Este workflow construye un chatbot utilizando Google Gemini como modelo de lenguaje, Langchain para la gestión de memoria y agentes, y Supabase como base de datos. El flujo comienza con un trigger manual (‘Test workflow’). Se establecen variables de entrada (‘Set sample Input Variables’), que alimentan a un agente Langchain (‘Sample Agent’). Este agente interactúa con Gemini (‘GeminiFlash2.0’) para procesar las consultas del usuario. La memoria del chatbot se gestiona a través de una base de datos PostgreSQL en Supabase (‘Supabase Postgres Database’). Finalmente, el agente actualiza la información en la base de datos Supabase (‘Update additonal Values e.g. Name, Address …’). En resumen, el usuario interactúa con el chatbot, Gemini genera una respuesta, Langchain gestiona la memoria en Supabase, y Supabase almacena la conversación y otros datos. Integración de Google Gemini para procesamiento de lenguaje natural. Uso de Langchain para la gestión de agentes y memoria del chatbot. Almacenamiento de datos de conversación y contexto en una base de datos Supabase. Actualización dinámica de información en Supabase tras cada interacción. Diseño modular que permite la fácil expansión con nuevas funcionalidades.

Este workflow n8n se activa manualmente al hacer clic en el botón ‘execute’. Su función principal es extraer todos los datos disponibles desde una instancia de Contentful utilizando el nodo ‘Contentful’ con la operación ‘getAll’. No realiza ninguna transformación de datos ni publica la información en otros servicios. El flujo es simple: se inicia el workflow manualmente y se extraen los datos de Contentful. No hay pasos intermedios de transformación o publicación. Extracción de datos completa de Contentful. Activación manual mediante botón ‘execute’. Sin transformaciones de datos. No se integra con otros servicios. Flujo simple y directo de extracción.

Este workflow automatiza la interacción con el software de gestión de proyectos Wekan. Se inicia manualmente al hacer clic en el botón ‘execute’. El flujo comienza obteniendo información de un tablero Wekan específico (‘Wekan’ node). Luego, itera a través de las listas de ese tablero (‘Wekan1’, ‘Wekan2’, ‘Wekan3’ nodes). Finalmente, actualiza un elemento o lista dentro de Wekan (‘Wekan4’ node), aunque la información específica de la actualización no está detallada en la configuración del workflow. El workflow utiliza la API de Wekan para todas las interacciones, permitiendo la gestión de tableros y listas de forma programada. No se especifica qué tipo de actualización se realiza en el último nodo, por lo que la funcionalidad completa depende de la configuración de ese nodo en particular. Automatización de tareas en Wekan. Acceso y manipulación de datos de tableros y listas. Actualización de elementos dentro de Wekan. Uso de la API de Wekan para la integración. Requiere configuración adicional para especificar la actualización en el último nodo.

Este workflow utiliza LangChain para recuperar información y responder preguntas. Se inicia manualmente con el nodo «When clicking «Execute Workflow»», que envía datos al nodo «Example Prompt». Este nodo configura una petición para el nodo «Retrieval QA Chain2», que utiliza un modelo de recuperación de LangChain («Workflow Retriever»). El nodo «Retrieval QA Chain2» envía la consulta a un modelo de lenguaje grande (LLM) de OpenAI («OpenAI Chat Model»), que procesa la información recuperada y genera una respuesta. El workflow integra los nodos de LangChain para la gestión de la recuperación de información y el procesamiento del lenguaje natural, y utiliza la API de OpenAI para el modelo de lenguaje. En resumen, el usuario inicia el workflow, proporciona una consulta, y el sistema retorna una respuesta basada en la información recuperada por LangChain y procesada por el modelo de OpenAI. Integración de LangChain para la recuperación de información. Uso de un modelo de lenguaje grande de OpenAI para el procesamiento del lenguaje natural. Flujo simple de datos: activación manual, configuración de prompt, recuperación, procesamiento y respuesta. Diseño modular que permite la fácil sustitución de componentes. Ideal para sistemas de preguntas y respuestas basados en documentos.

Este workflow automatiza la búsqueda de información de perfiles de LinkedIn. Comienza con un disparador manual (‘Test workflow’). Luego, obtiene información de una hoja de cálculo de Google Sheets (‘Person info’). Esta información se usa como parámetro de búsqueda en un motor de búsqueda web externo (Airtop) para encontrar el perfil de LinkedIn (‘Search profile’). Un nodo de código (‘Parse response’) procesa la respuesta del motor de búsqueda, extrayendo la URL del perfil de LinkedIn (esta parte requiere código personalizado para el parsing). Finalmente, actualiza la fila correspondiente en la hoja de cálculo de Google Sheets con la URL encontrada (‘Update row’). El workflow integra Google Sheets, Airtop y un motor de búsqueda web para enriquecer datos de una hoja de cálculo con URLs de perfiles de LinkedIn. Automatiza la búsqueda de perfiles de LinkedIn a partir de datos en Google Sheets. Integra Google Sheets, Airtop y un motor de búsqueda web. Requiere código personalizado para el procesamiento de la respuesta del motor de búsqueda. Actualiza la hoja de cálculo con las URLs de los perfiles encontrados. Potencialmente escalable para procesar múltiples perfiles.

Este workflow n8n automatiza la reactivación de workflows desactivados. Funciona con dos triggers: un trigger manual («Test workflow») para pruebas y un trigger programado («Schedule Trigger») para la ejecución automática. El workflow primero obtiene la lista de todos los workflows desde la API de n8n usando el nodo «Get Auto Resume Workflows». Luego, filtra esta lista para identificar solo los workflows desactivados usando el nodo «Find Deactivated Workflows». Finalmente, activa los workflows desactivados encontrados usando el nodo «Activate Workflow». Este proceso permite mantener la automatización funcionando sin intervención manual, asegurando que los workflows críticos permanezcan activos. Automatización de la reactivación de workflows n8n. Uso de dos triggers: manual y programado. Integración con la API de n8n para gestionar workflows. Filtrado de workflows para identificar solo los desactivados. Reactivación automática de workflows críticos.

Este workflow de n8n automatiza el proceso de fine-tuning de modelos OpenAI. Comienza con un trigger manual (‘Test workflow’) que inicia la descarga de un archivo desde Google Drive. El archivo se envía a un nodo ‘AI Agent’ que, junto con un nodo ‘OpenAI Chat Model’, procesa el archivo para prepararlo para el fine-tuning. Finalmente, el nodo ‘Upload File’ sube el archivo procesado a la API de OpenAI para iniciar un trabajo de fine-tuning. El workflow utiliza la API de Google Drive para acceder a los datos, la API de OpenAI para el fine-tuning y un agente de lenguaje para preprocesar los datos. El flujo es: Trigger manual → Descarga de Google Drive → Procesamiento con AI Agent y OpenAI Chat Model → Subida a OpenAI para fine-tuning. Automatiza la preparación y envío de datos para fine-tuning de modelos OpenAI. Integra Google Drive para obtener los datos de entrenamiento. Utiliza un agente de lenguaje para preprocesar los datos antes del fine-tuning. Interactúa con la API de OpenAI para crear trabajos de fine-tuning. Permite un flujo de trabajo eficiente para mejorar modelos de lenguaje.