تحلیل هوشمند تصاویر و PDF از گوگل درایو با Gemini 3

تحلیل تصاویر و PDFها از Google Drive با هوش مصنوعی Gemini 3

این گردش کار، تحلیل و خلاصه‌سازی تصاویر و گزارش‌های مالی PDF جدید آپلود شده در یک پوشه مشخص Google Drive را با استفاده از مدل‌های هوش مصنوعی Google Gemini 3 خودکار می‌کند. این گردش کار برای متخصصان مالی، تحلیلگران یا هر کسی که نیاز به بینش سریع مبتنی بر هوش مصنوعی از داده‌ها و اسناد مالی بصری دارد، طراحی شده است.

مرور گردش کار:

• دریافت ورودی: پوشه Google Drive تعیین شده را برای آپلود فایل‌های جدید (تصاویر یا PDF) نظارت می‌کند.
• فیلتر نوع فایل: فایل‌های ورودی را بر اساس نوع MIME جدا می‌کند تا تصاویر و PDFها را به مسیرهای پردازش مربوطه هدایت کند.
• دانلود فایل: محتوای فایل‌های شناسایی شده را از طریق درخواست‌های HTTP بازیابی می‌کند.
• تحلیل تصویر: تصاویر دانلود شده را برای تحلیل به مدل Vision Google Gemini 3 ارسال می‌کند، و سپس یک عامل هوش مصنوعی برای خلاصه‌سازی و استخراج بینش‌های کلیدی استفاده می‌شود.
• استخراج و تحلیل PDF: متن را از PDFها استخراج می‌کند، آن را از طریق OpenRouter به مدل زبان Gemini 3 ارسال می‌کند، و سپس از یک عامل هوش مصنوعی برای خلاصه‌سازی و بینش‌های کلیدی استفاده می‌کند.
• راهنمایی و مستندات: از Sticky Notes برای دستورالعمل‌ها، بصری‌سازی گردش کار و پیوند به منابع خارجی استفاده می‌کند.

---

تشریح جزئیات گردش کار

۱. دریافت ورودی

• هدف: تشخیص فایل‌های جدید اضافه شده به پوشه مشخص Google Drive، و راه‌اندازی گردش کار.
• گره‌ها (Nodes):

* Google Drive Trigger

• پیکربندی:

* Type: گره Trigger، پیکربندی شده برای گوش دادن به رویدادهای Google Drive.

* Event: fileCreated.

* Folder to watch: شناسه پوشه Google Drive هدف را مشخص کنید.

* Polling: برای بررسی هر دقیقه تنظیم شده است.

* Credential: اطمینان حاصل کنید که اعتبارنامه OAuth Google Drive شما دسترسی خواندن به پوشه مشخص شده را دارد.

• ورودی: ندارد (رویداد محور).
• خروجی: متادیتای JSON فایل(های) جدید آپلود شده.
• مشکلات احتمالی: خطاهای اعتبارنامه OAuth، مجوزهای ناکافی پوشه، محدودیت‌های نرخ API.

۲. فیلتر نوع فایل

• هدف: مسیریابی فایل‌ها به شاخه‌های پردازش مختلف بر اساس نوع MIME آن‌ها، و تمایز بین تصاویر و PDFها.
• گره‌ها (Nodes):

* If (با نام "Filter by Type")

• پیکربندی:

* Type: گره منطق شرطی.

* Condition: بررسی می‌کند که آیا نوع MIME فایل image/png یا image/webp است.

• ورودی: متادیتای فایل از Google Drive Trigger.
• خروجی:

* Output 1: اگر نوع MIME با فرمت تصویر مطابقت داشته باشد.

* Output 2 (Else): برای سایر انواع فایل‌ها، که در این گردش کار فرض می‌شود PDF هستند.

• مشکلات احتمالی: انواع MIME گمشده یا غیرمنتظره؛ فرمت‌های فایل پشتیبانی نشده نادیده گرفته خواهند شد.

۳. دانلود فایل

• هدف: دانلود محتوای واقعی فایل از Google Drive با استفاده از پیوند محتوای وب آن، و آماده‌سازی آن برای تحلیل.
• گره‌ها (Nodes):

* HTTP Request (با نام "Download Image")

* HTTP Request (با نام "Download PDF")

• پیکربندی:

* Type: گره HTTP Request.

* URL: از webContentLink از متادیتای فایل استفاده می‌کند.

• ورودی: متادیتای فایل از گره If (مخصوص شاخه تصویر یا PDF).
• خروجی: داده‌های باینری تصویر یا PDF دانلود شده.
• مشکلات احتمالی: URL نامعتبر، خطاهای مجوز، خرابی‌های اتصال شبکه.

۴. شاخه تحلیل تصویر

• هدف: تحلیل تصاویر دانلود شده (مانند نمودارها، دیاگرام‌ها) با استفاده از هوش مصنوعی Google Gemini 3 Vision و خلاصه‌سازی یافته‌ها.
• گره‌ها (Nodes):

* Google Gemini (با نام "Analyze an image")

* Agent (با نام "Analyzer Agent")

• پیکربندی:

* Analyze an image:

* Type: گره LangChain Google Gemini (مدل Vision).

* Model: models/gemini-3-pro-preview.

* Operation: تحلیل ورودی تصویر (باینری).

* Text Prompt: "این گزارش/تصویر را خلاصه کن."

* Analyzer Agent:

* Type: گره LangChain Agent.

* Input Text: $json.content.parts[0].text (از گره "Analyze an image").

* System Message: پیکربندی شده برای عمل به عنوان دستیار تحلیلگر مالی، خلاصه‌سازی و استخراج ۳ یافته کلیدی برتر.

• ورودی:

* "Analyze an image": داده‌های باینری تصویر از "Download Image".

* "Analyzer Agent": نتایج تحلیل JSON از "Analyze an image".

• خروجی:

* "Analyze an image": JSON حاوی تفسیر متنی و بصری تصویر.

* "Analyzer Agent": خلاصه‌ای از یافته‌های کلیدی از تحلیل تصویر.

• مشکلات احتمالی: مشکلات اعتبارنامه API، در دسترس بودن مدل، فرمت‌های تصویر پشتیبانی نشده، تأخیر یا خطاهای مدل هوش مصنوعی، خطاهای تجزیه (parsing).

۵. شاخه استخراج و تحلیل PDF

• هدف: استخراج متن از فایل‌های PDF، پردازش آن با Gemini 3 از طریق OpenRouter، و خلاصه‌سازی محتوا با استفاده از یک عامل هوش مصنوعی.
• گره‌ها (Nodes):

* Extract from File

* OpenRouter Chat Model (با نام "OpenRouter Chat Model1")

* Agent (با نام "Analyzer Agent (PDF)")

• پیکربندی:

* Extract from File:

* Type: گره ExtractFromFile.

* Configuration: محتوای متنی را از PDF باینری استخراج می‌کند.

* OpenRouter Chat Model1:

* Type: گره LangChain OpenRouter Chat Model.

* Model: google/gemini-3-pro-preview.

* Input: از متن استخراج شده از گره "Extract from File" استفاده می‌کند.

* Analyzer Agent (PDF):

* Type: گره LangChain Agent.

* Input Text: $json.content.parts[0].text (از "OpenRouter Chat Model1").

* System Message: همان اعلان دستیار تحلیلگر مالی که در شاخه تحلیل تصویر استفاده شده است.

• ورودی:

* "Extract from File": داده‌های باینری PDF از "Download PDF".

* "OpenRouter Chat Model1": متن استخراج شده از "Extract from File".

* "Analyzer Agent (PDF)": متن پردازش شده از "OpenRouter Chat Model1".

• خروجی:

* "Extract from File": محتوای متنی استخراج شده (JSON).

* "OpenRouter Chat Model1": متن پردازش شده آماده برای عامل هوش مصنوعی.

* "Analyzer Agent (PDF)": گزارش خلاصه‌شده با بینش‌های کلیدی از PDF.

• مشکلات احتمالی: PDFهای بدون متن قابل انتخاب (فقط تصاویر اسکن شده)، خرابی استخراج، محدودیت‌های API، مشکلات اتصال، خطاهای اعتبارنامه، مشکلات تجزیه متن، خطاهای مدل هوش مصنوعی.

۶. راهنمایی و مستندات کاربر

• هدف: ارائه زمینه، برچسب‌گذاری بخش‌های گردش کار و ارائه پیوند به منابع خارجی برای درک و آشنایی کاربر.
• گره‌ها (Nodes):

* Sticky Note (نمونه‌های متعدد)

• پیکربندی: این گره‌ها برای حاشیه‌نویسی بصری استفاده می‌شوند و حاوی توضیحات، دستورالعمل‌ها، تقسیم‌بندی گردش کار و پیوند به آموزش‌های ویدیویی خارجی هستند.
• ورودی/خروجی: ندارد.

---

جدول خلاصه

---

بازسازی گردش کار

برای بازسازی این گردش کار از ابتدا:

1. افزودن گره Google Drive Trigger:

* Type: Google Drive Trigger

* Event: fileCreated

* Folder to watch: شناسه پوشه Google Drive خاص خود را وارد کنید.

* Polling: روی 1 minute تنظیم کنید.

* Credential: اعتبارنامه OAuth Google Drive خود را با مجوزهای خواندن برای پوشه هدف انتخاب کنید.

2. افزودن گره If (Filter by Type):

* Type: If

* Conditions:

* {{ $json.mimeType }} equals image/png

* OR

* {{ $json.mimeType }} equals image/webp