1. n8n AI एजेंटों का परिचय [0]

यह कोर्स बिना किसी कोडिंग अनुभव के शक्तिशाली नो-कोड AI एजेंट बनाने और बेचने के तरीके सिखाता है।

1.1. कोर्स का एजेंडा [0]

  1. यह कोर्स शुरुआती लोगों को शक्तिशाली नो-कोड AI एजेंट बनाने में मदद करेगा, जिसके लिए किसी कोडिंग अनुभव की आवश्यकता नहीं है [0].
  2. पिछले आठ महीनों में, AI एजेंटों को बनाने और सिखाने से $500,000 से अधिक का राजस्व प्राप्त हुआ है [2].
  3. इस कोर्स में, एक मुफ्त Twilio खाता स्थापित किया जाएगा, क्रेडेंशियल सेट किए जाएंगे, और चरण-दर-चरण निर्माणों पर काम किया जाएगा [3].
  4. कोर्स के अंत तक, 15 से अधिक AI ऑटोमेशन तैयार होंगे [5].
  5. कोर्स एजेंडा में AI एजेंटों और वर्तमान अवसरों पर चर्चा, n8n UI से परिचित होना, और आवश्यक मूलभूत ज्ञान शामिल है [10].
  6. इसमें API और HTTP अनुरोधों के साथ चरण-दर-चरण वर्कफ़्लो, AI एजेंट टूल और मेमोरी, मल्टी-एजेंट आर्किटेक्चर, प्रॉम्प्टिंग, वेबहुक, MCP सर्वर और AI एजेंट बनाने के पहले 6 महीनों से सीखे गए सबक शामिल हैं [15].

1.2. AI एजेंटों को समझना [27]

  1. AI एजेंट को समझना महत्वपूर्ण है, क्योंकि इस क्षेत्र में बहुत प्रचार है [27].
  2. ChatGPT जैसे बड़े भाषा मॉडल (LLM) कोर में हैं, लेकिन वे स्वयं कोई कार्रवाई नहीं कर सकते हैं [32].
  3. LLM केवल इनपुट लेते हैं, उन्हें संसाधित करते हैं, और आउटपुट बनाते हैं, जैसे ईमेल लिखना [37].
  4. LLM की शक्ति तब आती है जब उन्हें विभिन्न टूल से जोड़ा जाता है, जो ईमेल भेजने या डेटाबेस अपडेट करने जैसी वास्तविक क्रियाएं करने की अनुमति देते हैं [42].
  5. टूल के साथ LLM को जोड़ने से AI वर्कफ़्लो या AI एजेंट बन सकते हैं [48].

1.3. AI वर्कफ़्लो बनाम AI एजेंट [49]

  1. AI वर्कफ़्लो में, टूल सीधे वर्कफ़्लो में एकीकृत होते हैं, जो एक रैखिक, अनुक्रमिक प्रक्रिया का पालन करते हैं [52].
  2. एक उदाहरण HubSpot से एक नई लीड प्राप्त करना, Perplexity का उपयोग करके शोध करना, एक LLM का उपयोग करके एक व्यक्तिगत ईमेल का मसौदा तैयार करना, और फिर ईमेल भेजने के लिए एक और टूल का उपयोग करना है [55].
  3. यह प्रक्रिया हमेशा उसी क्रम में होती है, जिससे यह वर्कफ़्लो के लिए अधिक प्रभावी हो जाती है [60].
  4. AI एजेंट निर्णय ले सकते हैं और विभिन्न इनपुट के आधार पर स्वायत्त रूप से कार्य कर सकते हैं, जिससे वे अप्रत्याशित प्रक्रियाओं के लिए उपयुक्त हो जाते हैं [69].
  5. AI एजेंटों की तुलना में AI वर्कफ़्लो के चार मुख्य फायदे हैं: विश्वसनीयता और स्थिरता, लागत-दक्षता, आसान डिबगिंग और रखरखाव, और स्केलेबिलिटी [76].
  6. AI एजेंट बनाने से पहले AI वर्कफ़्लो बनाना महत्वपूर्ण है, क्योंकि यह "क्रॉल, वॉक, रन" अवधारणा का पालन करता है [79].

1.4. AI एजेंट की संरचना [89]

  1. एक AI एजेंट में मेमोरी होती है, जिसमें अल्पकालिक और दीर्घकालिक दोनों शामिल होते हैं, ताकि बातचीत के संदर्भ को बनाए रखा जा सके [89].
  2. इसमें निर्देश भी होते हैं, जिन्हें सिस्टम प्रॉम्प्ट कहा जाता है, जो AI एजेंट को उसकी भूमिका, कार्य और उपलब्ध टूल के बारे में बताते हैं [93].
  3. सिस्टम प्रॉम्प्ट इनपुट (उपयोगकर्ता प्रॉम्प्ट) से अलग होता है, जो गतिशील होता है और हर बार बदलता है, जबकि सिस्टम प्रॉम्प्ट आमतौर पर एजेंट के जीवनकाल में समान रहता है [98].
  4. जब एक एजेंट को एक इनपुट मिलता है, तो वह इनपुट को समझने के लिए अपने मस्तिष्क का उपयोग करता है, पिछले इंटरैक्शन के लिए अपनी मेमोरी की जांच करता है, अपने निर्देशों को देखता है, और फिर कार्य करने के लिए अपने टूल का उपयोग करता है [101].

2. AI उद्योग में अवसर और n8n की नींव [107]

AI उद्योग में महत्वपूर्ण वृद्धि देखी जा रही है, जिसमें छोटे व्यवसाय AI टूल को अपना रहे हैं, और n8n जैसे नो-कोड प्लेटफॉर्म AI वर्कफ़्लो और एजेंट बनाने के लिए एक सुलभ तरीका प्रदान करते हैं।

2.1. AI उद्योग में अवसर [109]

  1. AI अब एक प्रयोगात्मक तकनीक नहीं है, बल्कि हर उद्योग और व्यवसाय के आकार में प्रतिस्पर्धी लाभ का एक मुख्य चालक बन गया है [112].
  2. 75% छोटे व्यवसाय अब AI टूल का उपयोग करते हैं, और $1 मिलियन से अधिक राजस्व वाली कंपनियों के बीच अपनाने की दर सबसे तेजी से बढ़ रही है (86%) [116].
  3. छोटे व्यवसायों के लिए औसत वार्षिक AI निवेश केवल $1,800 है, जो कुछ साल पहले विज्ञान कथा रही तकनीक तक पहुंच प्रदान करता है [121].
  4. AI-संचालित अभियानों में विपणन टीमों को ROI में 22% की वृद्धि देखी जा रही है, ग्राहक सेवा AI एजेंटों ने प्रतिक्रिया समय को 60% तक कम कर दिया है, और AI-अनुकूलित आपूर्ति श्रृंखलाओं ने परिवहन लागत को 5-10% तक कम कर दिया है [126].
  5. Henry's House of Coffee ने AI-संचालित SEO टूल का उपयोग करके खोज रैंकिंग में 200% सुधार और राजस्व में 25% वृद्धि हासिल की [131].
  6. Vanisee Insurance ने कस्टम चैटबॉट लागू किए, जिससे क्लाइंट क्वेरी समाधान का समय 48 घंटे से 15 मिनट तक कम हो गया, और Zapier ऑटोमेशन का उपयोग करने वाले छोटे व्यवसायों ने नियमित डेटा प्रविष्टि पर साप्ताहिक 10-15 घंटे बचाए [133].
  7. AI कौशल में महारत हासिल करना अब आधुनिक व्यावसायिक प्रतिस्पर्धा के लिए वैकल्पिक नहीं है, और AI-प्रशिक्षित टीमों वाली कंपनियों में 5-8% अधिक लाभप्रदता देखी जा रही है [137].

2.2. n8n की नींव [148]

  1. n8n एक नो-कोड प्लेटफॉर्म है जो किसी भी व्यावसायिक प्रक्रिया को नेत्रहीन रूप से स्वचालित करने की अनुमति देता है [155].
  2. इसमें विभिन्न एकीकरण, डेटा परिवर्तन के लिए देशी नोड, ट्रिगर और AI नोड शामिल हैं [158].
  3. n8n वेबसाइट और मुफ्त स्कूल समुदाय में सैकड़ों टेम्पलेट उपलब्ध हैं [163].
  4. एक मुफ्त 14-दिवसीय परीक्षण उपलब्ध है, जिसके लिए किसी बिलिंग विवरण की आवश्यकता नहीं होती है [170].
  5. कार्यप्रवाह को अंत तक चलाने पर एक निष्पादन के रूप में गिना जाता है [186].
  6. n8n डैशबोर्ड में अवलोकन, व्यक्तिगत परियोजनाएं, साझा आइटम, व्यवस्थापक पैनल और बिलिंग जानकारी शामिल है [188].

2.3. n8n में AI एजेंट का डेमो [202]

  1. n8n में एक साधारण AI एजेंट का परीक्षण करने के लिए, "हाय" कहकर चैट शुरू करें [204].
  2. यदि कोई त्रुटि होती है, जैसे कि OpenAI मॉडल में क्रेडेंशियल की कमी, तो इसे ठीक करने के लिए API कुंजी या मुफ्त क्रेडिट सेट करना आवश्यक है [208].
  3. मुफ्त OpenAI API क्रेडिट का दावा करने के बाद, एजेंट संदेश का जवाब दे सकता है [219].
  4. एजेंट को मेमोरी देने के लिए, "मेमोरी" के तहत प्लस बटन पर क्लिक करें और "सिंपल मेमोरी" चुनें [222].
  5. एजेंट अब मेमोरी और तर्क का उपयोग करके जवाब दे सकता है और टूल जोड़ने के लिए संकेत दे सकता है [226].
  6. वर्कफ़्लो को सहेजने के लिए, शीर्ष दाएं कोने में "सहेजें" पर क्लिक करें, और मुख्य स्क्रीन पर लौटने के लिए "अवलोकन" या "व्यक्तिगत" पर क्लिक करें [230].

2.4. n8n में वर्कफ़्लो बनाना [233]

  1. एक नया वर्कफ़्लो बनाने के लिए, "वर्कफ़्लो बनाएं" पर क्लिक करें और इसे एक नाम दें, जैसे "डेमो" [233].
  2. प्रत्येक वर्कफ़्लो को एक ट्रिगर से शुरू होना चाहिए, जो मैन्युअल ट्रिगर, ईवेंट, शेड्यूल, वेबहुक कॉल, फॉर्म सबमिशन या चैट संदेश हो सकता है [238].
  3. एक ट्रिगर नोड के बाद, विभिन्न प्रकार के नोड हो सकते हैं, जैसे एक्शन नोड, डेटा ट्रांसफॉर्मेशन नोड, या AI नोड [249].
  4. एक नोड को ट्रिगर से जोड़ने के लिए, प्लस बटन पर क्लिक करें और चुनें कि आगे क्या होता है, जैसे AI के साथ कार्रवाई करना या किसी ऐप के भीतर कार्रवाई करना [251].
  5. n8n में कई देशी एकीकरण हैं, जैसे Google Drive, और इनमें से किसी भी टूल से कनेक्ट करने के लिए क्रेडेंशियल (पासवर्ड) की आवश्यकता होती है [255].
  6. उदाहरण के लिए, Google Drive में एक फ़ाइल को कॉपी करने के लिए, n8n को यह बताने के लिए एक क्रेडेंशियल और एक कॉन्फ़िगरेशन पैनल की आवश्यकता होती है कि कौन सी फ़ाइल कॉपी करनी है [261].

2.5. n8n नोड की संरचना और OpenAI API कुंजी [264]

  1. प्रत्येक नोड में तीन मुख्य भाग होते हैं: इनपुट पैनल (डेटा जो नोड में आता है), कॉन्फ़िगरेशन (सेटिंग्स), और आउटपुट पैनल (नोड से क्या निकलता है) [264].
  2. एक AI नोड जोड़ने के लिए, प्लस बटन पर क्लिक करें और OpenAI चुनें, फिर "एक मॉडल को संदेश दें" [270].
  3. मुफ्त OpenAI क्रेडिट का उपयोग करते समय, केवल एक चैट मॉडल तक पहुंच हो सकती है [279].
  4. एक OpenAI API कुंजी प्राप्त करने के लिए, openai.com पर जाएं, एक खाता बनाएं (ChatGPT खाते से अलग), और API प्लेटफ़ॉर्म में लॉग इन करें [284].
  5. डैशबोर्ड में, "API कुंजी" पर जाएं, एक नई कुंजी बनाएं, उसे नाम दें, और बिलिंग जानकारी सेट करें [290].
  6. कुंजी को n8n में "क्रेडेंशियल" अनुभाग में पेस्ट करें, उसे नाम दें, और अब विभिन्न OpenAI मॉडल तक पहुंच होगी, जैसे GPT-4.1 Mini [295].
  7. एक प्रॉम्प्ट में "मुझे एक चुटकुला सुनाओ" टाइप करके और "टेस्ट स्टेप" पर क्लिक करके, नोड OpenAI मॉडल को संदेश भेजेगा और आउटपुट पैनल में चुटकुला प्राप्त करेगा [303].

2.6. डेटा को देखना और मैप करना [306]

  1. इनपुट और आउटपुट दोनों को स्कीमा, टेबल, या JSON के रूप में देखा जा सकता है, जो सभी एक ही डेटा का प्रतिनिधित्व करते हैं [307].
  2. स्कीमा दृश्य अक्सर सबसे सरल और प्राकृतिक भाषा होता है [310].
  3. आउटपुट डेटा को अन्य नोड्स में खींचकर और छोड़कर उपयोग किया जा सकता है, जैसे कि सेट नोड में एक नया फ़ील्ड जोड़ना [312].
  4. एक चर को दो घुंघराले कोष्ठकों में लपेटा जाता है और हरा होता है, जो पिछले नोड से डेटा का प्रतिनिधित्व करता है [319].
  5. एक वर्कफ़्लो में एक ट्रिगर और नोड होते हैं जो वर्कफ़्लो का परीक्षण करने पर निष्पादित होते हैं [329].
  6. एक मैन्युअल ट्रिगर को एक ChatGPT ट्रिगर से बदला जा सकता है, और चैट इनपुट चर को प्रॉम्प्ट अनुभाग में खींचकर OpenAI को उपयोगकर्ता के संदेश को संसाधित करने की अनुमति दी जा सकती है [334].
  7. यह एक गतिशील इनपुट की अनुमति देता है, जहां OpenAI मॉडल उपयोगकर्ता के टाइप किए गए किसी भी संदेश का जवाब देगा [347].

2.7. JSON को समझना [377]

  1. JSON का अर्थ JavaScript ऑब्जेक्ट नोटेशन है, और यह डेटा को पहचानने और व्यवस्थित करने का एक तरीका है [377].
  2. n8n में सब कुछ JSON पर आधारित है, जिसमें डाउनलोड किए गए वर्कफ़्लो टेम्पलेट भी शामिल हैं [389].
  3. JSON कुंजी-मूल्य जोड़े से बना है, जैसे 'कुंजी' 'सूचकांक' है और 'मूल्य' शून्य है [392].
  4. ChatGPT जैसे बड़े भाषा मॉडल JSON को समझते हैं और इसे प्राकृतिक भाषा में समझा सकते हैं या प्राकृतिक भाषा को JSON में बदल सकते हैं [396].
  5. JSON को सीधे n8n में पेस्ट किया जा सकता है, और यह स्कीमा, टेबल या JSON दृश्य में डेटा को सही ढंग से प्रदर्शित करेगा [418].
  6. JSON को समझना महत्वपूर्ण है क्योंकि यह n8n में डेटा के साथ काम करने के लिए मूलभूत है, और यह कोड नहीं है [425].

2.8. सक्रिय बनाम निष्क्रिय वर्कफ़्लो [471]

  1. निष्पादन सक्रिय वर्कफ़्लो निष्पादन को गिनते हैं [471].
  2. एक वर्कफ़्लो को सक्रिय करने के लिए, इसमें एक ट्रिगर नोड होना चाहिए जिसके लिए सक्रियण की आवश्यकता होती है, जैसे एक शेड्यूल ट्रिगर [474].
  3. जब एक वर्कफ़्लो निष्क्रिय होता है, तो यह केवल तभी चलेगा जब "टेस्ट वर्कफ़्लो" पर क्लिक किया जाता है [478].
  4. जब एक वर्कफ़्लो सक्रिय होता है, तो यह परिभाषित शेड्यूल पर निष्पादन को ट्रिगर करेगा, और निष्पादन निष्पादन सूची में दिखाई देंगे, लेकिन संपादक में वास्तविक समय में नहीं [479].
  5. उदाहरण के लिए, यदि एक HubSpot ट्रिगर एक नए संपर्क के निर्माण पर वर्कफ़्लो को फायर करने के लिए सेट किया गया है, तो वर्कफ़्लो को सक्रिय होना चाहिए ताकि यह वास्तव में चले [486].

2.9. बाइनरी डेटा [491]

  1. बाइनरी डेटा का अर्थ है एक छवि, एक बड़ा PDF, एक Word दस्तावेज़, या एक PowerPoint फ़ाइल, जो स्पष्ट रूप से पाठ-आधारित नहीं है [491].
  2. एक फॉर्म सबमिशन ट्रिगर का उपयोग करके बाइनरी डेटा का प्रदर्शन किया जा सकता है, जहां उपयोगकर्ता एक फ़ाइल अपलोड कर सकता है [497].
  3. जब एक फ़ाइल अपलोड की जाती है, तो डेटा n8n में खींचा जाता है, और इसे स्कीमा, टेबल, JSON, और बाइनरी के रूप में देखा जा सकता है [519].
  4. वीडियो फ़ाइलों जैसे बाइनरी डेटा को केवल बाइनरी दृश्य के माध्यम से एक्सेस किया जा सकता है [526].
  5. बाइनरी डेटा के साथ काम करते समय, इसे अभी भी संदर्भित किया जा सकता है और अगले नोड्स में उपयोग किया जा सकता है [532].
  6. बाइनरी डेटा का मतलब सिर्फ एक अलग फ़ाइल प्रकार है जो पाठ-आधारित नहीं है [535].

2.10. n8n में डेटा प्रकार [545]

  1. n8n में पांच मुख्य डेटा प्रकार हैं: स्ट्रिंग, नंबर, बूलियन, एरे, और ऑब्जेक्ट [556].
  2. एक स्ट्रिंग एक शब्द है, जिसे दो उद्धरण चिह्नों से दर्शाया जाता है, जैसे "नाम" = "नेट" [567].
  3. एक नंबर एक संख्या है, जिसे पाउंड साइन से दर्शाया जाता है, और इसमें कोई उद्धरण चिह्न नहीं होता है, जैसे "आयु" = 50 [577].
  4. एक बूलियन या तो सही या गलत होता है, जिसे एक चेकबॉक्स से दर्शाया जाता है, और इसमें कोई उद्धरण चिह्न नहीं होता है [592].
  5. एक एरे एक सूची है, जिसे वर्ग कोष्ठकों में लपेटा जाता है, और सूची में प्रत्येक आइटम उद्धरण चिह्नों में होता है, जैसे ["नेट", "जॉन"] [599].
  6. एक ऑब्जेक्ट एक बड़ा ब्लॉक है जिसमें स्ट्रिंग, संख्या, बूलियन और एरे हो सकते हैं, और इसे घुंघराले कोष्ठकों में लपेटा जाता है [563].
  7. डेटा प्रकारों को समझना महत्वपूर्ण है ताकि त्रुटियों से बचा जा सके, जैसे कि एक फ़ील्ड को एक ऑब्जेक्ट की उम्मीद करना लेकिन एक एरे प्राप्त करना [600].

3. चरण-दर-चरण AI वर्कफ़्लो निर्माण [670]

यह खंड तीन सरल AI वर्कफ़्लो के चरण-दर-चरण निर्माण को कवर करेगा: एक RAG पाइपलाइन और चैटबॉट, एक ग्राहक सहायता वर्कफ़्लो, और एक लिंक्डइन सामग्री निर्माण वर्कफ़्लो।

3.1. RAG पाइपलाइन और चैटबॉट [677]

  1. RAG का अर्थ Retrieval-Augmented Generation है, जहां एक चैटबॉट एक वेक्टर डेटाबेस में उत्तरों की तलाश करता है जब उसे कोई प्रश्न नहीं पता होता है [706].
  2. एक वेक्टर डेटाबेस बिंदुओं का एक बहु-आयामी ग्राफ है, जहां प्रत्येक वेक्टर को शब्दों के वास्तविक अर्थ के आधार पर रखा जाता है [712].
  3. एक दस्तावेज़ को वेक्टर डेटाबेस में संग्रहीत करने के लिए, इसे खंडों में विभाजित किया जाता है, एक एम्बेडिंग मॉडल के माध्यम से चलाया जाता है (जो पाठ को संख्याओं में बदलता है), और फिर संग्रहीत किया जाता है [725].
  4. जब एक LLM को एक प्रश्न मिलता है, तो वह उसे वेक्टर करता है, निकटतम वैक्टर को पुनः प्राप्त करता है, और फिर जवाब देने के लिए उनका उपयोग करता है [731].
  5. इस वर्कफ़्लो में Google Drive, Google Docs, Pinecone (एक वेक्टर डेटाबेस), और OpenRouter (विभिन्न AI मॉडल से कनेक्ट करने के लिए) का उपयोग किया जाएगा [680].

3.2. RAG पाइपलाइन वर्कफ़्लो का निर्माण [736]

  1. वर्कफ़्लो को एक Google Drive ट्रिगर से शुरू करें, जो एक विशिष्ट फ़ोल्डर में परिवर्तनों पर ट्रिगर होता है [739].
  2. Google Drive खाते को कनेक्ट करने के लिए, एक Google Cloud खाता बनाएं, एक नया प्रोजेक्ट सेट करें, Google Drive API सक्षम करें, और एक OAuth सहमति स्क्रीन सेट करें [743].
  3. एक नया क्लाइंट बनाएं, एक रीडायरेक्ट URI जोड़ें (n8n से कॉपी किया गया), और एक क्लाइंट ID और सीक्रेट प्राप्त करें [781].
  4. ID और सीक्रेट को n8n में पेस्ट करें, Google के साथ साइन इन करें (उसी खाते का उपयोग करके जिसे एक परीक्षण उपयोगकर्ता के रूप में उपयोग किया गया था), और कनेक्शन सफल होना चाहिए [790].
  5. एक Google Drive फ़ोल्डर (जैसे "FAQ") बनाएं, उसमें एक दस्तावेज़ अपलोड करें, और n8n में फ़ोल्डर को "फ़ाइल बनाई गई" के लिए देखें [803].
  6. ट्रिगर से, फ़ाइल की सामग्री को खींचने के लिए एक और Google Drive नोड (डाउनलोड फ़ाइल) जोड़ें, फ़ाइल ID को गतिशील रूप से संदर्भित करें [835].
  7. Pinecone (pinecone.io) में एक मुफ्त खाता बनाएं, एक सूचकांक बनाएं (जैसे "नमूना"), एक एम्बेडिंग मॉडल चुनें (जैसे OpenAI से Text Embedding Ada 3), और एक API कुंजी बनाएं [854].
  8. n8n में, डाउनलोड फ़ाइल के बाद एक Pinecone वेक्टर स्टोर नोड जोड़ें, Pinecone API कुंजी के साथ एक क्रेडेंशियल सेट करें, और सूचकांक और नेमस्पेस (जैसे "FAQ") चुनें [885].
  9. एक OpenAI API कुंजी के साथ एक एम्बेडिंग मॉडल (जैसे OpenAI से Text Embedding 3 Small) और एक दस्तावेज़ लोडर (बाइनरी डेटा के लिए) जोड़ें [905].
  10. एक टेक्स्ट स्प्लिटर (जैसे रिकर्सिव कैरेक्टर टेक्स्ट स्प्लिटर) जोड़ें ताकि दस्तावेज़ को खंडों में विभाजित किया जा सके [934].
  11. Pinecone वेक्टर स्टोर नोड के ऊपर प्ले बटन पर क्लिक करके वर्कफ़्लो चलाएं, और दस्तावेज़ को वैक्टर में बदल दिया जाएगा और Pinecone में संग्रहीत किया जाएगा [943].

3.3. RAG चैटबॉट का निर्माण [952]

  1. एक AI एजेंट नोड जोड़ें और उसे एक चैट ट्रिगर नोड से कनेक्ट करें ताकि एजेंट से चैट की जा सके [956].
  2. एजेंट को एक मस्तिष्क देने के लिए, OpenRouter चैट मॉडल का उपयोग करें (जो विभिन्न चैट मॉडल से कनेक्ट करने की अनुमति देता है) और एक API कुंजी सेट करें [966].
  3. एक चैट मॉडल चुनें (जैसे Claude 3.5 Sonnet) [981].
  4. एजेंट को एक टूल के रूप में Pinecone वेक्टर स्टोर तक पहुंच प्रदान करें, इसे "नॉलेज बेस" नाम दें, और इसे नीति और FAQ डेटाबेस तक पहुंचने के लिए वर्णित करें [986].
  5. सही जानकारी खोजने के लिए सूचकांक और नेमस्पेस (जैसे "FAQ") सेट करें [994].
  6. एक एम्बेडिंग मॉडल (जैसे Embed OpenAI Text Embedding 3 Small) जोड़ें [1001].
  7. चैट विंडो में एक प्रश्न पूछकर RAG एजेंट का परीक्षण करें, जैसे "हमारी वारंटी नीति क्या है?", और एजेंट वेक्टर स्टोर का उपयोग करके जवाब देगा [1005].
  8. एजेंट के व्यवहार को परिष्कृत करने के लिए एक सिस्टम प्रॉम्प्ट जोड़ा जा सकता है, उसे उसकी भूमिका और टूल का उपयोग कब करना है, यह बताया जा सकता है [1012].

3.4. ग्राहक सहायता वर्कफ़्लो [1018]

  1. वर्कफ़्लो को एक Gmail ट्रिगर से शुरू करें, जो "संदेश प्राप्त होने पर" ट्रिगर होता है [1019].
  2. Gmail खाते को अधिकृत करने के लिए, Google Cloud Console में Gmail API सक्षम करें, और OAuth 2.0 का उपयोग करके साइन इन करें [1023].
  3. एक परीक्षण ईमेल प्राप्त करें, और यदि आवश्यक हो तो ईमेल की पूरी सामग्री तक पहुंचने के लिए "सरल बनाएं" को बंद करें [1038].
  4. परीक्षण के लिए डेटा को पिन करें ताकि वर्कफ़्लो को फिर से चलाने पर यह इनबॉक्स में न देखे [1052].
  5. Gmail ट्रिगर के बाद एक टेक्स्ट क्लासिफायर नोड जोड़ें, जो AI का उपयोग करके आने वाले ईमेल को वर्गीकृत करता है [1055].
  6. एक चैट मॉडल (जैसे OpenAI का GPT-40 टोकन) कनेक्ट करें, ईमेल की सामग्री को वर्गीकृत करने के लिए टेक्स्ट फ़ील्ड में खींचें, और श्रेणियां (जैसे "ग्राहक सहायता" और "अन्य") और उनके विवरण परिभाषित करें [1064].
  7. टेक्स्ट क्लासिफायर नोड से दो शाखाएं होंगी, एक ग्राहक सहायता के लिए और एक अन्य के लिए [1082].
  8. ग्राहक सहायता शाखा के बाद एक AI एजेंट जोड़ें, और एजेंट को ईमेल पढ़ने के लिए Gmail ट्रिगर नोड से ईमेल सामग्री को परिभाषित करें [1091].
  9. एजेंट को एक सिस्टम संदेश दें, उसे उसकी भूमिका (जैसे "TechHaven के लिए ग्राहक सहायता एजेंट"), निर्देश (जैसे "अपने नॉलेज-आधारित टूल का उपयोग करके प्रासंगिक जानकारी के साथ आने वाले ईमेल का जवाब दें"), और आउटपुट प्रारूप (जैसे "केवल ईमेल की बॉडी सामग्री आउटपुट करें") बताएं [1104].
  10. एक चैट मॉडल (जैसे Google Gemini 2.0 Flash) और Pinecone डेटाबेस को एक टूल के रूप में जोड़ें, इसे "नॉलेज बेस" नाम दें, और सूचकांक और नेमस्पेस (जैसे "FAQ") सेट करें [1121].
  11. एजेंट को चलाएं, और यह ईमेल पढ़ेगा, वेक्टर स्टोर का उपयोग करेगा, और एक प्रतिक्रिया तैयार करेगा [1139].
  12. अंत में, एक Gmail नोड जोड़ें और संदेश का जवाब देने के लिए "संदेश का जवाब दें" चुनें, संदेश ID और एजेंट से आउटपुट को संदेश के रूप में मैप करें [1158].
  13. ईमेल के नीचे n8n एट्रिब्यूशन को हटाने के लिए "एट्रिब्यूशन जोड़ें" को बंद करें [1169].
  14. वर्कफ़्लो को बेहतर बनाने के लिए, ईमेल को लेबल करने के लिए एक और Gmail नोड जोड़ा जा सकता है, या विभिन्न प्रकार के ईमेल के लिए अधिक अनुभाग बनाए जा सकते हैं [1179].

3.5. लिंक्डइन सामग्री निर्माता वर्कफ़्लो [1195]

  1. वर्कफ़्लो को एक शेड्यूल ट्रिगर (जैसे हर दिन सुबह 7:00 बजे) या एक मैन्युअल ट्रिगर से शुरू करें [1196].
  2. एक Google Sheets नोड जोड़ें और "पंक्तियां प्राप्त करें" चुनें, फिर क्रेडेंशियल सेट करें (Google Cloud में Google Sheets API सक्षम करके) [1206].
  3. दस्तावेज़ और शीट चुनें (जैसे "लिंक्डइन पोस्ट" और "शीट1"), और एक फ़िल्टर बनाएं ताकि केवल "टू-डू" स्थिति वाली पंक्तियों को पुनः प्राप्त किया जा सके [1217].
  4. केवल पहली मिलान वाली पंक्ति को वापस करने के लिए "केवल पहली मिलान वाली पंक्ति लौटाएं" विकल्प जोड़ें [1227].
  5. Google Sheets नोड के बाद एक HTTP अनुरोध नोड जोड़ें, जो Tavily API का उपयोग करके वेब खोज करेगा [1236].
  6. Tavily.com पर एक मुफ्त खाता बनाएं, एक API कुंजी बनाएं, और API संदर्भ से cURL कमांड को कॉपी करें [1239].
  7. cURL कमांड को n8n में HTTP अनुरोध नोड में आयात करें, जो विधि (POST), समापन बिंदु, और हेडर (प्राधिकरण के लिए API कुंजी के साथ) को स्वतः भर देगा [1255].
  8. अनुरोध के बॉडी पैरामीटर में, क्वेरी को गतिशील बनाने के लिए विषय (जैसे "AI छवि निर्माण") को खींचें [1277].
  9. HTTP अनुरोध नोड के बाद एक AI एजेंट जोड़ें, और एजेंट को Tavily से शोध फ़ीड करें [1304].
  10. एजेंट को एक सिस्टम प्रॉम्प्ट दें, उसे लिंक्डइन पोस्ट लिखने के तरीके के बारे में निर्देश दें (जैसे "आप एक AI एजेंट हैं जो पेशेवर, शैक्षिक और आकर्षक लिंक्डइन पोस्ट बनाने में माहिर हैं") [1313].
  11. एक चैट मॉडल (जैसे Claude 3.5 Sonnet) कनेक्ट करें [1328].
  12. AI एजेंट के आउटपुट को एक और Google Sheets नोड में फ़ीड करें, जो "पंक्ति अपडेट करें" ऑपरेशन का उपयोग करके सामग्री को अपडेट करेगा [1337].
  13. मिलान करने के लिए कॉलम (जैसे "विषय") और अपडेट करने के लिए फ़ील्ड (जैसे "स्थिति" को "बनाया गया" और "सामग्री" को AI एजेंट के आउटपुट) निर्दिष्ट करें [1341].
  14. वर्कफ़्लो को चलाएं, और Google Sheet को लिंक्डइन पोस्ट सामग्री के साथ अपडेट किया जाएगा और स्थिति "बनाया गया" में बदल जाएगी [1350].

3.6. बोनस वर्कफ़्लो: चालान प्रसंस्करण [1357]

  1. यह वर्कफ़्लो एक AI-संचालित वर्कफ़्लो है, एजेंट नहीं, और यह चालानों से जानकारी निकालने और उन्हें संसाधित करने पर केंद्रित है [1378].
  2. वर्कफ़्लो को एक Google Drive ट्रिगर से शुरू करें, जो एक विशिष्ट फ़ोल्डर में एक नए चालान के ड्रॉप होने पर ट्रिगर होता है [1383].
  3. चालानों के स्वरूप पर विचार करें: यदि वे हमेशा एक ही प्रारूप में PDF होते हैं, तो पाठ को सीधे निकाला जा सकता है; यदि वे स्कैन किए गए चालान हैं, तो OCR की आवश्यकता हो सकती है [1391].
  4. यदि चालान अलग-अलग प्रारूपों में हैं लेकिन उनमें समान जानकारी है, तो एक AI-आधारित सूचना एक्सट्रैक्टर नोड का उपयोग किया जाएगा [1398].
  5. निकाले जाने वाले फ़ील्ड को परिभाषित करें, जैसे चालान संख्या, ग्राहक का नाम, पता, ईमेल, फ़ोन, कुल राशि, चालान की तारीख, और नियत तारीख [1436].
  6. Google Drive ट्रिगर के बाद एक Google Drive नोड (डाउनलोड फ़ाइल) जोड़ें ताकि चालान की बाइनरी डेटा प्राप्त की जा सके [1553].
  7. डाउनलोड की गई फ़ाइल से पाठ निकालने के लिए एक एक्सट्रैक्ट टेक्स्ट नोड जोड़ें [1591].
  8. एक्सट्रैक्ट टेक्स्ट नोड के बाद एक AI सूचना एक्सट्रैक्टर नोड जोड़ें, जो निर्दिष्ट आठ फ़ील्ड को निकालेगा [1594].
  9. प्रत्येक फ़ील्ड के लिए विशेषता का नाम और विवरण परिभाषित करें, और आवश्यकतानुसार डेटा प्रकार (जैसे स्ट्रिंग, संख्या, या तारीख) सेट करें [1602].
  10. एक चैट मॉडल (जैसे Google Gemini 2.0 Flash) कनेक्ट करें [1641].
  11. सूचना एक्सट्रैक्टर नोड के आउटपुट को एक Google Sheets नोड (पंक्ति जोड़ें) में फ़ीड करें, जो निकाले गए फ़ील्ड के साथ डेटाबेस को अपडेट करेगा [1669].
  12. एक OpenAI संदेश और मॉडल नोड (GPT-4 का उपयोग करके) जोड़ें ताकि बिलिंग टीम को सूचित करने के लिए एक ईमेल तैयार किया जा सके [1697].
  13. ईमेल विशेषज्ञ के रूप में एजेंट की भूमिका को परिभाषित करने के लिए एक सिस्टम प्रॉम्प्ट सेट करें, और उपयोगकर्ता प्रॉम्प्ट में गतिशील चालान जानकारी (जैसे चालान संख्या, ग्राहक का नाम, कुल राशि, चालान की तारीख, और नियत तारीख) शामिल करें [1702].
  14. एजेंट को विषय और ईमेल बॉडी को अलग-अलग आउटपुट करने के लिए कहें, और फिर एक Gmail नोड (संदेश भेजें) का उपयोग करके बिलिंग टीम को ईमेल भेजें [1755].
  15. ईमेल में Google Sheet डेटाबेस का एक लिंक शामिल करें ताकि बिलिंग टीम चालान डेटा को आसानी से देख सके [1799].
  16. वर्कफ़्लो का परीक्षण विभिन्न प्रारूपों वाले चालानों के साथ करें ताकि यह सुनिश्चित हो सके कि AI सभी आवश्यक जानकारी को सही ढंग से निकाल सकता है [1823].

4. API को समझना और उपयोग करना [1884]

API दो प्रणालियों को एक-दूसरे से बात करने की अनुमति देते हैं, n8n वर्कफ़्लो को बाहरी सेवाओं से कनेक्ट करने में सक्षम बनाते हैं, और HTTP अनुरोधों का उपयोग करके कॉन्फ़िगर किए जाते हैं।

4.1. API क्या हैं? [1884]

  1. API का अर्थ एप्लिकेशन प्रोग्रामिंग इंटरफ़ेस है, और यह दो प्रणालियों को एक-दूसरे से बात करने का एक तरीका है [1908].
  2. n8n में, AI एजेंटों को Gmail, HubSpot, AirTable जैसी बाहरी सेवाओं तक पहुंचने के लिए API कॉल का उपयोग करना चाहिए [1903].
  3. API को एक रेस्तरां परिदृश्य के साथ समझाया जा सकता है: ग्राहक (उपयोगकर्ता) वेटर (API) को ऑर्डर (अनुरोध) देता है, वेटर रसोई (API समापन बिंदु) को ऑर्डर देता है, रसोई भोजन (डेटा) तैयार करती है, और वेटर इसे ग्राहक को वापस पहुंचाता है [1915].
  4. n8n में, एक AI एजेंट सेवा के API दस्तावेज़ को देखता है, एक HTTP अनुरोध का उपयोग करके एक अनुरोध करता है, जो API समापन बिंदु पर भेजा जाता है, और समापन बिंदु अनुरोधित डेटा को HTTP अनुरोध पर वापस भेजता है [1926].
  5. देशी एकीकरण n8n में HTTP अनुरोध हैं जो एक UI में अच्छी तरह से लपेटे गए हैं, जिससे उन्हें कॉन्फ़िगर करना आसान हो जाता है [1940].
  6. HTTP अनुरोध का उपयोग केवल तभी किया जाना चाहिए जब आप जिस सेवा का उपयोग करना चाहते हैं वह देशी एकीकरणों में सूचीबद्ध न हो [1947].
  7. उदाहरण के लिए, OpenWeatherMap के लिए देशी एकीकरण और HTTP अनुरोध दोनों एक ही मौसम डेटा को पुनः प्राप्त कर सकते हैं [1948].

4.2. HTTP अनुरोधों को कॉन्फ़िगर करना [1960]

  1. HTTP अनुरोधों को कॉन्फ़िगर करने में पांच मुख्य चीजें शामिल हैं: विधि, समापन बिंदु, क्वेरी पैरामीटर, हेडर पैरामीटर, और बॉडी पैरामीटर [1960].
  2. विधि या तो GET (डेटा पुनः प्राप्त करने के लिए) या POST (डेटा भेजने और प्रतिक्रिया प्राप्त करने के लिए) हो सकती है [1970].
  3. समापन बिंदु वह URL है जिसे आप एक्सेस करना चाहते हैं [1977].
  4. क्वेरी पैरामीटर URL में फ़िल्टर निर्दिष्ट करते हैं, जैसे google.com/search?q=pizza [1982].
  5. हेडर पैरामीटर आमतौर पर प्राधिकरण के लिए उपयोग किए जाते हैं, जैसे एक अद्वितीय API कुंजी भेजना [1990].
  6. बॉडी पैरामीटर का उपयोग डेटा भेजने के लिए किया जाता है, जैसे CRM को "नाम = जॉन" भेजना [2003].
  7. cURL कमांड का उपयोग करके HTTP अनुरोधों को कॉन्फ़िगर करना बहुत आसान हो जाता है, क्योंकि यह विधि, समापन बिंदु, हेडर और बॉडी पैरामीटर को स्वतः भर देता है [2007].
  8. JSON (कुंजी-मूल्य जोड़े) का उपयोग बॉडी पैरामीटर भेजने और प्रतिक्रिया प्राप्त करने के लिए किया जाता है [2024].

4.3. Perplexity API सेटअप [2031]

  1. Perplexity एक AI टूल है जो वेब खोज और गहन शोध के लिए अच्छा है, और इसमें कोई देशी n8n एकीकरण नहीं है, इसलिए इसे HTTP अनुरोधों का उपयोग करके एक्सेस किया जाना चाहिए [2034].
  2. Perplexity API दस्तावेज़ से cURL कमांड को कॉपी करें और इसे n8n में HTTP अनुरोध नोड में आयात करें [2047].
  3. Perplexity खाते की सेटिंग में API कुंजी प्राप्त करें, और इसे HTTP अनुरोध नोड के हेडर में "Bearer" के बाद पेस्ट करें [2063].
  4. बॉडी अनुरोध में, मॉडल (जैसे "Sonar") और संदेश (सिस्टम संदेश और उपयोगकर्ता संदेश का मिश्रण) को कॉन्फ़िगर करें [2074].
  5. सिस्टम संदेश AI मॉडल को कार्य करने का तरीका बताता है, और उपयोगकर्ता संदेश गतिशील खोज क्वेरी है [2083].
  6. अधिकतम टोकन, तापमान, और समय सीमा जैसे अन्य कॉन्फ़िगरेशन विकल्प उपलब्ध हैं, लेकिन वे आवश्यक नहीं हैं [2087].
  7. खोज क्वेरी को गतिशील बनाने के लिए, एक सेट नोड का उपयोग करके एक खोज शब्द सेट करें, और फिर Perplexity अनुरोध के बॉडी अनुरोध में उस चर को संदर्भित करें [2106].

4.4. HTTP अनुरोधों से सामान्य प्रतिक्रियाएं [2149]

  1. एक सफल HTTP अनुरोध आमतौर पर 200 प्रतिक्रिया कोड लौटाता है [2150].
  2. 400-श्रृंखला त्रुटियां इंगित करती हैं कि अनुरोध गलत तरीके से सेट किया गया था [2156].
    1. 400 बैड रिक्वेस्ट का मतलब हो सकता है कि JSON अमान्य है (जैसे एक अतिरिक्त उद्धरण चिह्न) [2158].
    2. 401 अनधिकृत का मतलब आमतौर पर होता है कि API कुंजी गलत है [2171].
    3. 403 निषिद्ध का मतलब हो सकता है कि खाते के पास अनुरोधित डेटा तक पहुंच नहीं है [2172].
    4. 404 नहीं मिला का मतलब है कि संसाधन उपलब्ध नहीं है [2174].
  3. 500-श्रृंखला त्रुटियां इंगित करती हैं कि सर्वर के साथ कुछ गलत है, और यह उपयोगकर्ता की गलती नहीं है [2185].
  4. API दस्तावेज़ अक्सर विशिष्ट प्रतिक्रिया कोड और उनके अर्थ सूचीबद्ध करते हैं [2177].
  5. HTTP अनुरोधों को कॉन्फ़िगर करने में API दस्तावेज़ को पढ़ना और त्रुटि संदेशों को समझना महत्वपूर्ण है [2192].

4.5. Perplexity API का उपयोग करके वास्तविक समय की जानकारी [2206]

  1. बड़े भाषा मॉडल की प्रशिक्षण डेटा अक्सर अद्यतित या वास्तविक समय नहीं होती है, इसलिए वास्तविक समय की जानकारी तक पहुंचने के लिए API का उपयोग करना आवश्यक है [2206].
  2. Perplexity एक AI टूल है जो वेब खोज और गहन शोध के लिए अच्छा है, और इसका API वास्तविक समय की जानकारी तक पहुंच प्रदान करता है [2212].
  3. Perplexity API दस्तावेज़ से cURL कमांड को n8n में HTTP अनुरोध नोड में आयात करें [2218].
  4. Perplexity खाते की सेटिंग से API कुंजी प्राप्त करें और इसे HTTP अनुरोध नोड के हेडर में "Bearer" के बाद पेस्ट करें [2223].
  5. बॉडी अनुरोध में, मॉडल (जैसे "Sonar") और संदेश (सिस्टम संदेश और उपयोगकर्ता संदेश) को कॉन्फ़िगर करें [2237].
  6. खोज क्वेरी को गतिशील बनाने के लिए, एक सेट नोड का उपयोग करके एक खोज शब्द सेट करें, और फिर Perplexity अनुरोध के बॉडी अनुरोध में उस चर को संदर्भित करें [2264].

4.6. Firecrawl API सेटअप [2280]

  1. Firecrawl एक API है जो किसी भी वेबसाइट को LLM-तैयार डेटा में बदल सकता है, और यह वेब को स्क्रैप करने, क्रॉल करने, मैप करने या निकालने की अनुमति देता है [2280].
  2. स्क्रैप समापन बिंदु HTML या Markdown प्रारूप में जानकारी लौटाता है, जिसे फिर एक LLM में फ़ीड किया जा सकता है [2303].
  3. एक्सट्रैक्ट समापन बिंदु एक URL और एक प्रॉम्प्ट लेता है, और यह पूरी साइट को क्रॉल कर सकता है ताकि विशिष्ट जानकारी निकाली जा सके [2310].
  4. Firecrawl API दस्तावेज़ से cURL कमांड को कॉपी करें और इसे n8n में HTTP अनुरोध नोड में आयात करें [2332].
  5. Firecrawl खाते की सेटिंग से API कुंजी प्राप्त करें और इसे HTTP अनुरोध नोड के हेडर में "Authorization" के बाद "Bearer" के साथ पेस्ट करें [2346].
  6. बॉडी अनुरोध में, URL को निर्दिष्ट करें (एक वाइल्डकार्ड के लिए एक तारांकन के साथ), प्रॉम्प्ट (जैसे "सभी उद्धरण और उनके संबंधित लेखक निकालें"), और अपेक्षित आउटपुट के लिए स्कीमा [2373].
  7. यदि JSON अमान्य है, तो इसे ठीक करने के लिए ChatGPT का उपयोग करें [2402].
  8. Firecrawl अनुरोध के बाद, एक और HTTP अनुरोध नोड जोड़ें ताकि निष्कर्षण ID का उपयोग करके स्थिति की जांच की जा सके [2412].
  9. यदि स्थिति "प्रसंस्करण" है, तो एक इफ स्टेटमेंट और एक प्रतीक्षा नोड का उपयोग करके एक मतदान प्रवाह बनाएं ताकि यह सुनिश्चित हो सके कि डेटा पुनः प्राप्त होने तक वर्कफ़्लो प्रतीक्षा करता है [2423].
  10. Firecrawl का उपयोग करके, एक विशिष्ट पृष्ठ से 10 उद्धरण या एक वाइल्डकार्ड का उपयोग करके पूरी साइट से सभी उद्धरण निकाले जा सकते हैं [2455].

4.7. Apify API सेटअप [2483]

  1. Apify अभिनेताओं के लिए एक बाज़ार है, जो वेब स्क्रैपिंग और ऑटोमेशन के लिए पूर्वनिर्मित स्क्रिप्ट हैं [2483].
  2. एक अभिनेता को एक आभासी सहायक के रूप में सोचा जा सकता है जो TikTok वीडियो को स्क्रैप करने या लिंक्डइन नौकरियों को खोजने जैसे विशिष्ट कार्य कर सकता है [2487].
  3. Apify में, एक अभिनेता (जैसे एक TikTok स्क्रैपर) को कॉन्फ़िगर करें, हैशटैग और परिणामों की संख्या जैसे पैरामीटर सेट करें [2505].
  4. API समापन बिंदु से "रन एक्टर" cURL कमांड को कॉपी करें और इसे n8n में HTTP अनुरोध नोड में पेस्ट करें [2520].
  5. विधि को POST में बदलें, और बॉडी अनुरोध में, अभिनेता के लिए कॉन्फ़िगरेशन JSON को पेस्ट करें [2535].
  6. यह अनुरोध एक निष्पादन ID लौटाएगा, यह पुष्टि करते हुए कि अभिनेता शुरू हो गया है [2543].
  7. अभिनेता के परिणामों को पुनः प्राप्त करने के लिए, API समापन बिंदु से "अंतिम रन डेटा सेट आइटम प्राप्त करें" cURL कमांड को कॉपी करें और इसे n8n में एक और HTTP अनुरोध नोड में पेस्ट करें [2548].
  8. विधि GET है, और यह अनुरोध अभिनेता से परिणाम खींचेगा [2554].
  9. अभिनेता के समाप्त होने की प्रतीक्षा करने के लिए "रन एक्टर" और "परिणाम प्राप्त करें" चरणों के बीच एक प्रतीक्षा नोड जोड़ें [2568].
  10. Apify में, अभिनेता को समकालिक रूप से चलाने का विकल्प है, लेकिन दो-चरणीय दृष्टिकोण (शुरू करें, फिर परिणाम प्राप्त करें) अधिक सुसंगत पाया गया है [2558].

4.8. छवि निर्माण API सेटअप [2599]

  1. OpenAI का छवि निर्माण मॉडल एक विचार को एक शोधित लिंक्डइन पोस्ट में एक ग्राफिक के साथ बदल सकता है [2618].
  2. यह मॉडल वर्तनी में अच्छा है और शब्दों को गड़बड़ की तरह नहीं बना सकता है [2613].
  3. OpenAI API दस्तावेज़ से छवि निर्माण के लिए cURL कमांड को कॉपी करें और इसे n8n में HTTP अनुरोध नोड में आयात करें [2772].
  4. OpenAI खाते में API कुंजी प्राप्त करें (संगठन को सत्यापित होना चाहिए और बिलिंग जानकारी सेट होनी चाहिए) और इसे HTTP अनुरोध नोड के हेडर में "Authorization" के बाद "Bearer" के साथ पेस्ट करें [2782].
  5. बॉडी अनुरोध में, मॉडल (जैसे "GPT-Image-1"), प्रॉम्प्ट (छवि प्रॉम्प्ट एजेंट से खींचा गया), और आकार (जैसे 1024x1024) को कॉन्फ़िगर करें [2801].
  6. यदि कोई त्रुटि होती है, जैसे "n के लिए अमान्य प्रकार" (एक पूर्णांक की उम्मीद है लेकिन एक स्ट्रिंग मिली), तो API दस्तावेज़ की जांच करें और पैरामीटर को तदनुसार समायोजित करें [2817].
  7. HTTP अनुरोध एक विशाल base64 कोड लौटाएगा, जिसे फिर एक फ़ाइल में कनवर्ट करें नोड का उपयोग करके बाइनरी डेटा में बदल दिया जाना चाहिए [2749].
  8. यह बाइनरी डेटा तब एक छवि के रूप में देखा जा सकता है [2837].
  9. छवि निर्माण की लागत उपयोग किए गए टोकन की संख्या और संकल्प पर निर्भर करती है [2760].

4.9. वीडियो निर्माण API सेटअप [2850]

  1. एक छवि से एक वीडियो बनाने के लिए, Runway API का उपयोग किया जा सकता है [2850].
  2. Runway को एक HTTPS URL की आवश्यकता होती है, इसलिए बाइनरी छवि डेटा को एक सार्वजनिक URL में बदलने के लिए ImageBB जैसे मुफ्त छवि होस्टिंग सेवा का उपयोग किया जाना चाहिए [2852].
  3. ImageBB API कुंजी प्राप्त करें और इसे n8n में HTTP अनुरोध नोड के क्वेरी पैरामीटर में "key" के रूप में कॉन्फ़िगर करें [2857].
  4. HTTP अनुरोध नोड के बॉडी में, छवि को "image" नामक फ़ील्ड में भेजें, और इनपुट डेटा फ़ील्ड नाम "data" होना चाहिए [2866].
  5. ImageBB अनुरोध एक सार्वजनिक URL लौटाएगा, जिसका उपयोग Runway API में किया जा सकता है [2872].
  6. Runway API दस्तावेज़ से वीडियो निर्माण के लिए cURL कमांड को कॉपी करें और इसे n8n में एक और HTTP अनुरोध नोड में आयात करें [3121].
  7. Runway खाते से API कुंजी प्राप्त करें और इसे HTTP अनुरोध नोड के हेडर में "Authorization" के बाद "Bearer" के साथ पेस्ट करें [3130].
  8. बॉडी अनुरोध में, छवि URL, मॉडल (जैसे "Gen 4 Turbo"), प्रॉम्प्ट टेक्स्ट (वीडियो के लिए वांछित प्रभाव का वर्णन), अवधि (5 या 10 सेकंड), और अनुपात (जैसे 960x960) को कॉन्फ़िगर करें [3141].
  9. एक आवश्यक हेडर, 'X-Runway-Version' को भी सेट करना होगा [3158].
  10. Runway अनुरोध एक कार्य ID लौटाएगा, और वीडियो के समाप्त होने की प्रतीक्षा करने के लिए एक मतदान प्रवाह (एक इफ स्टेटमेंट और एक प्रतीक्षा नोड का उपयोग करके) बनाया जाना चाहिए [3165].
  11. एक बार वीडियो समाप्त हो जाने पर, एक Gmail नोड का उपयोग करके उपयोगकर्ता को ईमेल के माध्यम से वीडियो URL भेजा जा सकता है [3221].

5. AI एजेंटों का प्रभावी ढंग से उपयोग करना [3262]

AI एजेंट शक्तिशाली होते हैं, लेकिन उन्हें अक्सर गलत तरीके से उपयोग किया जाता है; AI वर्कफ़्लो अक्सर अधिक कुशल, लागत प्रभावी और विश्वसनीय होते हैं, खासकर जब प्रक्रियाएं नियतात्मक होती हैं।

5.1. AI एजेंटों का गलत उपयोग [3262]

  1. AI एजेंटों को अक्सर उन प्रक्रियाओं में मजबूर किया जाता है जहां उनकी वास्तव में आवश्यकता नहीं होती है, जिससे अक्षमताएं होती हैं [3266].
  2. AI वर्कफ़्लो अक्सर बनाने में आसान, अधिक लागत प्रभावी और लंबे समय में अधिक विश्वसनीय होते हैं [3270].
  3. ChatGPT जैसे बड़े भाषा मॉडल इनपुट लेते हैं और आउटपुट प्रदान करते हैं [3277].
  4. AI एजेंट LLM को टूल तक पहुंच प्रदान करके सामग्री उत्पन्न करने और कार्रवाई करने की अनुमति देते हैं [3280].
  5. AI एजेंट गैर-नियतात्मक वर्कफ़्लो के लिए उपयुक्त होते हैं, जहां एजेंट यह तय करने के लिए अपने मस्तिष्क का उपयोग करता है कि कौन से टूल को कब कॉल करना है [3283].
  6. नियतात्मक वर्कफ़्लो के लिए, एक रैखिक AI वर्कफ़्लो (चरण-दर-चरण) अधिक प्रभावी होता है, क्योंकि यह परिवर्तनशीलता को कम करता है [3286].

5.2. AI वर्कफ़्लो के फायदे [3291]

  1. विश्वसनीयता और स्थिरता: AI वर्कफ़्लो एक निर्धारित पथ का पालन करते हैं, जिससे त्रुटियां और विचलन कम होते हैं, जबकि AI एजेंटों को यह तय करने के लिए अपने सिस्टम प्रॉम्प्ट पर निर्भर रहना पड़ता है कि कौन से टूल को कॉल करना है [3293].
  2. लागत-दक्षता: AI वर्कफ़्लो AI एजेंट के मस्तिष्क तक पहुंचने के लिए अतिरिक्त API कॉल को समाप्त करते हैं, जिससे पैसे की बचत होती है, क्योंकि एजेंट हर बार एक टूल को हिट करने पर अपने मस्तिष्क को फिर से चलाता है [3301].
  3. आसान डिबगिंग और रखरखाव: AI वर्कफ़्लो में त्रुटियों को ठीक करना आसान होता है क्योंकि प्रत्येक नोड की दृश्यता होती है, जबकि AI एजेंटों में डिबगिंग अधिक कठिन होती है क्योंकि इसमें सिस्टम प्रॉम्प्ट और टूल कॉन्फ़िगरेशन को हेरफेर करना शामिल होता है [3307].
  4. स्केलेबिलिटी: AI वर्कफ़्लो में अधिक नोड और कार्यक्षमता जोड़ना आसान होता है, जबकि AI एजेंटों में कार्यक्षमता बढ़ाने के लिए अधिक टूल जोड़ने की आवश्यकता हो सकती है, जिससे सिस्टम प्रॉम्प्ट को परिष्कृत करना और असंगतता पैदा करना पड़ सकता है [3314].
  5. AI वर्कफ़्लो अधिक नियंत्रण प्रदान करते हैं, जिससे AI को उन निर्णयों को लेने से रोका जा सकता है जिनकी आवश्यकता नहीं है [3321].

5.3. AI एजेंट बनाम AI वर्कफ़्लो के उदाहरण [3323]

  1. RAG एजेंट बनाम RAG वर्कफ़्लो: एक RAG एजेंट (जो Google Drive से Pinecone में एक दस्तावेज़ डालता है) एक ग्राहक सहायता ईमेल का जवाब देने के लिए एक वेक्टर डेटाबेस और एक ईमेल टूल को हिट कर सकता है, लेकिन यह अपने मस्तिष्क को कई बार हिट करेगा, जिससे लागत बढ़ जाएगी [3334].
  2. एक RAG वर्कफ़्लो (ईमेल ट्रिगर, Pinecone खोज, ईमेल लेखन, ईमेल प्रतिक्रिया) एक ही कार्य को चार चरणों में करता है, जो अधिक कुशल और नियंत्रित होता है [3351].
  3. RAG वर्कफ़्लो में, वेक्टर खोज परिणामों को स्कोर के आधार पर फ़िल्टर किया जा सकता है, जिससे एजेंट की तुलना में अधिक नियंत्रण मिलता है [3369].
  4. तकनीकी विश्लेषक एजेंट बनाम वर्कफ़्लो: एक तकनीकी विश्लेषक एजेंट Telegram के माध्यम से एक चार्ट छवि का विश्लेषण कर सकता है, लेकिन इसमें डेटा के दो अनावश्यक स्थानांतरण शामिल हैं [3390].
  5. एक साधारण AI वर्कफ़्लो एक ही कार्य को कम त्रुटियों और डेटा के कम स्थानांतरण के साथ कर सकता है, जिससे यह अधिक सुसंगत और सस्ता हो जाता है [3394].
  6. AI एजेंटों का उपयोग तब किया जाना चाहिए जब निर्णय लेने और लचीलेपन की आवश्यकता हो, लेकिन यदि प्रक्रिया नियतात्मक है, तो AI वर्कफ़्लो बेहतर है [3437].

6. अपना पहला AI एजेंट बनाना [3446]

यह खंड n8n में एक साधारण AI एजेंट के चरण-दर-चरण निर्माण को कवर करेगा, जिसमें इनपुट, मस्तिष्क, मेमोरी और टूल को कॉन्फ़िगर करना शामिल है।

6.1. AI एजेंट की संरचना की समीक्षा [3446]

  1. एक AI एजेंट में एक इनपुट, एक मस्तिष्क (एक बड़ा भाषा मॉडल), निर्देश (एक सिस्टम प्रॉम्प्ट), मेमोरी, और टूल होते हैं [3448].
  2. OpenRouter का उपयोग विभिन्न मॉडलों से कनेक्ट करने के लिए किया जाएगा, और n8n में मेमोरी और सिस्टम प्रॉम्प्ट सेट किए जाएंगे [3453].

6.2. AI एजेंट का मूल सेटअप [3458]

  1. एक नया वर्कफ़्लो शुरू करें और एक चैट ट्रिगर नोड जोड़ें ताकि n8n चैट में AI एजेंट से बात की जा सके [3458].
  2. चैट ट्रिगर के बाद एक AI एजेंट नोड जोड़ें [3462].
  3. एजेंट के लिए उपयोगकर्ता संदेश चैट ट्रिगर नोड से आएगा, जिससे यह गतिशील हो जाएगा [3466].
  4. एजेंट को एक सिस्टम संदेश दें, जैसे "आप एक सहायक सहायक हैं" [3472].
  5. एजेंट को एक मस्तिष्क देने के लिए, एक चैट मॉडल (जैसे OpenAI से GPT 4.1 Mini) कनेक्ट करें [3478].
  6. एजेंट को मेमोरी देने के लिए, "मेमोरी" के तहत प्लस पर क्लिक करें और "सिंपल मेमोरी" चुनें, जो n8n में बातचीत के इतिहास को संग्रहीत करता है [3487].
  7. एजेंट से चैट करके परीक्षण करें कि क्या यह मेमोरी का उपयोग करके जवाब दे सकता है, जैसे "मेरा नाम नेट है, मैं 23 साल का हूं" और फिर "मेरा नाम क्या है और मैं कितने साल का हूं?" [3495].

6.3. संपर्क डेटाबेस टूल जोड़ना [3508]

  1. एक Google Sheet को एक संपर्क डेटाबेस के रूप में उपयोग करें, जिसमें नाम और ईमेल जैसी जानकारी हो [3510].
  2. AI एजेंट में एक टूल के रूप में एक Google Sheets नोड जोड़ें [3522].
  3. Google Sheets क्रेडेंशियल कनेक्ट करें [3525].
  4. टूल विवरण को स्वचालित रूप से सेट करें, संसाधन को "शीट" के रूप में चुनें, ऑपरेशन को "पंक्तियां प्राप्त करें" के रूप में चुनें, और दस्तावेज़ और शीट (जैसे "संपर्क" और "शीट1") चुनें [3527].
  5. टूल को "संपर्क डेटाबेस" जैसा एक सहज नाम दें [3537].
  6. एजेंट से चैट करके परीक्षण करें कि क्या यह संपर्क जानकारी पुनः प्राप्त करने के लिए टूल का उपयोग कर सकता है, जैसे "क्या आप ओपरा विनफ्रे की संपर्क जानकारी प्राप्त कर सकते हैं?" [3548].

6.4. ईमेल भेजने का टूल जोड़ना [3557]

  1. AI एजेंट में एक टूल के रूप में एक Gmail नोड जोड़ें [3557].
  2. Gmail क्रेडेंशियल कनेक्ट करें [3561].
  3. टूल विवरण को स्वचालित रूप से सेट करें, संसाधन को "संदेश" के रूप में चुनें, ऑपरेशन को "भेजें" के रूप में चुनें [3563].
  4. AI एजेंट को "टू", "विषय", और "संदेश" फ़ील्ड को गतिशील रूप से परिभाषित करने की अनुमति देने के लिए "मॉडल को इस पैरामीटर को परिभाषित करने दें" बटन पर क्लिक करें [3565].
  5. ईमेल प्रकार को "पाठ" में बदलें [3573].
  6. टूल को "ईमेल भेजें" नाम दें [3575].
  7. एजेंट से चैट करके परीक्षण करें कि क्या यह ईमेल भेज सकता है, जैसे "ओपरा को एक ईमेल भेजें जिसमें पूछा गया है कि वह कैसी है और क्या उसकी इस सप्ताहांत की कोई योजना है" [3577].
  8. एजेंट के आउटपुट में n8n एट्रिब्यूशन को हटाने के लिए "n8n एट्रिब्यूशन जोड़ें" विकल्प को बंद करें [3590].

6.5. कैलेंडर ईवेंट बनाने का टूल जोड़ना [3596]

  1. AI एजेंट में एक टूल के रूप में एक Google Calendar नोड जोड़ें [3596].
  2. Google Calendar क्रेडेंशियल कनेक्ट करें [3599].
  3. टूल विवरण को स्वचालित रूप से सेट करें, संसाधन को "ईवेंट" के रूप में चुनें, ऑपरेशन को "बनाएं" के रूप में चुनें, और एक कैलेंडर चुनें [3602].
  4. AI एजेंट को "शुरू होने का समय", "समाप्त होने का समय", "सारांश" (ईवेंट का नाम), और "उपस्थित व्यक्ति" फ़ील्ड को गतिशील रूप से परिभाषित करने की अनुमति देने के लिए "मॉडल को इस पैरामीटर को परिभाषित करने दें" बटन पर क्लिक करें [3606].
  5. टूल को "ईवेंट बनाएं" नाम दें [3616].
  6. एजेंट से चैट करके परीक्षण करें कि क्या यह कैलेंडर ईवेंट बना सकता है, जैसे "माइकल स्कॉट के साथ आज रात 6 बजे डिनर के लिए एक ईवेंट बनाएं" [3618].
  7. यदि एजेंट गलत जानकारी (जैसे गलत ईमेल पता या तारीख) का उपयोग करता है, तो सिस्टम प्रॉम्प्ट में निर्देश जोड़कर इसे ठीक करें, जैसे "ईवेंट बनाने या ईमेल भेजने से पहले हमेशा संपर्क डेटाबेस में देखें" और "यहां वर्तमान तारीख/समय है" [3626].
  8. मेमोरी को साफ़ करें और उसी क्वेरी को फिर से चलाएं ताकि यह सुनिश्चित हो सके कि एजेंट सही जानकारी का उपयोग करता है [3660].
  9. यदि एजेंट अभी भी गलतियाँ करता है, तो सिस्टम प्रॉम्प्ट को और परिष्कृत करें, जैसे "कभी किसी का ईमेल पता न बनाएं" [3678].
  10. मेमोरी को साफ़ करें और एक बहु-चरणीय प्रक्रिया का परीक्षण करें, जैसे "रयान रेनॉल्ड्स को आज रात 9 बजे 30 मिनट की पार्टी में आमंत्रित करें और पुष्टि करने के लिए उसे एक ईमेल भेजें" [3681].

7. AI एजेंटों के लिए गतिशील मेमोरी [3689]

AI एजेंटों के लिए गतिशील मेमोरी सत्र ID का उपयोग करके कई उपयोगकर्ताओं के साथ अद्वितीय बातचीत बनाए रखने की अनुमति देती है, और इसे PostgreSQL और Supabase जैसे बाहरी डेटाबेस के साथ कॉन्फ़िगर किया जा सकता है।

7.1. गतिशील मेमोरी को समझना [3689]

  1. सत्र ID एक अद्वितीय पहचानकर्ता है जो प्रत्येक अलग बातचीत की पहचान करता है, जिससे AI एजेंट कई उपयोगकर्ताओं के साथ अद्वितीय बातचीत बनाए रख सकता है [3690].
  2. यदि एक AI एजेंट को एक ईमेल द्वारा ट्रिगर किया जा रहा है, तो सत्र ID को आने वाले ईमेल पते के रूप में सेट किया जा सकता है ताकि एजेंट की प्रतिक्रिया विशिष्ट रूप से उस व्यक्ति से जुड़ी हो जिसने ईमेल भेजा था [3695].
  3. सत्र ID को मैन्युअल रूप से हेरफेर करके (जैसे इसे "A" या "B" पर सेट करके), यह प्रदर्शित किया जा सकता है कि एजेंट प्रत्येक सत्र ID के लिए अलग-अलग बातचीत के इतिहास को कैसे बनाए रखता है [3699].
  4. यह एक ही एजेंट प्रवाह में कई उपयोगकर्ताओं के साथ गतिशील बातचीत की अनुमति देता है [3719].
  5. एक व्यावहारिक उपयोग के मामले में, यदि एक एजेंट को Slack, Telegram, WhatsApp, या Gmail से कनेक्ट किया जा रहा है, तो मेमोरी को प्रत्येक व्यक्ति के लिए गतिशील और अद्वितीय होना चाहिए [3721].
  6. एक Gmail ट्रिगर का उपयोग करके, सत्र ID को ईमेल भेजने वाले के "From" फ़ील्ड के रूप में सेट किया जा सकता है, जिससे एजेंट उस विशिष्ट उपयोगकर्ता के लिए बातचीत के इतिहास को देखेगा [3736].
  7. एजेंट के लिए उपयोगकर्ता संदेश को ईमेल के विषय और बॉडी के संयोजन के रूप में परिभाषित किया जा सकता है [3724].

7.2. संदर्भ विंडो की लंबाई [3748]

  1. नोड के भीतर मेमोरी में एक संदर्भ विंडो की लंबाई पैरामीटर होता है, जो इंगित करता है कि मॉडल संदर्भ के रूप में कितनी पिछली बातचीत प्राप्त करता है [3748].
  2. यह अल्पकालिक मेमोरी है, क्योंकि यह प्रतिक्रिया तैयार करने से पहले केवल पिछली पांच बातचीत को देखेगा [3751].
  3. यह केवल एक साधारण मेमोरी नोड तक ही सीमित नहीं है; PostgreSQL जैसे अन्य मेमोरी प्रकारों में भी संदर्भ विंडो की लंबाई होती है [3753].
  4. संदर्भ विंडो की लंबाई यह सुनिश्चित करती है कि एजेंट वर्तमान बातचीत के लिए प्रासंगिक जानकारी को याद रखता है [3778].

7.3. PostgreSQL और Supabase सेटअप [3787]

  1. PostgreSQL एक ओपन-सोर्स रिलेशनल डेटाबेस प्रबंधन प्रणाली है जो PGVector जैसे प्लगइन्स की अनुमति देती है, और इसे एजेंट के लिए मेमोरी के रूप में उपयोग किया जा सकता है [3791].
  2. Supabase PostgreSQL के शीर्ष पर निर्मित एक बैकएंड-ए-ए-सर्विस है, और इसे एक वेक्टर डेटाबेस के रूप में उपयोग किया जा सकता है [3794].
  3. n8n में, मेमोरी के लिए PostgreSQL चैट मेमोरी और एक टूल के लिए Supabase वेक्टर स्टोर नोड जोड़ें [3798].
  4. Supabase में एक नया खाता और एक नया प्रोजेक्ट बनाएं, और एक पासवर्ड सेट करें जिसे बाद में उपयोग किया जाएगा [3808].
  5. Supabase प्रोजेक्ट लॉन्च होने के बाद, PostgreSQL से कनेक्ट करने के लिए आवश्यक जानकारी (होस्ट, उपयोगकर्ता नाम, पासवर्ड, और पोर्ट) प्राप्त करने के लिए "कनेक्ट" अनुभाग पर जाएं [3823].
  6. n8n में PostgreSQL क्रेडेंशियल में जानकारी पेस्ट करें और कनेक्शन का परीक्षण करें [3841].
  7. Supabase वेक्टर स्टोर को कनेक्ट करने के लिए, Supabase में "सेटिंग्स" और "डेटा API" पर जाएं, और प्रोजेक्ट URL (होस्ट के लिए) और सर्विस रोल सीक्रेट प्राप्त करें [3881].
  8. n8n में Supabase क्रेडेंशियल में जानकारी पेस्ट करें और कनेक्शन का परीक्षण करें [3887].

7.4. Supabase वेक्टर स्टोर का उपयोग करना [3891]

  1. Supabase में एक वेक्टर स्टोर बनाने के लिए, दस्तावेज़ों में त्वरित प्रारंभ मार्गदर्शिका से SQL कमांड को कॉपी करें, इसे SQL संपादक में पेस्ट करें, और इसे चलाएं [3891].
  2. यह "दस्तावेज़" नामक एक नई तालिका बनाएगा जहां वैक्टर संग्रहीत किए जाएंगे [3898].
  3. एक Google Doc को Supabase वेक्टर डेटाबेस में डालने के लिए, एक Google Drive नोड (डाउनलोड फ़ाइल) का उपयोग करके दस्तावेज़ की बाइनरी डेटा प्राप्त करें [3901].
  4. एक Supabase वेक्टर स्टोर नोड जोड़ें, ऑपरेशन को "वेक्टर स्टोर में दस्तावेज़ जोड़ें" के रूप में चुनें, और "दस्तावेज़" तालिका चुनें [3907].
  5. एक दस्तावेज़ लोडर (बाइनरी डेटा के लिए), एक एम्बेडिंग (जैसे OpenAI से Text Embedding 3 Small), और एक टेक्स्ट स्प्लिटर (जैसे रिकर्सिव कैरेक्टर टेक्स्ट स्प्लिटर) जोड़ें [3915].
  6. नोड चलाएं, और दस्तावेज़ को वैक्टर में बदल दिया जाएगा और Supabase में संग्रहीत किया जाएगा [3927].
  7. AI एजेंट को Supabase वेक्टर स्टोर से कनेक्ट करने के लिए, टूल को "बॉडी शॉप" नाम दें, विवरण दें, और "दस्तावेज़" तालिका चुनें [3945].
  8. एम्बेडिंग जोड़ें ताकि यह क्वेरी को एम्बेड कर सके और जानकारी को सही ढंग से पुनः प्राप्त कर सके [3950].
  9. एजेंट से चैट करके परीक्षण करें कि क्या यह Supabase वेक्टर स्टोर से जानकारी पुनः प्राप्त कर सकता है, जैसे "बॉडी शॉप में कौन सी ब्रेक सेवाएं प्रदान की जाती हैं?" [3954].

8. मल्टी-एजेंट सिस्टम आर्किटेक्चर [3970]

मल्टी-एजेंट सिस्टम में कई स्वायत्त AI एजेंट एक साथ काम करते हैं, और ऑर्केस्ट्रेटर आर्किटेक्चर एक पैरेंट एजेंट को विभिन्न उप-एजेंटों को कॉल करने की अनुमति देता है, जिससे विशेषज्ञता और दक्षता बढ़ती है।

8.1. ऑर्केस्ट्रेटर आर्किटेक्चर [3970]

  1. एक मल्टी-एजेंट सिस्टम में कई स्वायत्त AI एजेंट एक साथ काम करते हैं, एक-दूसरे से बात करते हैं, और अपने टूल का उपयोग करते हैं [3975].
  2. ऑर्केस्ट्रेटर आर्किटेक्चर में एक पैरेंट एजेंट होता है जो विभिन्न उप-एजेंटों को कॉल कर सकता है [3977].
  3. पैरेंट एजेंट का लक्ष्य उपयोगकर्ता के इरादे को समझना है और फिर यह तय करना है कि अंत लक्ष्य को प्राप्त करने के लिए कौन से उप-एजेंटों को कॉल करना है [3980].
  4. उदाहरण के लिए, एक पैरेंट एजेंट एक ब्लॉग पोस्ट लिखने, एक ईमेल भेजने, और एक कैलेंडर ईवेंट बनाने जैसे कई कार्यों को संभाल सकता है, प्रत्येक कार्य के लिए एक विशिष्ट उप-एजेंट को सौंप सकता है [3984].
  5. यह दृष्टिकोण एजेंटों को विशिष्ट क्षेत्रों में विशेषज्ञता प्राप्त करने की अनुमति देता है, जिससे एक ही एजेंट पर सभी टूल तक पहुंच होने की तुलना में अधिक सटीकता और दक्षता होती है [4009].
  6. प्रत्येक उप-एजेंट का अपना विशिष्ट सिस्टम प्रॉम्प्ट और टूल का सेट होता है, जिससे स्पष्ट और संक्षिप्त निर्देश मिलते हैं [4011].
  7. विभिन्न कार्यों के लिए विशिष्ट चैट मॉडल का उपयोग किया जा सकता है, जिससे लागत और प्रदर्शन का अनुकूलन होता है [4033].

8.2. मल्टी-एजेंट सिस्टम के लाभ [4039]

  1. अधिक पुन: प्रयोज्य घटक: एक बार एक एजेंट (जैसे एक ईमेल एजेंट) बन जाने के बाद, इसे कई अन्य वर्कफ़्लो द्वारा बुलाया जा सकता है, जिससे विकास का समय बचता है [4040].
  2. मॉडल लचीलापन: विभिन्न एजेंटों के लिए विभिन्न चैट मॉडल का उपयोग किया जा सकता है, जिससे लागत और प्रदर्शन का अनुकूलन होता है [4053].
  3. आसान डिबगिंग और रखरखाव: कार्यों को छोटे, विशिष्ट भागों में विभाजित करने से डिबगिंग आसान हो जाती है, क्योंकि समस्या के स्रोत को इंगित करना आसान होता है [4055].
  4. स्पष्ट प्रॉम्प्ट और तर्क: विशिष्ट कार्यों के लिए एजेंटों को विभाजित करने से स्पष्ट प्रॉम्प्ट और तर्क मिलते हैं, जिससे बेहतर परीक्षण क्षमता होती है [4060].
  5. मल्टी-टर्न एजेंटों के लिए नींव: मेमोरी को वर्कफ़्लो के बीच पारित किया जा सकता है, जिससे मल्टी-टर्न एजेंटों और एजेंट मेमोरी के लिए एक नींव मिलती है [4061].

8.3. ऑर्केस्ट्रेटर एजेंट का निर्माण [4063]

  1. एक नया वर्कफ़्लो शुरू करें और एक AI एजेंट नोड जोड़ें, जिसे चैट विंडो के माध्यम से बातचीत की जाएगी [4066].
  2. एजेंट को एक मस्तिष्क देने के लिए एक OpenRouter चैट मॉडल (जैसे GPT 4.1 Mini) कनेक्ट करें [4070].
  3. एक टूल के रूप में एक n8n वर्कफ़्लो टूल जोड़ें, जो एक और n8n वर्कफ़्लो को एक टूल के रूप में उपयोग करने की अनुमति देता है [4074].
  4. टूल के लिए एक विवरण प्रदान करें (जैसे "किसी भी ईमेल कार्रवाई को करने के लिए इस टूल को कॉल करें") और उस उप-वर्कफ़्लो को लिंक करें जिसे ऑर्केस्ट्रेटर एजेंट डेटा भेजेगा [4116].
  5. एक नया वर्कफ़्लो बनाएं जो उप-एजेंट के रूप में कार्य करेगा, और इसे एक वर्कफ़्लो ट्रिगर द्वारा निष्पादित होने पर नोड से शुरू करें [4088].
  6. उप-वर्कफ़्लो में, एक AI एजेंट नोड जोड़ें, और उपयोगकर्ता संदेश को "नीचे परिभाषित करें" में बदलें, फिर ऑर्केस्ट्रेटर एजेंट से आने वाली क्वेरी को खींचें [4103].
  7. उप-एजेंट को एक चैट मॉडल (जैसे GPT 4.1 Mini) दें [4140].
  8. ऑर्केस्ट्रेटर एजेंट को एक सिस्टम प्रॉम्प्ट दें, उसे उसकी भूमिका (जैसे "आप एक ऑर्केस्ट्रेटर एजेंट हैं") और निर्देश (जैसे "आपका एकमात्र काम कार्य को सही टूल को सौंपना है। ईमेल लिखने या सारांश बनाने की कोई आवश्यकता नहीं है") बताएं [4134].
  9. उप-वर्कफ़्लो में, एक Gmail नोड (संदेश भेजें) को एक टूल के रूप में जोड़ें, और "टू", "विषय", और "संदेश" फ़ील्ड को मॉडल द्वारा परिभाषित करने की अनुमति दें [4158].
  10. उप-एजेंट के व्यवहार का परीक्षण करने के लिए, उप-वर्कफ़्लो के क्वेरी नोड में नकली डेटा सेट करें, जैसे "nate@example.com को एक ईमेल भेजें जिसमें पूछा गया है कि क्या चल रहा है" [4170].
  11. यदि उप-एजेंट को ईमेल भेजने के लिए पर्याप्त जानकारी नहीं मिलती है, तो वह ऑर्केस्ट्रेटर एजेंट को वापस जवाब देगा, जो फिर उपयोगकर्ता को अधिक जानकारी प्रदान करने के लिए संकेत देगा [4200].
  12. ऑर्केस्ट्रेटर एजेंट में एक संपर्क एजेंट या एक संपर्क डेटाबेस टूल जोड़ें ताकि ईमेल भेजने से पहले संपर्क जानकारी पुनः प्राप्त की जा सके [4215].

8.4. चार एजेंट आर्किटेक्चर [4255]

  1. पैरेंट एजेंट आर्किटेक्चर में, एक पैरेंट एजेंट (जैसे अल्टीमेट असिस्टेंट) चार चाइल्ड एजेंटों (विभिन्न वर्कफ़्लो) को कार्य भेजता है [4255].
  2. पैरेंट एजेंट उपयोगकर्ता से एक क्वेरी प्राप्त करता है, इसे ईमेल एजेंट जैसे चाइल्ड एजेंट को भेजता है, जो कार्रवाई करता है, और फिर पैरेंट एजेंट को प्रतिक्रिया देता है, जो उपयोगकर्ता को जवाब देता है [4261].

8.5. प्रॉम्प्ट चेनिंग [4276]

  1. प्रॉम्प्ट चेनिंग में, एक एजेंट का आउटपुट सीधे अगले एजेंट के इनपुट के रूप में पारित किया जाता है, जिससे प्रत्येक चरण एक विशिष्ट कार्य पर केंद्रित होता है [4276].
  2. यह सटीकता और गुणवत्ता में सुधार करता है, प्रत्येक चरण पर अधिक नियंत्रण प्रदान करता है, विशेषज्ञता की ओर ले जाता है, और डिबगिंग और अनुकूलन को आसान बनाता है [4279].
  3. उदाहरण के लिए, एक एजेंट एक रूपरेखा लिखता है, दूसरा उसका मूल्यांकन करता है और सुझाव देता है, और तीसरा संशोधित रूपरेखा का उपयोग करके एक ब्लॉग लिखता है [4294].
  4. विभिन्न कार्यों के लिए विभिन्न बड़े भाषा मॉडल का उपयोग किया जा सकता है, जैसे रूपरेखा लिखने के लिए एक सस्ता मॉडल और ब्लॉग लिखने के लिए एक अधिक शक्तिशाली मॉडल [4300].
  5. वर्कफ़्लो को एक कीवर्ड (जैसे "कॉफी") के साथ शुरू करें, जिसे एक रूपरेखा लेखक एजेंट को फ़ीड किया जाता है [4315].
  6. रूपरेखा लेखक का आउटपुट एक रूपरेखा मूल्यांकनकर्ता एजेंट को फ़ीड किया जाता है, जो रूपरेखा को संशोधित करता है और सुनिश्चित करता है कि यह विशिष्ट मानदंडों को पूरा करता है [4330].
  7. संशोधित रूपरेखा तब एक ब्लॉग लेखक एजेंट को फ़ीड की जाती है, जो एक विस्तृत ब्लॉग पोस्ट उत्पन्न करता है [4336].

8.6. रूटिंग [4367]

  1. रूटिंग में, एक प्रारंभिक LLM कॉल आने वाले ईमेल को वर्गीकृत करती है, और उस वर्गीकरण के आधार पर, इसे विभिन्न एजेंटों को भेजा जाता है (जैसे उच्च प्राथमिकता, ग्राहक सहायता, प्रचार, वित्त, या बिलिंग) [4367].
  2. यह प्रतिक्रिया हैंडलिंग को अनुकूलित करता है, प्रत्येक एजेंट के लिए विभिन्न व्यक्तित्वों को सेट करने की अनुमति देता है, अधिक स्केलेबल और मॉड्यूलर होता है, तेज और अधिक कुशल होता है, और महत्वपूर्ण मुद्दों के लिए मानव वृद्धि का परिचय दे सकता है [4371].
  3. उदाहरण के लिए, एक ईमेल जो "मुझे अपने खाते में लॉग इन करने में मदद चाहिए" कहता है, उसे ग्राहक सहायता के रूप में वर्गीकृत किया जाएगा और ग्राहक सहायता एजेंट को भेजा जाएगा [4379].
  4. ग्राहक सहायता एजेंट तब ईमेल को ग्राहक सहायता ईमेल के रूप में लेबल करेगा और ईमेल का जवाब देने के लिए एक ईमेल ड्राफ्ट बनाएगा [4383].
  5. एक उच्च प्राथमिकता वाला ईमेल (जैसे "नेट, यह जरूरी है") को उच्च प्राथमिकता के रूप में लेबल किया जाएगा और एक टेलीग्राम टूल तक पहुंच वाले एक उच्च प्राथमिकता वाले एजेंट को भेजा जाएगा, जो तुरंत एक पाठ संदेश भेजेगा [4390].

8.7. समानांतरकरण [4397]

  1. समानांतरकरण में, तीन अलग-अलग एजेंटों का उपयोग किया जाता है, उनके आउटपुट को मर्ज किया जाता है, और फिर उन्हें एक अंतिम एजेंट को फ़ीड किया जाता है ताकि सभी को एक प्रतिक्रिया में संयोजित किया जा सके [4397].
  2. यह विश्लेषण को तेज करता है, विशेषज्ञता की अनुमति देता है (विशिष्ट सिस्टम प्रॉम्प्ट और LLM के साथ), एक व्यापक समीक्षा प्रदान करता है, और अधिक स्केलेबिलिटी प्रदान करता है [4401].
  3. उदाहरण के लिए, एक प्रारंभिक संदेश (जैसे "मैं अब मुख्यधारा के मीडिया पर भरोसा नहीं करता") को एक भावना एजेंट (भावनात्मक स्वर का विश्लेषण करने के लिए), एक इरादा एजेंट (इरादे का निर्धारण करने के लिए), और एक पूर्वाग्रह एजेंट (किसी भी संभावित पूर्वाग्रह का विश्लेषण करने के लिए) को भेजा जाता है [4405].
  4. इन एजेंटों के आउटपुट को तब एक अंतिम एजेंट को फ़ीड किया जाता है जो एक रिपोर्ट को संयोजित और लिखता है [4411].
  5. रिपोर्ट में भावनात्मक स्वर, इरादा, पूर्वाग्रह विश्लेषण, और पाठ को अधिक तटस्थ बनाने के लिए सिफारिशें शामिल होंगी [4417].

8.8. मूल्यांकनकर्ता अनुकूलक [4428]

  1. मूल्यांकनकर्ता अनुकूलक फ्रेमवर्क में, एक मूल्यांकनकर्ता एजेंट यह तय करता है कि क्या आउटपुट अच्छा है; यदि नहीं, तो इसे एक अनुकूलक एजेंट द्वारा अनुकूलित किया जाता है और अधिक मूल्यांकन के लिए मूल्यांकनकर्ता को वापस भेजा जाता है [4428].
  2. यह एक अंतहीन लूप है जो उच्च गुणवत्ता वाले आउटपुट सुनिश्चित करता है, त्रुटियों और मैन्युअल समीक्षाओं को कम करता है, लचीला और स्केलेबल होता है, और AI के प्रदर्शन को अनुकूलित करता है [4433].
  3. एक जीवनी एजेंट एक व्यक्ति के बारे में जानकारी के आधार पर एक जीवनी लिखता है [4437].
  4. जीवनी को एक सेट नोड में सेट किया जाता है ताकि इसे बार-बार संदर्भित किया जा सके [4442].
  5. मूल्यांकनकर्ता एजेंट जीवनी का मूल्यांकन करता है और विशिष्ट मानदंडों (जैसे एक उद्धरण शामिल करना, हल्का और विनोदी होना, और कोई इमोजी नहीं होना) के आधार पर प्रतिक्रिया प्रदान करता है [4446].
  6. यदि मूल्यांकनकर्ता एजेंट का आउटपुट "समाप्त" नहीं है, तो इसे अनुकूलक एजेंट को भेजा जाता है, जो जीवनी को प्रतिक्रिया के आधार पर अनुकूलित करता है और इसे मूल्यांकनकर्ता को वापस भेजता है [4452].
  7. एक बार जब मूल्यांकनकर्ता एजेंट "समाप्त" कहता है, तो अंतिम जीवनी एक Google Doc में प्रकाशित की जाती है [4458].
  8. विभिन्न एजेंटों के लिए विभिन्न मॉडल का उपयोग किया जा सकता है, जैसे जीवनी लिखने के लिए एक सस्ता मॉडल और अनुकूलन के लिए एक अधिक शक्तिशाली मॉडल [4490].

9. AI एजेंटों को प्रॉम्प्ट करना [4501]

AI एजेंटों को प्रॉम्प्ट करना एक महत्वपूर्ण कौशल है जो उनके प्रदर्शन की गुणवत्ता और स्थिरता को सीधे प्रभावित करता है, और इसमें एक संरचित दृष्टिकोण और प्रतिक्रियाशील प्रॉम्प्टिंग शामिल है।

9.1. प्रॉम्प्टिंग का महत्व [4501]

  1. AI एजेंटों का प्रदर्शन सीधे सिस्टम प्रॉम्प्ट की गुणवत्ता से जुड़ा होता है [4503].
  2. प्रॉम्प्टिंग का अर्थ है प्राकृतिक भाषा का उपयोग करके एजेंटों को उनके व्यवहार को कोड करना [4515].
  3. एक अच्छा सिस्टम प्रॉम्प्ट यह सुनिश्चित करता है कि एजेंट स्पष्ट, विशिष्ट और दोहराने योग्य तरीके से व्यवहार करता है [4518].
  4. प्रॉम्प्टिंग महत्वपूर्ण है क्योंकि एजेंट स्वायत्त रूप से चलते हैं और ChatGPT के विपरीत, लगातार और उच्च गुणवत्ता के साथ कार्य करने के लिए उन पर भरोसा करने की आवश्यकता होती है [4523].
  5. लक्ष्य यह है कि प्रॉम्प्ट पहली बार में सही हों ताकि एजेंट हर बार सही ढंग से कार्य करे [4530].
  6. प्रॉम्प्ट को स्पष्ट, सरल और कार्रवाई योग्य रखें, और गलत व्याख्या के लिए कोई जगह न छोड़ें; कम ही अधिक है [4532].

9.2. प्रतिक्रियाशील प्रॉम्प्टिंग [4536]

  1. प्रतिक्रियाशील प्रॉम्प्टिंग में कुछ भी नहीं से शुरू करना, एक टूल जोड़ना, उसका परीक्षण करना, और फिर धीरे-धीरे वाक्य-दर-वाक्य प्रॉम्प्ट जोड़ना शामिल है [4544].
  2. सक्रिय प्रॉम्प्टिंग के विपरीत (जहां एक लंबा, विस्तृत प्रॉम्प्ट पहले से लिखा जाता है), प्रतिक्रियाशील प्रॉम्प्टिंग आसान डिबगिंग की अनुमति देता है क्योंकि आप जानते हैं कि क्या टूट गया है [4537].
  3. यह अधिक कुशल परीक्षण की ओर ले जाता है और अत्यधिक जटिल प्रॉम्प्ट को रोकता है जिन्हें बाद में संशोधित करना मुश्किल होता है [4552].
  4. प्रतिक्रियाशील प्रॉम्प्टिंग का मतलब है कि आप त्रुटि देखते हैं और फिर सिस्टम प्रॉम्प्ट के भीतर त्रुटि को हार्ड प्रॉम्प्ट करते हैं, यह कहते हुए कि "अरे, आपने अभी यह किया। वह गलत था। ऐसा फिर से न करें" [4553].
  5. एक वास्तविक दुनिया का उदाहरण एक बच्चे को बाइक चलाना सिखाना है: आप केवल तभी सुधार करते हैं जब वे गलती करते हैं, अनावश्यक निर्देशों से बचते हैं [4561].
  6. छोटे से शुरू करें, त्रुटियों का निरीक्षण करें, और एक समय में एक समस्या को ठीक करें [4567].

9.3. प्रतिक्रियाशील प्रॉम्प्टिंग के उदाहरण [4568]

  1. अल्टीमेट असिस्टेंट वर्कफ़्लो में, प्रॉम्प्टिंग बहुत प्रतिक्रियाशील था, जिसमें कोई लगातार प्रॉम्प्ट नहीं था, और टूल को कनेक्ट करने और परीक्षण करने के बाद प्रॉम्प्ट जोड़े गए थे [4568].
  2. प्रॉम्प्ट को त्रुटियों के आधार पर जोड़ा गया था, जैसे कि एजेंट के ईमेल लिखने की कोशिश करने पर एक पंक्ति जोड़ना, भले ही उसके पास ईमेल लिखने का कोई टूल न हो [4576].
  3. उदाहरणों का उपयोग करके हार्ड कोडिंग भी प्रभावी है, जहां आप एक इनपुट देते हैं, एजेंट को लेने वाली कार्रवाइयां दिखाते हैं, और फिर वांछित आउटपुट प्रदान करते हैं [4595].
  4. केवल उन उदाहरणों को शामिल करें जहां एजेंट लगातार विफल हो रहा है, न कि उन उदाहरणों को जिन्हें एजेंट पहले से ही सही कर रहा है [4609].
  5. एक समय में केवल एक चीज बदलें ताकि आप जान सकें कि क्या टूट गया या ठीक हो गया [4612].
  6. धीरे-धीरे स्केल करें: एक बार जब एजेंट अपने पहले टूल और प्रॉम्प्ट में पहले नियम के साथ लगातार काम कर रहा हो, तो धीरे-धीरे अधिक टूल और प्रॉम्प्ट नियम जोड़ें [4628].

9.4. प्रभावी प्रॉम्प्ट के मुख्य घटक [4628]

  1. प्रॉम्प्ट को मार्कडाउन प्रारूप का उपयोग करके संरचित किया जाना चाहिए, जिसमें हेडर, बोल्ड सूचियां और क्रमांकित सूचियां शामिल हों [4638].
  2. पृष्ठभूमि (या अवलोकन) एजेंट की भूमिका और समग्र लक्ष्य को परिभाषित करता है, जिससे दिशा और व्यक्तित्व मिलता है [4646].
  3. टूल अनुभाग एजेंट को बताता है कि उसके पास कौन से टूल हैं और उनका उपयोग कब करना है, जिससे सही टूल का उपयोग सुनिश्चित होता है [4656].
  4. निर्देश (या नियम) एजेंट के पालन करने के लिए विशिष्ट नियमों को रेखांकित करते हैं, संचालन के क्रम को उच्च स्तर पर निर्धारित करते हैं, और गलतफहमी को रोकते हैं [4676].
  5. उदाहरण AI को वास्तविक उदाहरण दिखाकर अपेक्षाओं को समझने में मदद करते हैं, जिससे अधिक स्पष्ट मार्गदर्शन और अधिक सटीक आउटपुट मिलते हैं [4695].
  6. अंतिम नोट्स या महत्वपूर्ण अनुस्मारक में विविध लेकिन महत्वपूर्ण अनुस्मारक शामिल होते हैं, जैसे वर्तमान तारीख और समय, दर सीमाएं, या आउटपुट में इमोजी न डालना [4713].

9.5. सम्मानजनक उल्लेख और प्रॉम्प्टिंग के उदाहरण [4724]

  1. प्रॉम्प्ट अनुभाग एजेंट के प्रकार के आधार पर भिन्न होते हैं; उदाहरण के लिए, एक सामग्री निर्माता एजेंट को टूल अनुभाग की आवश्यकता नहीं होगी, लेकिन उसे एक आउटपुट अनुभाग की आवश्यकता हो सकती है [4724].
  2. एक आउटपुट अनुभाग में आउटपुट प्रारूप के लिए नियम शामिल हो सकते हैं, जैसे HTML संरचना, हेडर, क्षैतिज रेखाएं, विषय, परिचय, उड़ान अनुभाग, छवि टैग, क्लिक करने योग्य लिंक, और छवि की चौड़ाई प्रतिशत [4730].
  3. मेमोरी और संदर्भ प्रबंधन, तर्क, और त्रुटि हैंडलिंग जैसे अन्य सम्मानजनक उल्लेखों को नियमों या निर्देशों अनुभाग में शामिल किया जा सकता है, या यदि आवश्यक हो तो व्यक्तिगत अनुभागों के रूप में बनाया जा सकता है [4745].
  4. प्रतिक्रियाशील लाइव प्रॉम्प्टिंग में एक AI एजेंट को जोड़ना, एक चैट मॉडल कनेक्ट करना, एक टूल जोड़ना (जैसे Google Calendar), और फिर त्रुटियों के आधार पर प्रॉम्प्ट को धीरे-धीरे जोड़ना शामिल है [4749].
  5. उदाहरण के लिए, यदि एजेंट गलत तारीख और समय के लिए एक ईवेंट बनाता है, तो सिस्टम प्रॉम्प्ट में वर्तमान तारीख और समय जोड़कर इसे ठीक करें [4768].
  6. एक और टूल (जैसे ईमेल भेजें) जोड़ें, और यदि एजेंट गलत तरीके से साइन ऑफ करता है, तो सिस्टम प्रॉम्प्ट में एक नियम जोड़ें, जैसे "ईमेल को फ्रैंक के रूप में साइन ऑफ करें" [4787].
  7. कई टूल (जैसे ईमेल प्राप्त करें, लेबल प्राप्त करें, लेबल जोड़ें) जोड़ें, और यदि एजेंट उन्हें गलत क्रम में उपयोग करता है, तो टूल विवरण में नियम जोड़कर इसे ठीक करें, जैसे "लेबल जोड़ने के लिए, आपको पहले 'ईमेल प्राप्त करें' का उपयोग करना चाहिए" [4814].
  8. प्रॉम्प्टिंग एक परीक्षण-भारी, पुनरावृत्त प्रक्रिया है जिसमें निर्माण, परीक्षण, परिवर्तन, और फिर से परीक्षण शामिल है [4908].

10. AI एजेंटों के लिए विविध युक्तियाँ [4911]

यह खंड AI एजेंटों के लिए विभिन्न विविध युक्तियों को कवर करेगा, जिसमें आउटपुट पार्सिंग, मानव-इन-द-लूप, त्रुटि वर्कफ़्लो, गतिशील मस्तिष्क, और वेबहुक शामिल हैं।

10.1. आउटपुट पार्सिंग [4911]

  1. आउटपुट पार्सिंग का उपयोग तब किया जाता है जब एक AI एजेंट को एक विशिष्ट प्रारूप में डेटा आउटपुट करने की आवश्यकता होती है, जैसे एक ईमेल के लिए विषय और बॉडी को अलग-अलग फ़ील्ड के रूप में [4911].
  2. n8n में, AI एजेंट नोड में "विशिष्ट आउटपुट प्रारूप की आवश्यकता है" विकल्प को चालू करें, जो एक आउटपुट पार्सर विकल्प जोड़ता है [4936].
  3. अधिकांश समय, एक संरचित आउटपुट पार्सर का उपयोग किया जाएगा, जो एजेंट को एक परिभाषित JSON स्कीमा में डेटा आउटपुट करने की अनुमति देता है [4941].
  4. ChatGPT का उपयोग एक JSON उदाहरण लिखने के लिए किया जा सकता है जो वांछित आउटपुट संरचना को परिभाषित करता है, जैसे विषय फ़ील्ड और बॉडी फ़ील्ड के साथ एक दो-फ़ील्ड संरचना [4946].
  5. JSON उदाहरण को संरचित आउटपुट पार्सर में पेस्ट करें, और एजेंट तब डेटा को परिभाषित स्कीमा में आउटपुट करेगा, जिससे चर को मैप करना आसान हो जाएगा [4956].
  6. आउटपुट पार्सर का उपयोग विभिन्न उद्देश्यों के लिए किया जा सकता है, जैसे एक कहानी के लिए एक शीर्षक, वर्णों की एक सरणी, और विभिन्न दृश्यों को आउटपुट करना [4972].

10.2. मानव-इन-द-लूप [5002]

  1. मानव-इन-द-लूप का अर्थ है कि वर्कफ़्लो प्रक्रिया के दौरान एक बिंदु पर रुक जाएगा और उपयोगकर्ता से प्रतिक्रिया की प्रतीक्षा करेगा [5022].
  2. यह सुनिश्चित करता है कि कोई भी सामग्री क्लाइंट को भेजे जाने या सोशल मीडिया पर पोस्ट किए जाने से पहले अनुमोदित हो [5026].
  3. यदि प्रारंभिक सामग्री अच्छी नहीं है, तो एक असीमित संशोधन लूप हो सकता है जहां आउटपुट को बार-बार संशोधित किया जाता है जब तक कि उसे अनुमोदित नहीं किया जाता है [5029].
  4. n8n में, एक मानव-इन-द-लूप नोड का उपयोग किया जा सकता है, जिसमें Telegram, Gmail, Slack, या Outlook जैसे विभिन्न एकीकरण शामिल हैं [5036].
  5. एक सरल मानव-इन-द-लूप वर्कफ़्लो में, एजेंट सामग्री बनाता है, और उपयोगकर्ता "हां" या "नहीं" के साथ अनुमोदन या अस्वीकृति प्रदान करता है [5044].
  6. यदि सामग्री अस्वीकृत हो जाती है, तो वर्कफ़्लो एक अस्वीकृति संदेश भेज सकता है और एक नया अनुरोध सबमिट करने के लिए कह सकता है [5052].
  7. पाठ-आधारित प्रतिक्रिया देने के लिए, मानव-इन-द-लूप नोड में "मुक्त पाठ" विकल्प का उपयोग करें [5062].
  8. एक निर्णय बिंदु (एक टेक्स्ट क्लासिफायर एजेंट का उपयोग करके) प्रतिक्रिया को वर्गीकृत कर सकता है (जैसे अनुमोदन या अस्वीकृति) और वर्कफ़्लो को तदनुसार रूट कर सकता है [5140].
  9. यदि प्रतिक्रिया एक संशोधन का अनुरोध करती है, तो इसे एक संशोधन एजेंट को भेजा जाता है, जो मूल सामग्री और मानव प्रतिक्रिया का उपयोग करके सामग्री को संशोधित करता है [5152].
  10. संशोधित सामग्री को फिर से प्रतिक्रिया के लिए प्रस्तुत किया जाता है, जिससे एक लूप बनता है जब तक कि उसे अनुमोदित नहीं किया जाता है [5158].
  11. मानव-इन-द-लूप को एक एजेंट के टूल के रूप में लागू करना वर्तमान में n8n में काम नहीं करता है, क्योंकि एजेंट प्रतिक्रिया की प्रतीक्षा नहीं करता है [5185].

10.3. त्रुटि वर्कफ़्लो [5218]

  1. एक त्रुटि वर्कफ़्लो n8n में सभी त्रुटियों को लॉग करने और सक्रिय वर्कफ़्लो विफल होने पर सूचनाएं प्राप्त करने की अनुमति देता है [5218].
  2. एक नया वर्कफ़्लो बनाएं और इसे एक त्रुटि ट्रिगर नोड से शुरू करें, जो तब ट्रिगर होता है जब कोई अन्य वर्कफ़्लो त्रुटि करता है [5228].
  3. परीक्षण वर्कफ़्लो को सक्रिय करें, और इसकी सेटिंग में, त्रुटि वर्कफ़्लो को "त्रुटि लॉगर" के रूप में चुनें [5236].
  4. जब परीक्षण वर्कफ़्लो में कोई त्रुटि होती है (जैसे चैट मॉडल को डिस्कनेक्ट करना), तो त्रुटि लॉगर वर्कफ़्लो ट्रिगर हो जाएगा [5245].
  5. त्रुटि लॉगर वर्कफ़्लो में, त्रुटि जानकारी (टाइमस्टैम्प, वर्कफ़्लो नाम, URL, नोड जो त्रुटि हुई, और त्रुटि संदेश) को लॉग करने के लिए एक Google Sheets नोड (पंक्ति जोड़ें) जोड़ें [5262].
  6. त्रुटि होने पर सूचनाएं प्राप्त करने के लिए एक Slack नोड (संदेश भेजें) जोड़ें, जिसमें वर्कफ़्लो त्रुटि, नोड जो त्रुटि हुई, समय, और त्रुटि संदेश जैसी जानकारी शामिल हो [5296].
  7. वर्कफ़्लो के नीचे "वर्कफ़्लो से लिंक शामिल करें" को बंद करें ताकि n8n एट्रिब्यूशन संदेश को हटाया जा सके [5318].
  8. एक वर्कफ़्लो के वास्तव में त्रुटि होने (लाल होने) और बस सही ढंग से काम न करने के बीच एक अंतर है (जैसे प्रमाणीकरण त्रुटि के कारण एक टूल काम नहीं कर रहा है लेकिन वर्कफ़्लो हरा हो रहा है) [5325].
  9. त्रुटि वर्कफ़्लो केवल तभी ट्रिगर होगा जब वर्कफ़्लो वास्तव में त्रुटि करता है और लाल हो जाता है [5341].

10.4. गतिशील मस्तिष्क [5365]

  1. एक गतिशील मस्तिष्क प्रणाली में, AI एजेंट कार्य के आधार पर अपने टूल का चयन करता है, जिससे लागत बचती है और प्रदर्शन बढ़ता है [5365].
  2. यह प्रणाली Slack जैसे प्लेटफॉर्म में एजेंट से बातचीत करने, आउटपुट को लॉग करने, और फिर Slack में प्रतिक्रिया प्राप्त करने की अनुमति देती है [5370].
  3. OpenRouter का उपयोग चैट मॉडल के रूप में किया जाता है, जो एजेंट को किसी भी मॉडल पर रूट करने की अनुमति देता है [5384].
  4. एक मॉडल चयनकर्ता एजेंट इनपुट के आधार पर उपयोग करने के लिए मॉडल चुनता है, और फिर उस चयन का उपयोग दूसरे एजेंट द्वारा किया जाता है ताकि उसके टूल का उपयोग किया जा सके या आउटपुट उत्पन्न किया जा सके [5388].
  5. मॉडल चयनकर्ता एजेंट को Slack में भेजे गए पाठ को फ़ीड किया जाता है, और सिस्टम संदेश विभिन्न मॉडलों और उनकी शक्तियों को परिभाषित करता है [5423].
  6. Smartypants एजेंट को वही उपयोगकर्ता संदेश प्राप्त होता है, और यह अपने टूल का उपयोग करने के लिए पर्याप्त बुद्धिमान होता है [5441].
  7. गतिशील मस्तिष्क भाग मॉडल चयनकर्ता एजेंट के आउटपुट को खींचता है, और यदि आवश्यक हो तो किसी भी नई लाइन वर्णों को हटाने के लिए आउटपुट को ट्रिम किया जाता है [5446].
  8. OpenRouter गतिविधि लॉग का उपयोग यह देखने के लिए किया जा सकता है कि कौन से मॉडल का उपयोग किया गया था और उनकी लागत कितनी थी [5452].
  9. यह प्रणाली एजेंट को सामान्य कार्यों के लिए मुफ्त या सस्ते मॉडल का उपयोग करने की अनुमति देती है, और अधिक जटिल कार्यों के लिए अधिक शक्तिशाली मॉडल का उपयोग करती है [5457].
  10. आउटपुट को एक Google Sheet टेम्पलेट में लॉग किया जाता है, जिसमें टाइमस्टैम्प, इनपुट, आउटपुट, और चुने गए मॉडल शामिल होते हैं [5466].
  11. प्रतिक्रिया को Slack में वापस भेजा जाता है [5475].
  12. Vellum और LM Arena जैसे टूल का उपयोग LLM को उनकी तर्क क्षमता, गणित, कोडिंग, टूल उपयोग, संदर्भ विंडो, लागत और गति के लिए तुलना करने के लिए किया जा सकता है [5478].
  13. एक RAG एजेंट के लिए, मॉडल चयनकर्ता एजेंट क्वेरी की जटिलता के आधार पर एक मॉडल चुन सकता है, जैसे एक साधारण क्वेरी के लिए एक सस्ता मॉडल और एक जटिल क्वेरी के लिए एक अधिक बुद्धिमान मॉडल [5518].

10.5. वेबहुक [5553]

  1. वेबहुक API कॉल के समान हैं, लेकिन n8n वर्कफ़्लो डेटा प्राप्त करने के लिए सुन रहा है, बजाय इसके कि डेटा कहीं और भेजा जाए [5553].
  2. एक वेबहुक ट्रिगर नोड में एक URL होता है जहां डेटा भेजा जाता है [5558].
  3. विधि को POST पर सेट किया जाना चाहिए यदि डेटा वेबहुक पर भेजा जा रहा है [5571].
  4. वेबहुक को डेटा प्राप्त करने के लिए "टेस्ट इवेंट के लिए सुनो" पर क्लिक करके सक्रिय रूप से सुनना चाहिए [5589].
  5. Postman जैसे टूल का उपयोग करके वेबहुक का परीक्षण किया जा सकता है, जहां एक POST अनुरोध वेबहुक URL पर भेजा जाता है [5574].
  6. n8n वर्कफ़्लो वेबहुक से डेटा प्राप्त करेगा, जिसमें बॉडी पैरामीटर (कुंजी-मूल्य जोड़े) शामिल होंगे [5593].
  7. वेबहुक को एक वेबहुक नोड का जवाब दें का उपयोग करके जवाब दिया जा सकता है, जो प्रारंभिक अनुरोध के स्रोत पर डेटा वापस भेजता है [5600].
  8. वेबहुक को सक्रिय करने के लिए, वर्कफ़्लो को सक्रिय होना चाहिए, और उत्पादन URL का उपयोग किया जाना चाहिए, न कि परीक्षण URL का [5613].
  9. एक संवादात्मक आवाज एजेंट (जैसे 11 Labs का उपयोग करके) एक वेबहुक के माध्यम से n8n वर्कफ़्लो को इनपुट भेज सकता है, और n8n एजेंट कार्रवाई करता है और फिर वेबहुक का जवाब देता है [5633].

11. Lovable के साथ फ्रंट एंड बनाना [5895]

Lovable एक नो-कोड प्लेटफॉर्म है जो प्राकृतिक भाषा का उपयोग करके वेब ऐप बनाने की अनुमति देता है, जिसे n8n वर्कफ़्लो के साथ एकीकृत किया जा सकता है ताकि उपयोगकर्ता इनपुट को संसाधित किया जा सके और प्रतिक्रियाएं प्रदर्शित की जा सकें।

11.1. Lovable के साथ वेब ऐप बनाना [5895]

  1. Lovable एक नो-कोड प्लेटफॉर्म है जो प्राकृतिक भाषा का उपयोग करके वेब ऐप बनाने की अनुमति देता है [5895].
  2. Lovable में, एक प्रॉम्प्ट (जैसे "मुझे 'गेट मी आउट ऑफ दिस' नामक एक वेब ऐप बनाने में मदद करें, जहां एक उपयोगकर्ता अपनी समस्या सबमिट कर सकता है") और एक छवि को डिज़ाइन प्रेरणा के रूप में उपयोग करके एक वेब ऐप बनाएं [5907].
  3. Lovable कोड उत्पन्न करेगा और वेब ऐप का पूर्वावलोकन प्रदर्शित करेगा [5913].
  4. n8n में, एक वेबहुक नोड जोड़ें और इसके URL को कॉपी करें [5926].
  5. Lovable में, वेब ऐप को संशोधित करने के लिए चैट विंडो का उपयोग करें, जैसे कि इसे सरल बनाना और केवल एक इनपुट फ़ील्ड (जैसे "हम किस समस्या में मदद कर सकते हैं?") रखना [5948].
  6. एक लोगो जोड़ें या पाठ का रंग बदलें जैसे अन्य डिज़ाइन परिवर्तन किए जा सकते हैं [5957].
  7. Lovable को n8n वेबहुक पर डेटा भेजने के लिए, Lovable को बताएं कि जब उपयोगकर्ता एक बटन पर क्लिक करता है, तो उसे POST अनुरोध के माध्यम से वेबहुक पर डेटा भेजना चाहिए [5974].
  8. n8n में, वेबहुक को "टेस्ट इवेंट के लिए सुनो" पर क्लिक करके सक्रिय रूप से सुनना चाहिए [5986].
  9. Lovable में एक समस्या सबमिट करें, और n8n वेबहुक डेटा को कैप्चर करेगा [5988].

11.2. Lovable और n8n एकीकरण [5991]

  1. n8n में, वेबहुक से आने वाले डेटा को संसाधित करने के लिए एक AI एजेंट जोड़ें [5991].
  2. AI एजेंट को एक उपयोगकर्ता प्रॉम्प्ट के रूप में वेबहुक नोड से सबमिट की गई समस्या को फ़ीड करें [6004].
  3. एजेंट को एक सिस्टम संदेश दें, उसे उसकी भूमिका (जैसे "आप एक AI बहाना जनरेटर हैं") और निर्देश (जैसे "चतुर, रचनात्मक और संदर्भ-उपयुक्त बहाने बनाएं") बताएं [6013].
  4. एक OpenAI चैट मॉडल कनेक्ट करें (API कुंजी के साथ) [6019].
  5. AI एजेंट के आउटपुट को एक वेबहुक नोड का जवाब दें में फ़ीड करें, जो Lovable को प्रतिक्रिया वापस भेजेगा [6033].
  6. Lovable में, Lovable को बताएं कि वेबहुक से प्रतिक्रिया की प्रतीक्षा करें और इसे एक फ़ील्ड में प्रदर्शित करें जो कहता है "यहां आपका बहाना है" [6039].
  7. Lovable में एक समस्या सबमिट करके वर्कफ़्लो का परीक्षण करें, और n8n एजेंट एक बहाना उत्पन्न करेगा और इसे Lovable वेब ऐप में वापस भेज देगा [6043].
  8. यदि प्रतिक्रिया कच्चे JSON के रूप में आती है, तो Lovable को केवल आउटपुट फ़ील्ड के मूल्य को वापस करने के लिए कहें [6051].
  9. Lovable में एक स्तर प्रणाली जोड़ी जा सकती है, जहां उपयोगकर्ता हर बार एक समस्या सबमिट करने पर एक बिंदु प्राप्त करते हैं, और विशिष्ट बिंदुओं पर स्तर ऊपर करते हैं [6064].
  10. एक ड्रॉप-डाउन मेनू जोड़ा जा सकता है ताकि उपयोगकर्ता प्रतिक्रिया के लिए एक स्वर (जैसे यथार्थवादी, मजाकिया, हास्यास्पद, या अपमानजनक) चुन सके [6089].
  11. n8n में, AI एजेंट के उपयोगकर्ता संदेश में स्वर को शामिल करें, और सिस्टम प्रॉम्प्ट में विभिन्न स्वरों को कैसे संभालना है, इसके बारे में निर्देश जोड़ें [6110].
  12. वर्कफ़्लो को सक्रिय करके, n8n में मैन्युअल रूप से "टेस्ट वर्कफ़्लो" पर क्लिक किए बिना Lovable से सक्रिय रूप से सुनने की अनुमति मिलती है [6132].
  13. Lovable में वेबहुक URL को n8n में उत्पादन URL में अपडेट करें [6136].
  14. Lovable में एक समस्या सबमिट करके सक्रिय वर्कफ़्लो का परीक्षण करें, और n8n एजेंट एक बहाना उत्पन्न करेगा और इसे Lovable वेब ऐप में वापस भेज देगा [6141].
  15. Lovable में वेब ऐप को मोबाइल के लिए अनुकूलित किया जा सकता है, और एक कस्टम डोमेन पर प्रकाशित किया जा सकता है [6174].

12. MCP सर्वर और स्व-होस्टिंग n8n [6187]

MCP सर्वर AI एजेंटों को टूल और संसाधनों के बारे में अधिक जानकारी प्रदान करके उनकी बुद्धिमत्ता को बढ़ाते हैं, और n8n को स्व-होस्ट करके और सामुदायिक नोड्स स्थापित करके उन्हें एक्सेस किया जा सकता है।

12.1. MCP सर्वर को समझना [6187]

  1. MCP (मॉडल संदर्भ प्रोटोकॉल) सर्वर AI एजेंटों को अधिक बुद्धिमान बनाते हैं [6197].
  2. पारंपरिक LLM केवल इनपुट लेते हैं और आउटपुट प्रदान करते हैं [6200].
  3. AI एजेंट LLM को टूल तक पहुंच प्रदान करके कार्रवाई करने की अनुमति देते हैं [6206].
  4. टूल की सीमाएं यह हैं कि प्रत्येक टूल में एक विशिष्ट कार्य होता है और उसे विशिष्ट संचालन और संसाधनों के साथ हार्डकोड किया जाना चाहिए [6211].
  5. एक MCP सर्वर एजेंट और टूल के बीच एक परत के रूप में कार्य करता है, एजेंट को संसाधनों, स्कीमा, प्रॉम्प्ट और कार्यों के बारे में अधिक जानकारी प्रदान करता है [6224].
  6. यह एजेंट को सही टूल को सही स्कीमा के साथ हिट करने और सही पैरामीटर भरने के लिए आवश्यक सभी जानकारी को समझने की अनुमति देता है [6236].
  7. REST API विभिन्न सेवाओं के बीच डेटा भेजने और प्राप्त करने के लिए मानक हैं [6246].
  8. MCP सर्वर एक सार्वभौमिक अनुवादक के रूप में कार्य करता है, LLM से जानकारी लेता है और इसे सही टूल को हिट करने के लिए आवश्यक सभी जानकारी के साथ समृद्ध करता है [6252].
  9. Notion जैसे MCP सर्वर एजेंट को विभिन्न डेटाबेस, कॉलम और पृष्ठों के बारे में जानकारी प्रदान कर सकते हैं [6259].

12.2. MCP सर्वर के साथ AI एजेंट [6267]

  1. अल्टीमेट असिस्टेंट जैसे मल्टी-एजेंट सिस्टम में, मुख्य एजेंट विभिन्न चाइल्ड वर्कफ़्लो या एजेंटों को कार्य सौंपता है, जो MCP सर्वर के समान अवधारणा है [6267].
  2. यह प्रणाली अधिक गतिशील और लचीली है, क्योंकि मुख्य एजेंट को कई टूल से कनेक्ट होने की आवश्यकता नहीं है [6275].
  3. MCP सर्वर के साथ, सर्वर को लगातार अपडेट रखना उनकी जिम्मेदारी है, जिससे एजेंटों को हमेशा नवीनतम कार्यक्षमता तक पहुंच मिलती है [6280].
  4. MCP प्रोटोकॉल क्लाइंट (जैसे ChatGPT) और MCP सर्वर के बीच संचार को संदर्भित करता है [6288].
  5. MCP सर्वर के साथ सुरक्षा चिंताएं हैं, क्योंकि यदि कोई सर्वर तक पहुंच प्राप्त करता है, तो वे कुछ भी मांग सकते हैं [6292].
  6. Airtable एजेंट जैसे एक MCP एजेंट में कई टूल (जैसे रिकॉर्ड प्राप्त करें, रिकॉर्ड अपडेट करें, आधार प्राप्त करें) हो सकते हैं, लेकिन एक MCP सर्वर इन सभी को एक में सुव्यवस्थित कर सकता है [6297].
  7. MCP सर्वर एजेंट को उपलब्ध सभी टूल की एक सूची प्रदान करता है, जिसमें प्रत्येक टूल का विवरण और स्कीमा शामिल होता है [6306].
  8. एजेंट तब MCP सर्वर से प्राप्त जानकारी के आधार पर उपयोग करने के लिए सही टूल का चयन करता है और आवश्यक पैरामीटर भरता है [6315].

12.3. n8n को स्व-होस्ट करना और MCP नोड्स स्थापित करना [6329]

  1. MCP नोड्स का उपयोग करने के लिए, n8n वातावरण को स्व-होस्ट किया जाना चाहिए, क्योंकि सामुदायिक नोड्स केवल स्व-होस्ट किए गए वातावरण में ही एक्सेस किए जा सकते हैं [6329].
  2. Alstio जैसे प्लेटफॉर्म का उपयोग n8n को तैनात करने और प्रबंधित करने के लिए किया जा सकता है, क्योंकि यह कुछ ही क्लिक में स्थापना, कॉन्फ़िगरेशन, सुरक्षा, बैकअप और अपडेट का ध्यान रखता है [6335].
  3. Alstio में एक मुफ्त खाता बनाएं, एक भुगतान विधि सेट करें, और खाते के स्वीकृत होने की प्रतीक्षा करें [6346].
  4. एक नई सेवा जोड़ें, n8n चुनें, एक क्लाउड प्रदाता (जैसे Hetzner) और एक सेवा योजना (जैसे मध्यम) चुनें [6358].
  5. सेवा को एक नाम दें (जो n8n वातावरण के लिए डोमेन होगा), और यदि आवश्यक हो तो भंडारण या समर्थन स्तर जैसे उन्नत कॉन्फ़िगरेशन विकल्प सेट करें [6370].
  6. सेवा को तैनात करें, और एक बार यह चल रहा हो, तो n8n इंस्टेंस तक पहुंचने के लिए नेटवर्क अनुभाग में डोमेन पर क्लिक करें [6388].
  7. n8n में, सेटिंग में जाएं, "सामुदायिक नोड्स" पर क्लिक करें, और n8n-nodes-MCP सामुदायिक नोड स्थापित करें [6408].
  8. यह नोड GitHub रिपॉजिटरी से आता है और इसे केवल स्व-होस्ट किए गए वातावरण में ही स्थापित किया जा सकता है [6413].
  9. एक नया वर्कफ़्लो खोलें, और MCP नोड (MCP क्लाइंट) अब उपलब्ध होना चाहिए [6423].

12.4. MCP सर्वर से कनेक्ट करना और टूल निष्पादित करना [6427]

  1. एक MCP क्लाइंट नोड जोड़ें, ऑपरेशन को "उपलब्ध टूल सूचीबद्ध करें" के रूप में चुनें [6427].
  2. GitHub रिपॉजिटरी से विभिन्न MCP सर्वर (जैसे Airbnb) से कनेक्ट करने के लिए क्रेडेंशियल सेट करें [6437].
  3. क्रेडेंशियल में, कमांड (npx), तर्क (जैसे -y, @open-bnb, ignore-robots.txt), और पर्यावरण चर (यदि आवश्यक हो तो API कुंजी के साथ) निर्दिष्ट करें [6451].
  4. क्रेडेंशियल को सहेजें, और कनेक्शन सफल होना चाहिए [6469].
  5. "टेस्ट स्टेप" पर क्लिक करके MCP सर्वर से उपलब्ध टूल को खींचें [6471].
  6. एक और MCP क्लाइंट नोड जोड़ें, ऑपरेशन को "टूल निष्पादित करें" के रूप में चुनें, और टूल का नाम (जैसे "Airbnb Search") और पैरामीटर (जैसे स्थान) कॉन्फ़िगर करें [6477].
  7. "टेस्ट स्टेप" पर क्लिक करके टूल को निष्पादित करें, और यह MCP सर्वर से परिणाम पुनः प्राप्त करेगा [6491].
  8. एक AI एजेंट को MCP सर्वर तक पहुंच प्रदान करने के लिए, एक AI एजेंट नोड जोड़ें, एक चैट इनपुट और एक चैट मॉडल कनेक्ट करें [6500].
  9. एक OpenAI API कुंजी के साथ एक क्रेडेंशियल सेट करें [6506].
  10. AI एजेंट में एक टूल के रूप में एक MCP क्लाइंट टूल जोड़ें, और Airbnb क्रेडेंशियल कनेक्ट करें [6517].
  11. GitHub रिपॉजिटरी में पर्यावरण चर (community_package_allow_tool_usage को true पर सेट करें) को अपडेट करके n8n को सामुदायिक नोड्स को एक टूल के रूप में उपयोग करने की अनुमति दें [6521].
  12. AI एजेंट को टूल का नाम (AI फ़ंक्शन से) और टूल पैरामीटर (मॉडल द्वारा परिभाषित) को गतिशील रूप से भरने की अनुमति दें [6560].
  13. AI एजेंट से चैट करके परीक्षण करें कि क्या यह MCP सर्वर का उपयोग करके खोज कर सकता है, जैसे "शिकागो में चार वयस्कों के लिए Airbnb खोजें" [6571].
  14. Brave Search जैसे अन्य MCP सर्वर को एक ही तरीके से जोड़ा जा सकता है, जिसमें कमांड, तर्क और पर्यावरण चर में API कुंजी शामिल होती है [6593].
  15. AI एजेंट को यह समझने के लिए प्रॉम्प्ट किया जाना चाहिए कि टूल को निष्पादित करने से पहले MCP सर्वर से टूल कैसे प्राप्त करें [6650].

12.5. MCP नोड्स की सीमाएं [6653]

  1. जब विभिन्न MCP सर्वर से कनेक्ट होते हैं, तो सेटअप हमेशा समान होगा, लेकिन कुछ सर्वर काम नहीं कर सकते हैं यदि वे रखरखाव के अधीन हैं या पूरी तरह से प्रकाशित नहीं हुए हैं [6653].
  2. कुछ MCP सर्वर के लिए, एजेंट को एक बहु-चरणीय प्रक्रिया को संभालने के लिए अधिक विशिष्ट प्रॉम्प्टिंग की आवश्यकता हो सकती है, जैसे कि रिकॉर्ड प्राप्त करने से पहले आधार ID और तालिका ID प्राप्त करना [6687].
  3. n8n में एक देशी MQTT सर्वर नोड की कमी के कारण सीमाएं हैं [6720].
  4. MCP सर्वर के साथ काम करते समय, टूल पैरामीटर को अधिक मजबूत बनाना और एजेंट के भीतर अधिक प्रॉम्प्टिंग जोड़ना महत्वपूर्ण है [6722].

13. AI एजेंटों के निर्माण से सीखे गए सबक [6756]

AI एजेंटों के निर्माण से सीखे गए सबक में AI वर्कफ़्लो को प्राथमिकता देना, वायरफ्रेमिंग, संदर्भ के महत्व को समझना, वेक्टर डेटाबेस का विवेकपूर्ण उपयोग करना, प्रॉम्प्टिंग में महारत हासिल करना, स्केलिंग की चुनौतियों को नेविगेट करना, और नो-कोड टूल की सीमाओं को पहचानना शामिल है।

13.1. AI एजेंटों के बारे में कठोर सत्य [6756]

  1. अधिकांश ऑनलाइन AI एजेंट डेमो केवल अवधारणा के प्रमाण हैं, उत्पादन-तैयार निर्माण नहीं [6760].
  2. ये डेमो AI की क्षमताओं को नेत्रहीन रूप से प्रदर्शित करने और बिना किसी प्रोग्रामिंग पृष्ठभूमि के निर्माण के लिए मूलभूत बातें सिखाने के लिए हैं [6769].
  3. टेम्पलेट मुफ्त में दिए जाते हैं ताकि उपयोगकर्ता डेटा प्रवाह को समझ सकें, न कि उन्हें सीधे व्यवसाय में बेचने के लिए, क्योंकि प्रत्येक व्यवसाय की अलग-अलग एकीकरण और आवश्यकताएं होती हैं [6773].
  4. AI एजेंटों को उत्पादन में धकेलने पर, वे विभिन्न किनारे के मामलों और उपयोगकर्ताओं के कारण टूट सकते हैं [6779].
  5. Apple, Google, और Amazon जैसी बड़ी कंपनियों को भी AI विश्वसनीयता के साथ समस्याओं का सामना करना पड़ रहा है [6782].
  6. AI एजेंट और AI वर्कफ़्लो के बीच अंतर को समझना महत्वपूर्ण है [6788].
  7. AI-संचालित वर्कफ़्लो अनुक्रमिक होते हैं, डेटा एक निर्धारित पथ का अनुसरण करता है, जबकि AI एजेंटों में गैर-नियतात्मक वर्कफ़्लो होते हैं, जहां एजेंट अपने टूल को कब कॉल करना है, यह तय करता है [6790].
  8. अधिकांश समस्याओं के लिए वास्तविक AI एजेंटों की आवश्यकता नहीं होती है; उन्हें AI-संवर्धित वर्कफ़्लो द्वारा हल किया जा सकता है [6801].
  9. AI एजेंटों का उपयोग तब किया जाना चाहिए जब गतिशील निर्णय लेने और टूल कॉलिंग की आवश्यकता हो [6815].

13.2. सबक 1: पहले वर्कफ़्लो बनाएं [6818]

  1. AI एजेंटों को लागू करने से पहले हमेशा वर्कफ़्लो (AI वर्कफ़्लो भी नहीं) बनाना शुरू करें [6818].
  2. अक्सर, AI की आवश्यकता नहीं होती है; नियम-आधारित ऑटोमेशन पर्याप्त हो सकता है [6826].
  3. एक नियम-आधारित फ़िल्टर डेटा को पूर्वनिर्धारित मानदंडों के आधार पर रूट करता है (जैसे बजट $10 से अधिक है या नहीं) [6845].
  4. एक AI-संचालित फ़िल्टर डेटा को वर्गीकृत करने के लिए एक बड़े भाषा मॉडल का उपयोग करता है, जिसमें तर्क या निर्णय लेने की आवश्यकता होती है (जैसे ईमेल के प्रकार का निर्धारण करना) [6853].
  5. सबसे सरल दृष्टिकोण पहले खोजें, और केवल वहीं AI का उपयोग करें जहां यह मूल्य प्रदान करता है [6862].
  6. AI का उपयोग करने से लागत आती है, इसलिए यदि आवश्यक न हो तो इसका उपयोग करने से बचें [6866].
  7. AI एजेंटों को तब स्केल करें जब सिस्टम को अपने दम पर कदम उठाने की आवश्यकता हो, अधिक जटिल बहु-चरणीय तर्क को संभालने की आवश्यकता हो, और उपयोग को गतिशील रूप से नियंत्रित करने की आवश्यकता हो [6868].

13.3. सबक 2: निर्माण से पहले वायरफ्रेम [6870]

  1. निर्माण शुरू करने से पहले हमेशा वायरफ्रेम (या योजना) बनाएं [6870].
  2. वायरफ्रेमिंग से गन्दा, अत्यधिक जटिल वर्कफ़्लो बनाने, AI की आवश्यकता वाले स्थानों के बारे में भ्रमित होने, और डिबगिंग में घंटों खर्च करने से बचा जा सकता है [6873].
  3. वायरफ्रेमिंग से आप पूरी प्रक्रिया को छोटे-छोटे कार्यों में तोड़ सकते हैं, जिससे यह कम भारी लगता है [6880].
  4. वायरफ्रेमिंग करते समय, वर्कफ़्लो को क्या ट्रिगर करता है, डेटा कैसे चलता है, किन कार्रवाइयों को लेने की आवश्यकता है, और कौन से एकीकरण शामिल हैं, जैसे प्रश्नों पर विचार करें [6891].
  5. यह क्लाइंट के साथ काम करते समय विशेष रूप से सहायक होता है, क्योंकि यह अपेक्षाओं को संरेखित करने और संभावित जटिलताओं की पहचान करने में मदद करता है [6898].
  6. वायरफ्रेमिंग एक चरण-दर-चरण निर्देश पुस्तिका बनाने जैसा है, जिससे निर्माण प्रक्रिया बहुत आसान हो जाती है [6906].

13.4. सबक 3: संदर्भ ही सब कुछ है [6920]

  1. AI केवल उतनी ही अच्छी होगी जितनी जानकारी आप उसे प्रदान करते हैं; संदर्भ महत्वपूर्ण है [6920].
  2. AI मॉडल पूर्व-प्रशिक्षित होते हैं और उन्हें आपके विषय वस्तु विशेषज्ञता और व्यावसायिक प्रक्रियाओं की आवश्यकता होती है [6922].
  3. खराब गुणवत्ता वाले संदर्भ के बिना, AI मतिभ्रम करेगा, टूल का दुरुपयोग करेगा, और अस्पष्ट प्रतिक्रियाएं उत्पन्न करेगा [6930].
  4. एक सेल्सपर्सन सादृश्य: एक सुपरस्टार सेल्सपर्सन को भी बंद बिक्री करने के लिए व्यावसायिक प्रक्रियाओं और उत्पाद ज्ञान की आवश्यकता होती है [6938].
  5. AI एजेंटों को बेहतर संदर्भ प्रदान करने के तीन मुख्य तरीके हैं: सिस्टम प्रॉम्प्ट, मेमोरी (अल्पकालिक), और RAG (सूचना पुनः प्राप्त करने के लिए) [6943].
  6. प्रीलोडेड ज्ञान (सिस्टम प्रॉम्प्ट) एजेंट को उसकी भूमिका, विवरण, नियम और दिशानिर्देश बताता है [6952].
  7. उपयोगकर्ता-विशिष्ट संदर्भ (मेमोरी) AI को ग्राहक की पिछली बातचीत और जानकारी को याद रखने में मदद करता है, जिससे बातचीत अधिक सहज और प्राकृतिक हो जाती है [6956].
  8. वास्तविक समय संदर्भ (RAG) AI को बाहरी स्रोतों (जैसे API या ज्ञान आधार) से गतिशील रूप से जानकारी पुनः प्राप्त करने की अनुमति देता है, जो बहुत शक्तिशाली है [6962].

13.5. सबक 4: वेक्टर डेटाबेस और कब उनका उपयोग न करें [6970]

  1. वेक्टर डेटाबेस एक बहु-आयामी स्थान है जहां डेटा बिंदुओं को उनके अर्थ के आधार पर वैक्टर के रूप में संग्रहीत किया जाता है [6970].
  2. AI एजेंट प्रासंगिक खंडों को पुनः प्राप्त करने के लिए वेक्टर डेटाबेस को स्कैन कर सकते हैं [6990].
  3. हालांकि, वेक्टर डेटाबेस हमेशा आवश्यक नहीं होते हैं; यदि आपका डेटा संरचित है और सटीक पुनर्प्राप्ति की आवश्यकता है, तो एक रिलेशनल डेटाबेस बेहतर है [6991].
  4. संरचित डेटा वह डेटा है जो पंक्तियों और स्तंभों में फिट हो सकता है, जिसमें एक संगठित, अनुमानित स्कीमा होता है (जैसे ग्राहक डेटा, बिक्री रिकॉर्ड, चालान विवरण) [6998].
  5. संरचित डेटा को SQL का उपयोग करके अधिक कुशलता से क्वेरी किया जा सकता है, बजाय इसके कि इसे वेक्टर डेटाबेस में वैक्टर किया जाए [7014].
  6. असंरचित डेटा (जैसे पाठ के बड़े खंड) आमतौर पर वेक्टर डेटाबेस के लिए सबसे अच्छा उपयोग का मामला है, जहां इसे खंडित किया जाता है और अर्थ के आधार पर संग्रहीत किया जाता है [7027].
  7. एक उदाहरण में, एक रिलेशनल डेटाबेस "फ़ज़ी" कंबल नहीं ढूंढ सकता है यदि शब्द मौजूद नहीं है, लेकिन एक वेक्टर डेटाबेस "आरामदायक ऊन" या "हाथ से बुने हुए कपास" जैसे समान अर्थ वाले कंबल ढूंढ सकता है [7038].

13.6. सबक 5: AI एजेंटों के लिए प्रॉम्प्टिंग महत्वपूर्ण क्यों है [7046]

  1. प्रॉम्प्टिंग AI एजेंटों के लिए महत्वपूर्ण है क्योंकि वे स्वायत्त रूप से चलते हैं और ChatGPT के विपरीत, लगातार और उच्च गुणवत्ता के साथ कार्य करने के लिए उन पर भरोसा करने की आवश्यकता होती है [7046].
  2. प्रतिक्रियाशील प्रॉम्प्टिंग सक्रिय प्रॉम्प्टिंग से बेहतर है [7056].
  3. सक्रिय प्रॉम्प्टिंग (एक लंबा, पूर्व-जनित प्रॉम्प्ट का उपयोग करना) डिबगिंग को कठिन बनाता है और अत्यधिक जटिल प्रॉम्प्ट की ओर ले जाता है [7059].
  4. प्रतिक्रियाशील प्रॉम्प्टिंग में कुछ भी नहीं से शुरू करना, एक टूल जोड़ना, उसका परीक्षण करना, और फिर धीरे-धीरे प्रॉम्प्ट जोड़ना शामिल है, जिससे डिबगिंग आसान हो जाती है और आप जानते हैं कि क्या टूट गया या ठीक हो गया [7068].
  5. हार्ड प्रॉम्प्टिंग में सिस्टम प्रॉम्प्ट में उदाहरणों का उपयोग करके एजेंट को उसके व्यवहार को सही करना शामिल है, जिससे एजेंट के प्रदर्शन की स्थिरता में सुधार होता है [7078].
  6. एक मजबूत AI एजेंट प्रॉम्प्ट के मुख्य तत्व हैं: भूमिका (एजेंट कौन है), संदर्भ (एजेंट को क्या प्राप्त होगा), टूल निर्देश (कौन से टूल उपलब्ध हैं और उनका उपयोग कब करना है), नियम और बाधाएं (मतिभ्रम को रोकने के लिए), और उदाहरण (त्रुटियों को ठीक करने के लिए) [7084].

13.7. सबक 6: स्केलिंग एजेंट एक दुःस्वप्न हो सकता है [7116]

  1. ऑनलाइन देखे जाने वाले अधिकांश AI एजेंट डेमो अवधारणा के प्रमाण हैं और उत्पादन-तैयार नहीं हैं [7116].
  2. AI एजेंटों को उत्पादन में धकेलने पर, वे कठोर परीक्षण, मूल्यांकन और गार्डरेल की कमी के कारण टूट सकते हैं [7121].
  3. उपयोग के मामले को स्केल करने से मतिभ्रम, पुनर्प्राप्ति के मुद्दे, प्रदर्शन की बाधाएं, असंगत आउटपुट और किनारे के मामले बढ़ेंगे [7125].
  4. क्षैतिज रूप से स्केल करने से पहले लंबवत रूप से स्केल करें: एक क्षेत्र (जैसे ग्राहक सहायता) पर ध्यान केंद्रित करें, इसे पूर्ण करें, और फिर संगठन में अन्य क्षेत्रों में विस्तार करें [7131].
  5. अंत-से-अंत प्रणाली को पहले विकसित किया जाना चाहिए ताकि संभावित समस्याओं को समझा जा सके और उन्हें मजबूत किया जा सके [7142].
  6. स्केलिंग करते समय, सख्त पुनर्प्राप्ति नियम और गार्डरेल सेट करें, डेटा को विभिन्न वेक्टर डेटाबेस या नेमस्पेस में खंडित करें, प्रतिक्रिया समय में सुधार के लिए अतुल्यकालिक प्रसंस्करण या कैशिंग का उपयोग करें, और एजेंट को प्रतिक्रियाओं पर आत्मविश्वास के स्तर का मूल्यांकन करने दें [7145].

13.8. सबक 7: नो-कोड टूल की सीमाएं [7152]

  1. n8n जैसे नो-कोड टूल गैर-डेवलपर्स को AI ऑटोमेशन बनाने के लिए सशक्त बनाते हैं, जिसमें एक ड्रैग-एंड-ड्रॉप इंटरफ़ेस, ओपन-सोर्स प्रकृति, और पूर्व-निर्मित एकीकरण शामिल हैं [7152].
  2. n8n में दृश्य डिबगिंग बहुत प्रभावी है, क्योंकि त्रुटियों को नेत्रहीन रूप से पहचाना जा सकता है [7171].
  3. नो-कोड प्लेटफॉर्म API को कनेक्ट करने, नियम-आधारित निर्णय लेने, डेटा हेरफेर करने, AI-संचालित वर्कफ़्लो बनाने, मल्टी-एजेंट वर्कफ़्लो को ऑर्केस्ट्रेट करने, और AI सेवाओं को ऑर्केस्ट्रेट करने के लिए बहुत अच्छे हैं [7176].
  4. नो-कोड AI वर्कफ़्लो और एजेंट बिल्डरों की छिपी हुई सीमाएं तब आती हैं जब उद्यम समाधानों को बड़े पैमाने पर, हजारों या लाखों उपयोगकर्ताओं के साथ, और बड़े पैमाने पर प्रमाणीकरण और डेटा के साथ लागू करने का प्रयास किया जाता है [7188].
  5. बड़े पैमाने पर डेटासेट को संसाधित करते समय प्रदर्शन धीमा हो सकता है या विफल हो सकता है [7195].
  6. टूल कॉलिंग में, LangChain (जिस पर n8n आधारित है) जटिल निर्णय लेने के लिए कस्टम कोड लिखने के लचीलेपन की कमी है [7198].
  7. बड़े पैमाने पर प्रमाणीकरण के साथ, नो-कोड टूल सुरक्षित प्रमाणीकरण और डेटा एक्सेस नियंत्रण के साथ संघर्ष कर सकते हैं [7202].
  8. बड़े पैमाने पर AI समाधानों के लिए सबसे अच्छा दृष्टिकोण नो-कोड और कस्टम कोड का मिश्रण है, जहां n8n का उपयोग तेजी से प्रोटोटाइप और ऑर्केस्ट्रेशन के लिए किया जाता है, और कस्टम पायथन स्क्रिप्ट का उपयोग जटिल, बड़े पैमाने पर प्रसंस्करण के लिए किया जाता है [7207].