجی پیکربندی شده است.

* ورودی‌ها: پرامپت‌های متنی از عامل طبقه‌بندی تیکت.

* خروجی‌ها: پاسخ‌های خام هوش مصنوعی که سپس به تجزیه کننده خروجی منتقل می‌شوند.

* شکست‌های احتمالی: خطاهای مجوز API، اتمام زمان.

• تجزیه کننده خروجی طبقه‌بندی

* نوع: n8n-nodes-base.code (جاوا اسکریپت)

* نقش: خروجی متنی خام از مدل هوش مصنوعی را به فیلدهای JSON ساختاریافته تجزیه می‌کند، مانند ticketType، category، solutionFound، solution، confidence و reasoning.

* پیکربندی: یک مثال طرحواره JSON برای تعریف فیلدهای خروجی مورد انتظار ارائه شده است.

* ورودی‌ها: خروجی خام هوش مصنوعی از مدل چت OpenAI - طبقه‌بندی کننده.

* خروجی‌ها: داده‌های طبقه‌بندی JSON ساختاریافته که برای تصمیم‌گیری‌های مسیریابی استفاده می‌شود.

* شکست‌های احتمالی: خطاهای تجزیه در صورتی که پاسخ هوش مصنوعی با ساختار مورد انتظار مطابقت نداشته باشد.

• جستجو در پایگاه دانش

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

* نقش: پایگاه دانش پشتیبانی IT را با استفاده از امبدینگ‌های وکتور جستجو می‌کند تا تیکت‌های حل شده مشابه را شناسایی کند.

* پیکربندی:

* حالت بازیابی: retrieve-as-tool

* نام جدول: از پیکربندی گردش کار گرفته شده است (helpdesk_knowledge_base).

* توضیحات ابزار: هدف گره را برای عوامل هوش مصنوعی توضیح می‌دهد.

* ورودی‌ها: بردارهای امبدینگ تولید شده توسط گره امبدینگ OpenAI - جستجو.

* خروجی‌ها: نتایج جستجو که به عنوان ورودی به عامل طبقه‌بندی تیکت ارائه می‌شوند.

* شکست‌های احتمالی: خطاهای اتصال پایگاه داده، جدول گمشده، کوئری‌های بدشکل.

• امبدینگ OpenAI - جستجو

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

* نقش: بردارهای امبدینگ را از داده‌های تیکت ورودی تولید می‌کند که برای جستجوی وکتور در پایگاه دانش ضروری هستند.

* پیکربندی: از اعتبارنامه‌های API OpenAI پیکربندی شده استفاده می‌کند.

* ورودی‌ها: محتوای متنی تیکت ورودی.

* خروجی‌ها: بردار امبدینگ آماده برای گره جستجو در پایگاه دانش.

* شکست‌های احتمالی: محدودیت‌های نرخ API، مشکلات اتصال شبکه.

• ابزارهای سرور MCP

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

* نقش: دسترسی به ابزارها یا نقاط پایانی هوش مصنوعی اضافی یکپارچه شده در عامل طبقه‌بندی را فراهم می‌کند که برای اهداف تشخیصی یا جمع‌آوری داده مفید است.

* پیکربندی: جایگزین برای URL نقطه پایانی سرور MCP.

* ورودی‌ها: به عنوان ورودی ابزار هوش مصنوعی برای عامل طبقه‌بندی تیکت متصل شده است.

* خروجی‌ها: داده‌های تشخیصی یا نتایج از ابزار.

* شکست‌های احتمالی: عدم دسترسی نقطه پایانی MCP، خطاهای احراز هویت.

---

۱.۳ مسیریابی شرطی و تولید راه‌حل

هدف: این بخش تعیین می‌کند که آیا یک تیکت می‌تواند با استفاده از یک راه‌حل موجود به طور خودکار حل شود یا نیاز به تولید راه‌حل توسط هوش مصنوعی دارد. اگر راه‌حل موجودی یافت نشد، مولد راه‌حل هوش مصنوعی یک برنامه حل دقیق ایجاد می‌کند.

گره‌ها (Nodes):

• بررسی یافت شدن راه‌حل (If)
• قالب‌بندی حل خودکار (Set)
• مولد راه‌حل هوش مصنوعی (@n8n/n8n-nodes-langchain.agent)
• مدل چت OpenAI - راه‌حل (@n8n/n8n-nodes-langchain.lmChatOpenAi)
• تجزیه کننده خروجی راه‌حل (n8n-nodes-base.code)
• ابزارهای سرور MCP1 (@n8n/n8n-nodes-langchain.mcpClientTool)

جزئیات گره‌ها:

• بررسی یافت شدن راه‌حل

* نوع: If

* نقش: فیلد بولی solutionFound را از خروجی طبقه‌بندی ارزیابی می‌کند تا گردش کار را در یکی از دو مسیر هدایت کند.

* پیکربندی: شرط بررسی می‌کند که آیا solutionFound برابر با true است.

* ورودی‌ها: JSON نتایج طبقه‌بندی.

* خروجی‌ها:

* شاخه True: به قالب‌بندی حل خودکار ادامه می‌دهد.

* شاخه False: به مولد راه‌حل هوش مصنوعی ادامه می‌دهد.

* شکست‌های احتمالی: فیلد solutionFound گمشده یا بدشکل.

• قالب‌بندی حل خودکار

* نوع: Set

* نقش: وضعیت تیکت، متن راه‌حل، هویت حل‌کننده و زمان حل را برای آماده‌سازی به‌روزرسانی پایگاه داده قالب‌بندی می‌کند.

* پیکربندی: فیلدهای زیر را تنظیم می‌کند:

* status: "resolved"

* resolution: متن راه‌حل به دست آمده از طبقه‌بندی.

* resolvedBy: "AI Auto-Resolver"

* resolvedAt: زمان فعلی ISO.

* ورودی‌ها: نتایج طبقه‌بندی حاوی راه‌حل یافت شده.

* خروجی‌ها: داده‌های تیکت قالب‌بندی شده آماده برای به‌روزرسانی پایگاه داده.

* شکست‌های احتمالی: خطاهای هنگام تولید مُهر زمانی.

• مولد راه‌حل هوش مصنوعی

* نوع: @n8n/n8n-nodes-langchain.agent

* نقش: یک راه‌حل دقیق و گام به گام برای تیکت‌هایی که راه‌حل موجودی برای آن‌ها یافت نشده است، با استفاده از تخصص هوش مصنوعی تولید می‌کند.

* پیکربندی:

* متن ورودی: شامل جزئیات تیکت و دسته طبقه‌بندی شده آن است.

* پیام سیستم: هوش مصنوعی را برای تولید راه‌حل‌های پشتیبانی IT در سطح متخصص، با استفاده بالقوه از ابزارهای MCP، آموزش می‌دهد.

* تجزیه کننده خروجی: برای خروجی JSON ساختاریافته فعال شده است.

* ورودی‌ها: داده‌های تیکت از مرحله طبقه‌بندی، و ابزارهای سرور MCP1 به عنوان ورودی ابزار هوش مصنوعی.

* خروجی‌ها: JSON ساختاریافته حاوی راه‌حل تولید شده، مراحل، پیچیدگی، زمان تخمینی و اطلاعات تشخیصی.

* شکست‌های احتمالی: اتمام زمان API، خطاهای نقطه پایانی MCP.

• مدل چت OpenAI - راه‌حل

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

* نقش: قابلیت‌های استنتاج را برای مدل GPT-4.1-mini به عامل مولد راه‌حل هوش مصنوعی ارائه می‌دهد.

* پیکربندی: از همان مدل و اعتبارنامه‌های OpenAI مانند طبقه‌بندی کننده استفاده می‌کند.

* ورودی‌ها: پرامپت‌های هوش مصنوعی تولید شده توسط مولد راه‌حل هوش مصنوعی.

* خروجی‌ها: متن خام راه‌حل تولید شده توسط هوش مصنوعی.

* شکست‌های احتمالی: مشابه مدل چت OpenAI - طبقه‌بندی کننده.

• تجزیه کننده خروجی راه‌حل

* نوع: n8n-nodes-base.code (جاوا اسکریپت)

* نقش: متن خام راه‌حل را از هوش مصنوعی به فرمت JSON ساختاریافته تجزیه می‌کند، شامل فیلدهایی مانند solution، steps، complexity، estimatedTime، requiresEngineer و diagnosticInfo.

* ورودی‌ها: متن خام راه‌حل هوش مصنوعی از مدل چت OpenAI - راه‌حل.

* خروجی‌ها: داده‌های راه‌حل ساختاریافته برای استفاده در گره‌های بعدی.

* شکست‌های احتمالی: خطاهای تجزیه در صورتی که پاسخ هوش مصنوعی با ساختار مورد انتظار مطابقت نداشته باشد.

• ابزارهای سرور MCP1

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

* نقش: ابزارهای تشخیصی را برای عامل مولد راه‌حل هوش مصنوعی، مشابه ابزارهای سرور MCP، فراهم می‌کند.

* پیکربندی: جایگزین برای URL نقطه پایانی سرور MCP.

* ورودی‌ها: به عنوان ورودی ابزار هوش مصنوعی به مولد راه‌حل هوش مصنوعی ارائه شده است.

* خروجی‌ها: داده‌های تشخیصی بازیابی شده از سرور MCP.

* شکست‌های احتمالی: مشابه ابزارهای سرور MCP.

---

۱.۴ پردازش پس از اجرا و تشدید

هدف: این بخش، لاگ‌های تشخیصی را تولید می‌کند، وضعیت تیکت را در پایگاه داده به‌روزرسانی می‌کند و بر اساس پیچیدگی راه‌حل تولید شده توسط هوش مصنوعی یا پرچم‌های خاص، تعیین می‌کند که آیا تشدید به یک مهندس ضروری است یا خیر.

گره‌ها (Nodes):

• ایجاد لاگ‌های تشخیصی (Code)
• بررسی نیاز به مهندس (If)
• به‌روزرسانی وضعیت تیکت (Postgres)
• اطلاع‌رسانی به مهندس (Slack)
• آماده‌سازی ورودی پایگاه دانش (Set)

جزئیات گره‌ها:

• ایجاد لاگ‌های تشخیصی

* نوع: Code (جاوا اسکریپت)

* نقش: اشیاء لاگ تشخیصی دقیقی را شامل شناسه تیکت، نتایج طبقه‌بندی، راه‌حل‌های تولید شده، امتیازات اطمینان، معیارهای هوش مصنوعی و فراداده‌های مرتبط، می‌سازد.

* پیکربندی: یک بار برای هر مورد اجرا می‌شود و فیلدهای کلیدی را از JSON ورودی استخراج کرده و مُهر زمانی و فراداده اجرای گردش کار را اضافه می‌کند.

* ورودی‌ها: داده‌های راه‌حل یا رفع مشکل از مسیر مولد راه‌حل هوش مصنوعی یا حل خودکار.

* خروجی‌ها: با افزودن فیلد diagnosticLog، داده‌ها را غنی‌سازی می‌کند.

* شکست‌های احتمالی: خطاهای جاوا اسکریپت در صورت گمشده بودن یا بدشکل بودن فیلدهای ورودی مورد نیاز.

• بررسی نیاز به مهندس

* نوع: If

* نقش: فیلد بولی requiresEngineer را در JSON راه‌حل ارزیابی می‌کند تا تصمیم بگیرد که آیا تیکت نیاز به تشدید به یک مهندس انسانی دارد یا خیر.

* پیکربندی: شرط بررسی می‌کند که آیا requiresEngineer برابر با true است.

* ورودی‌ها: لاگ‌های تشخیصی حاوی داده‌های راه‌حل.

* خروجی‌ها:

* شاخه True: به اطلاع‌رسانی به مهندس ادامه می‌دهد.

* شاخه False: به آماده‌سازی ورودی پایگاه دانش ادامه می‌دهد.

* شکست‌های احتمالی: فیلد requiresEngineer گمشده یا عدم تطابق نوع.

• به‌روزرسانی وضعیت تیکت

* نوع: Postgres

* نقش: یک کوئری SQL را برای به‌روزرسانی وضعیت تیکت، جزئیات راه‌حل، اطلاعات حل‌کننده و مُهر زمانی راه‌حل در جدول پایگاه داده تیکت‌های تعیین شده اجرا می‌کند.

* پیکربندی:

* کوئری SQL:

```sql

UPDATE tickets

SET status = '{{ $json.status }}',

resolution = '{{ $json.resolution }}',

resolved_by = '{{ $json.resolvedBy }}',

resolved_at = '{{ $json.resolvedAt }}'

WHERE id = {{ $json.ticketId }};

```

* اعتبارنامه‌ها: اعتبارنامه‌های پایگاه داده PostgreSQL.

* ورودی‌ها: داده‌های به‌روزرسانی تیکت قالب‌بندی شده (از خروجی قالب‌بندی حل خودکار یا مولد راه‌حل هوش مصنوعی).

* خروجی‌ها: تأیید به‌روزرسانی پایگاه داده.

* شکست‌های احتمالی: مشکلات اتصال پایگاه داده، نحو SQL نامعتبر، نام جدول یا ستون نادرست.

• اطلاع‌رسانی به مهندس

* نوع: Slack

* نقش: هنگامی که یک تیکت نیاز به مداخله مهندس دارد، یک اعلان به کانال Slack پیکربندی شده ارسال می‌کند.

* پیکربندی:

* پیام: شامل شناسه تیکت، خلاصه و پیوندی به تیکت برای بررسی است.

* شناسه کانال: از گره پیکربندی گردش کار گرفته شده است (slackChannel).

* ورودی‌ها: داده‌های تیکت که نیاز به اطلاع‌رسانی مهندس دارند.

* خروجی‌ها: تأیید ارسال پیام Slack.

* شکست‌های احتمالی: توکن API Slack نامعتبر، شناسه کانال نادرست، مشکلات شبکه.

• آماده‌سازی ورودی پایگاه دانش

* نوع: Set

* نقش: داده‌ها را برای یک ورودی جدید در پایگاه دانش، شامل جزئیات تیکت، راه‌حل تولید شده و فراداده‌های مرتبط، قالب‌بندی می‌کند.

* پیکربندی: فیلدها را از داده‌های ورودی به ساختار مورد نیاز برای درج پایگاه دانش نگاشت می‌کند.

* ورودی‌ها: داده‌های تیکت حل شده (چه به صورت خودکار حل شده و چه تولید شده توسط هوش مصنوعی).

* خروجی‌ها: داده‌های قالب‌بندی شده آماده برای بخش غنی‌سازی پایگاه دانش.

* شکست‌های احتمالی: فیلدهای مورد نیاز برای ورودی پایگاه دانش گمشده.

---

۱.۵ غنی‌سازی پایگاه دانش

هدف: این بخش داده‌های تیکت حل شده جدید را آماده کرده و در پایگاه داده وکتور PostgreSQL درج می‌کند و به طور مداوم پایگاه دانش را برای حل تیکت‌های آینده بهبود می‌بخشد.

گره‌ها (Nodes):

• امبدینگ OpenAI - پایگاه دانش (@n8n/n8n-nodes-langchain.embeddingsOpenAi)
• درج در پایگاه دانش (@n8n/n8n-nodes-langchain.vectorStorePGVector)

جزئیات گره‌ها:

• امبدینگ OpenAI - پایگاه دانش

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

* نقش: بردارهای امبدینگ را برای داده‌های تیکت حل شده جدید تولید می‌کند و آن را برای ذخیره‌سازی در پایگاه داده وکتور آماده می‌کند.

* پیکربندی: از اعتبارنامه‌های API OpenAI پیکربندی شده استفاده می‌کند.

* ورودی‌ها: داده‌های ورودی پایگاه دانش قالب‌بندی شده از آماده‌سازی ورودی پایگاه دانش.

* خروجی‌ها: بردار امبدینگ برای ورودی پایگاه دانش جدید.

* شکست‌های احتمالی: محدودیت‌های نرخ API، مشکلات شبکه.

• درج در پایگاه دانش

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

* نقش: داده‌های تیکت جدید و بردار امبدینگ مربوطه را در جدول وکتور PostgreSQL درج می‌کند.

* پیکربندی:

* عملیات: Insert

* نام جدول: از پیکربندی گردش کار گرفته شده است (helpdesk_knowledge_base).

* ستون وکتور: معمولاً embedding.

* ستون متن: خلاصه تیکت و راه‌حل را ذخیره می‌کند.

* ستون‌های فراداده: شناسه تیکت، دسته و غیره را ذخیره می‌کند.

* ورودی‌ها: داده‌های ورودی پایگاه دانش قالب‌بندی شده و بردار امبدینگ تولید شده.

* خروجی‌ها: تأیید درج موفقیت‌آمیز در پایگاه دانش.

* شکست‌های احتمالی: خطاهای اتصال پایگاه داده، جدول یافت نشد، خطاهای درج.

---

۱.۶ ثبت تشخیصی

هدف: این بخش نهایی تضمین می‌کند که لاگ‌های تشخیصی جامعی برای هر تیکت پردازش شده ایجاد می‌شود و به نظارت، اشکال‌زدایی و تضمین کیفیت فرآیند تریاژ خودکار کمک می‌کند.

گره‌ها (Nodes):

• لاگ تشخیصی نهایی (StickyNote)

جزئیات گره‌ها:

• لاگ تشخیصی نهایی

* نوع: StickyNote

* نقش: به عنوان یک نشانگر بصری و نقطه مستندسازی برای پایان اجرای گردش کار عمل می‌کند و نتیجه را خلاصه می‌کند یا یادداشت‌های نهایی را ارائه می‌دهد. اگرچه یک گره پردازشی نیست، اما برای درک وضعیت تکمیل گردش کار حیاتی است.

* پیکربندی: حاوی متن توصیفی در مورد هدف لاگ و داده‌های ثبت شده در مراحل قبلی است.

* ورودی‌ها: خروجی نهایی را از گره قبلی دریافت می‌کند (به عنوان مثال، تأیید درج پایگاه دانش یا اعلان Slack).

* خروجی‌ها: ندارد (نشانگر بصری).

* نکات: این گره عمدتاً برای مستندسازی و وضوح بصری در بوم n8n است. داده‌های واقعی لاگ در گره‌های قبلی (مانند ایجاد لاگ‌های تشخیصی) تولید و منتقل می‌شوند.