مدیریت پیام‌های متوالی تلگرام برای چت‌بات‌های هوش مصنوعی

مدیریت پیام‌های متوالی تلگرام برای چت‌بات‌های هوش مصنوعی

این گردش کار نحوه ساخت یک چت‌بات تلگرام را نشان می‌دهد که پیام‌های کوتاه متعددی را که توسط کاربر در مدت زمان کوتاه ارسال می‌شوند، به طور هوشمندانه مدیریت می‌کند. این گردش کار به جای اینکه هر پیام را به عنوان یک تعامل جداگانه در نظر بگیرد، پیام‌های ورودی را بافر می‌کند، آن‌ها را پس از یک مکث کوتاه در یک مکالمه منسجم واحد تجمیع می‌کند، متن ترکیبی را با یک عامل هوش مصنوعی پردازش می‌کند و سپس یک پاسخ یکپارچه و آگاه از زمینه را ارسال می‌کند.

این رویکرد با اجازه دادن به تعاملات طبیعی‌تر و مکالمه‌ای با چت‌بات هوش مصنوعی شما، تجربه کاربری را بهبود می‌بخشد.

این گردش کار را در Axeto.ai کاوش کنید: کاتالوگ n8n در Axeto.ai

---

تشریح گردش کار

این گردش کار به چهار بخش منطقی اصلی تقسیم می‌شود:

1. دریافت پیام: پیام‌های ورودی تلگرام را از طریق یک تریگر Webhook دریافت می‌کند.

2. بافر کردن پیام‌های ورودی: پیام‌ها را به طور موقت ذخیره کرده و منتظر جمع‌آوری پیام‌های اضافی از همان کاربر می‌ماند.

3. پردازش پیام‌های تجمیع‌شده با دستیار هوش مصنوعی: پیام‌های صف‌شده را بازیابی، مرتب و تجمیع می‌کند، سپس متن ترکیبی را برای تولید پاسخ به یک عامل هوش مصنوعی ارسال می‌کند.

4. ارسال پاسخ: پاسخ یکپارچه تولید شده توسط هوش مصنوعی را از طریق تلگرام به کاربر بازمی‌گرداند و صف پیام را پاک می‌کند.

---

تجزیه و تحلیل گره‌های دقیق

۱. دریافت پیام

• هدف: این بخش با گوش دادن به پیام‌های جدید ارسال شده به ربات تلگرام، گردش کار را آغاز می‌کند.
• گره‌ها:

* Telegram Trigger (نوع گره: n8n-nodes-base.telegramTrigger)

* نقش: پیام‌های ورودی تلگرام را از طریق یک وب‌هوک تشخیص می‌دهد.

* پیکربندی: با توکن ربات تلگرام شما راه‌اندازی شده و برای گوش دادن به به‌روزرسانی‌های "پیام" پیکربندی شده است.

* ورودی: داده‌های وب‌هوک ورودی از تلگرام.

* خروجی: بار داده JSON پیام تلگرام دریافتی.

* ملاحظات: اطمینان حاصل کنید که URL وب‌هوک شما به درستی در تلگرام پیکربندی شده و قابل دسترسی است.

۲. بافر کردن پیام‌های ورودی

• هدف: این بخش پیام‌های ارسال شده در فواصل زمانی نزدیک توسط یک کاربر را جمع‌آوری کرده و قبل از پردازش به طور موقت ذخیره می‌کند.
• گره‌ها:

* Add to Queued Messages (نوع گره: n8n-nodes-base.supabase)

* نقش: جزئیات پیام ورودی را در یک جدول PostgreSQL Supabase (message_queue) درج می‌کند.

* پیکربندی: chat.id تلگرام را به user_id، text را به message و message_id را به message_id نگاشت می‌کند.

* عبارات:

* user_id: ={{ $json.message.chat.id }}

* message: ={{ $json.message.text }}

* message_id: ={{ $json.message.message_id }}

* ورودی: خروجی از Telegram Trigger.

* خروجی: تأیید درج در پایگاه داده.

* پیش‌نیازها: یک پروژه Supabase با جدول message_queue (ستون‌ها: user_id (integer/bigint)، message (text)، message_id (bigint)، created_at (timestamp with timezone، پیش‌فرض now())).

* Wait 10 Seconds (نوع گره: n8n-nodes-base.wait)

* نقش: اجرای گردش کار را برای مدت زمان مشخصی متوقف می‌کند تا امکان دریافت پیام‌های اضافی از همان کاربر فراهم شود.

* پیکربندی: Wait Amount را روی 10 ثانیه تنظیم کنید. می‌توانید این مقدار را برای تغییر پنجره بافر تنظیم کنید.

* ورودی: خروجی از Add to Queued Messages.

* خروجی: داده‌ها را پس از تأخیر به جلو منتقل می‌کند.

* Get Queued Messages (نوع گره: n8n-nodes-base.supabase)

* نقش: تمام پیام‌های مربوط به کاربر فعلی را از جدول message_queue بازیابی می‌کند.

* پیکربندی: از یک کوئری SELECT در جدول message_queue با فیلتر بر اساس user_id استفاده می‌کند.

* عبارت (فیلتر): user_id برابر است با ={{ $('Telegram Trigger').item.json.message.chat.id }}.

* ورودی: خروجی از Wait 10 Seconds.

* خروجی: آرایه‌ای از پیام‌ها برای کاربر.

* Sort by Message ID (نوع گره: n8n-nodes-base.sort)

* نقش: پیام‌های بازیابی شده را به ترتیب زمانی بر اساس message_id مرتب می‌کند تا ترتیب صحیح مکالمه تضمین شود.

* پیکربندی: بر اساس فیلد message_id در ترتیب صعودی مرتب می‌کند.

* ورودی: خروجی از Get Queued Messages.

* خروجی: آرایه‌ای مرتب شده از پیام‌ها.

* Check Most Recent Message (نوع گره: n8n-nodes-base.if)

* نقش: بررسی می‌کند که آیا آخرین پیام بازیابی شده از صف، واقعاً جدیدترین پیامی است که در این اجرای گردش کار دریافت شده است. این کار از پردازش زودهنگام در صورت دریافت پیام‌ها با کمی ترتیب نامناسب یا کوتاه بودن دوره انتظار جلوگیری می‌کند.

* پیکربندی:

* مقدار چپ: ={{ $input.last().json.message_id }} ( message_id آخرین مورد در لیست مرتب شده).

* شرط: Equal

* مقدار راست: ={{ $('Telegram Trigger').item.json.message.message_id }} ( message_id پیام ورودی فعلی).

* ورودی: خروجی از Sort by Message ID.

* خروجی:

* شاخه True: به حذف پیام‌های در صف و ارسال به هوش مصنوعی ادامه می‌دهد.

* شاخه False: گره No Operation را فعال می‌کند.

* No Operation, do nothing (نوع گره: n8n-nodes-base.noOp)

* نقش: یک گره جایگزین که به صراحت کاری انجام نمی‌دهد. در اینجا برای شاخه false گره If استفاده می‌شود و نشان می‌دهد که در صورت عدم برآورده شدن شرط، هیچ اقدام بیشتری نباید انجام شود.

* ورودی: شاخه False از Check Most Recent Message.

* خروجی: ندارد.

۳. پردازش پیام‌های تجمیع‌شده با دستیار هوش مصنوعی

• هدف: این بخش پیام‌های جمع‌آوری شده را برای هوش مصنوعی آماده می‌کند، پاسخی تولید می‌کند و تاریخچه مکالمه را مدیریت می‌کند.
• گره‌ها:

* Delete Queued Messages (نوع گره: n8n-nodes-base.supabase)

* نقش: پیام‌های پردازش شده را از جدول message_queue پاک می‌کند تا از پردازش مجدد جلوگیری شود.

* پیکربندی: از یک کوئری DELETE در جدول message_queue با فیلتر بر اساس user_id استفاده می‌کند.

* عبارت (فیلتر): user_id برابر است با ={{ $json.user_id }} (با فرض اینکه user_id از شاخه True گره Check Most Recent Message عبور کرده است).

* ورودی: شاخه True از Check Most Recent Message.

* خروجی: تأیید حذف از پایگاه داده.

* Aggregate (نوع گره: n8n-nodes-base.aggregate)

* نقش: محتوای متنی تمام پیام‌های کاربر فعلی را در یک فرمت واحد و ساختاریافته مناسب برای هوش مصنوعی ترکیب می‌کند.

* پیکربندی: فیلد message را از داده‌های ورودی تجمیع می‌کند.

* ورودی: خروجی از Delete Queued Messages.

* خروجی: آرایه‌ای که هر عنصر آن یک رشته پیام است.

* AI Agent (نوع گره: @n8n/n8n-nodes-langchain.agent)

* نقش: با استفاده از یک مدل زبان و حافظه چت، تولید پاسخ هوش مصنوعی را هماهنگ می‌کند.

* پیکربندی:

* Input Text: ={{ $json.message.join(String.fromCharCode(10)) }} - پیام‌های تجمیع شده را به یک رشته واحد، جدا شده با کاراکترهای خط جدید، پیوند می‌دهد.

* Prompt Type: define (برای اعلان‌های سفارشی).

* LLM: به گره OpenAI Chat Model متصل می‌شود.

* Memory: به گره Postgres Chat Memory متصل می‌شود.

* ورودی: خروجی از Aggregate.

* خروجی: متن پاسخ تولید شده توسط هوش مصنوعی.

* پیش‌نیازها: گره‌های Langchain نصب شده (npm install @n8n/n8n-nodes-langchain).

* OpenAI Chat Model (نوع گره: @n8n/n8n-nodes-langchain.lmChatOpenAi)

* نقش: قابلیت‌های مدل زبان (مانند GPT-4o-mini) را برای AI Agent فراهم می‌کند.

* پیکربندی: مدل OpenAI مورد نظر خود را انتخاب کنید (به عنوان مثال، gpt-4o-mini).

* اعتبارنامه‌ها: کلید API OpenAI شما را الزامی می‌کند.

* ورودی: به عنوان ورودی مدل زبان برای گره AI Agent استفاده می‌شود.

* خروجی: پاسخ‌های مدل زبان.

* Postgres Chat Memory (نوع گره: @n8n/n8n-nodes-langchain.memoryPostgresChat)

* نقش: با ذخیره و بازیابی نوبت‌های چت از یک پایگاه داده PostgreSQL، تاریخچه مکالمه را مدیریت می‌کند. این تضمین می‌کند که هوش مصنوعی از تعاملات قبلی در همان جلسه چت، زمینه لازم را دارد.

* پیکربندی:

* Session Key: ={{ $('Telegram Trigger').item.json.message.chat.id }} - از شناسه چت تلگرام برای شناسایی منحصر به فرد جلسه مکالمه استفاده می‌کند.

* Session ID Type: Custom key.

* اعتبارنامه‌ها: جزئیات اتصال PostgreSQL شما را الزامی می‌کند (سازگار با Supabase).

* ورودی: به عنوان ورودی حافظه برای گره AI Agent استفاده می‌شود.

* خروجی: زمینه تاریخچه چت را به AI Agent ارائه می‌دهد.

۴. ارسال پاسخ

• هدف: پاسخ هوش مصنوعی را به کاربر در چت تلگرام اصلی تحویل می‌دهد.
• گره‌ها:

* Reply (نوع گره: n8n-nodes-base.telegram)

* نقش: پیام متنی تولید شده را از طریق تلگرام به کاربر ارسال می‌کند.

* پیکربندی:

* Text: ={{ $json.output }} (پاسخ از گره AI Agent).

* Chat ID: ={{ $('Telegram Trigger').item.json.message.chat.id }} (شناسه چتی که پیام از آنجا نشأت گرفته است).

* اعتبارنامه‌ها: توکن ربات تلگرام شما را الزامی می‌کند.

* ورودی: خروجی از AI Agent.

* خروجی: تأیید ارسال پیام.

---

جدول خلاصه