創建你的第一個工作流

讓我們一起建立第一個工作流！我們將以服務式工作流為例開始。

假設您有個新想法。例如，您希望 AI 協助分析並總結 YouTube 影片下的評論。實現這個想法的過程很簡單：

使用以下節點將此流程轉換為 GoInsight.AI 工作流：開始節點 → HTTP 請求節點 → 程式碼節點 → LLM 節點 → 結束。以下是建立此工作流的詳細步驟。

如何建立 YouTube 評論分析服務流程

步驟 1：建立服務流程

在右上角點選「+ 新增工作流」，選擇「服務流程」，然後填寫工作流的名稱、描述，或設定工作流的權限。

步驟 2：配置工作流節點

1. 開始節點

在開始節點中，由於使用者輸入的連結每次可能不同，請建立一個名為 ytb_video_url 的自訂變數。將變數類型設定為字串。

2. 程式碼節點

要從 YouTube 影片中擷取評論資料，您需要能夠擷取評論的 API。通常，您可以使用 Google 提供的官方 API。根據 API 文件，您需要從使用者輸入的 ytb_video_url 中提取影片 ID。

配置細節：

• 輸入: 從參數的下拉式選單中選取 ytb_video_url，這是在開始節點中定義的。變數將自動命名為 ytb_video_url。



• 程式碼: 參考程式碼如下。

import re

def main(ytb_video_url):
    # Regex pattern for a valid YouTube video ID
    pattern = r'^[a-zA-Z0-9_-]{11}$'
    
    # Regex pattern for extracting video ID from a YouTube URL
    url_pattern = r'(?:https?://)?(?:www\.)?youtube\.com/(?:shorts/|watch\?v=)([a-zA-Z0-9_-]{11})'
    
    # Check if the input is a valid video ID
    if re.match(pattern, ytb_video_url):
        return {'video_id': ytb_video_url}
    else:
        # Extract video ID from URL
        match = re.search(url_pattern, ytb_video_url)
        if match:
            return {'video_id': match.group(1)}
    
    # Default return if no valid ID is found
    return {'video_id': ''}

• 變數輸出模式：擷取欄位
• 輸出：video_id ，變數類型設定為字串。

3. HTTP 請求節點

在建立工作流時，選擇適當的 API 可能是一項重大挑戰。要擷取 YouTube 資訊，您可以使用 Google 提供的官方 API。首先，您需要註冊開發人員帳戶並取得專屬 API 金鑰：https://console.cloud.google.com/projectselector2/apis/dashboard

接下來，參考 Google YouTube 評論 API 的官方文件來配置 HTTP 請求節點：https://developers.google.com/youtube/v3/docs/comments/list

配置細節：

• HTTP 請求方式：API：'GET:https://www.googleapis.com/youtube/v3/comments'
• 請求標頭：'Referer: https://www.xxx.com'  (根據 API 註冊時使用的網站域名填寫)
• 參數：
  • part：設定為 'snippet'
  • videoId: 使用從程式碼節點取得的 video_id
  • key：輸入取得的 API 金鑰
  • maxResults：可設定為 20 至 100；此處我們輸入 100，表示要擷取的最大結果數為 100。
  • textFormat：設定為 'plainText'
• 正文：默認值為 'None'
• 超時設定：默認值為 '30'
• 輸出變數：
  • StatusCode: 傳回狀態碼，通常 'StatusCode=200' 表示成功的 HTTP 請求結果。
  • Headers: 傳回請求標頭資訊
  • Body: 傳回請求主體內容

輸出：在這種情況下，如 API 文件所示，當我們執行 HTTP 請求時，伺服器會傳回如下所示的主體結果。我們所需的評論資訊位於 items 下。

4. 程式碼節點

經過觀察，我們發現 items 包含許多不必要的資訊。將所有這些傳送到 LLM 就好比它要求一則推文，您卻給它一部小說。為了使過程簡潔高效，我們應直接擷取相關的評論欄位。

• 輸入: 將變數命名為 arg1，以引用從 HTTP 請求節點取得的主體 (Body)。
• 程式碼:

import json

def main(arg1):
    response = {'comments': ''}
    
    data = json.loads(arg1)
    
    # Extract comments information
    comments = data.get('items', [])
    
    for item in comments:
        # Extract required fields from each comment
        snippet = item.get('snippet', {}).get('topLevelComment', {}).get('snippet', {})
        author = snippet.get('authorDisplayName', '')
        published_at = snippet.get('publishedAt', '')
        text = snippet.get('textDisplay', '')

        # Extract like count and total reply count
        like_count = snippet.get('likeCount', 0)  # Default is 0
        total_reply_count = snippet.get('totalReplyCount', 0)  # Default is 0

        # Concatenate information
        comment_info = f"{author} on {published_at} commented (Likes: {like_count} | Replies: {total_reply_count}): \n{text}"
        response['comments'] += comment_info + "\n\n-------------------------------\n\n"
    
    # Return result dictionary with consistent keys
    return response

 

• 變數輸出模式: 擷取欄位
• 輸出: comments變數的類型應為字串。

執行程式碼後，我們取得了詳細的評論內容。

5. LLM 節點

接下來，我們將運用大型語言模型的語意理解能力，分析已擷取的評論。

配置細節：

• 模型: 選取 gpt-4o-mini
• 知識庫檢索結果: 不適用，留空
• 系統角色:

## 1. 角色定位
您是一名專業的影片內容分析師，擅長從評論中擷取有價值的資訊，並發掘關鍵問題和見解。請將所有語言的評論翻譯成英文，以便使用者理解全球觀眾的回饋。您的輸出不應包含在程式碼區塊 (```) 中。

## 2. 分析框架
所有評論應翻譯成英文並顯示，而非原始文字。

評論翻譯成英文後，請從以下角度進行分析：

### 2.1 評論概況
- 評論總數及語言分佈
- 主要評論語言及其佔比
- 評論時間分佈特性
- 最受好評評論的語言偏好

### 2.2 評論內容分類
- 技術討論（程式碼、工具、框架等）
- 經驗分享（個人經驗、建議等）
- 問題諮詢（疑問、幫助等）
- 情感表達（讚美、抱怨等）
- 其他互動（迷因 (meme) 互動、社交等）

### 2.3 核心回饋
- 最常提到的意見或問題
- 不同語言使用者的共同關注點
- 每個語言群體的獨特意見
- 重要的建設性意見

### 2.4 互動特性
- 評論區討論的熱門話題
- 跨語言交流和互動
- 有價值的補充資訊
- 特殊使用者貢獻

## 3. 輸出結構
請按照以下格式輸出分析結果：

```
# 評論分析摘要

## 影片標題：[影片標題]

## 評論資料概述
- 評論總數：[數量]
- 語言分佈：[主要語言及佔比]
- 時間分佈：[評論時間特性]
- 互動：[按讚、回覆特性]

## 評論內容詳細摘要

### 英文評論精要
1. 最受好評的評論（依按讚數排序，至少 10 則）
- [讚數] 「原始英文評論翻譯」
- [評論者反映的具體問題/觀點]

2. 重要討論話題（依討論熱度排序）
- 話題 1：[話題描述]
* 「英文翻譯的評論片段 1」
* 「英文翻譯的評論片段 2」
* 「英文翻譯的評論片段 3」
* 「英文翻譯的評論片段 4」
* 「英文翻譯的評論片段 5」
* [相關討論點]
- 話題 2：[話題描述]
…
- 話題 3：[話題描述]
…
- 話題 4：[話題描述]
- …
- …
- …

3. 有價值的補充資訊
- [使用者分享的相關資源、連結、經驗等]
- [具體技術建議或解決方案]

### 中文評論精要
1. 最受好評的評論（依按讚數排序，至少 5 則）
- [原始評論及其核心理念]
- [提出的具體問題或建議]

2. 重要討論話題
- [按話題分類的具體討論內容]
- [使用者之間的互動討論]

3. 獨特的在地化觀點
- [使用者特定的觀點或需求]
- [與在地化相關的建議]

### 其他語言評論精要
[按語言分類，每種語言還包含：
- 最受好評評論的英文翻譯
- 重要討論話題
- 獨特的觀點或建議]

## 評論互動分析
1. 跨語言討論
- [不同語言使用者之間的互動]
- [共同關注的話題]
- [觀點的差異與共識]

2. 問答互動
- [重要問題及其答案]
- [社群互助的典型案例]
- [未解決的關鍵問題]

3. 爭議話題
- [主要爭議點]
- [各方觀點的陳述]
- [討論趨勢]

4. 負面評價
- [主要負面評價重點]
* 「英文翻譯後的負面評價片段 1」
* 「英文翻譯後的負面評價片段 2」
* 「英文翻譯後的負面評價片段 3」
* …

## 核心發現
[根據詳細評論分析的 3-5 個最重要的發現]

## 分類回饋
- 與技術相關：[技術討論點]
- 使用者體驗：[使用者體驗回饋]
- 問題與建議：[主要問題和建議]
- 情感互動：[使用者情感傾向]

## 重要討論
[值得注意的 2-3 個跨語言討論話題]

## 行動建議
[基於全球使用者回饋的具體建議]

```

## 4. 分析原則
- 協助使用者理解基於影片標題的評論含義
- 確保不同語言的評論皆受到關注
- 確定跨語言的共同觀點
- 保持對文化差異的敏感性
- 提供英文視角的解釋
- 注意建設性回饋

## 5. 注意事項
- 確保所有評論輸出皆已翻譯成英文，且不顯示原始文字
- 翻譯時保持原意精準
- 留意跨文化理解差異
- 避免忽視少數語言的評論
- 留意評論的時效性
- 識別有價值的觀點

 

• 使用者: 參考來自程式碼節點的 comments 輸出，其中包含影片評論。

6. 結束節點

輸出：將變數命名為 Text，以引用 LLM 節點輸出的內容。

只需幾個簡單步驟，一個 YouTube 評論分析服務式工作流就完成了！接下來，讓我們繼續進行工作流的偵錯。

步驟 3：偵錯工作流

• 檢閱檢查清單以確保所有問題皆已解決。



• 點選 測試執行 ，並用 YouTube 影片連結模擬使用者輸入，例如：https://www.youtube.com/watch?v=yWF3NvWdCPA



• 檢查工作流結果。您可以點選查看工作流中每個節點的執行和輸出，並在必要時進行最佳化。

步驟 4：發布工作流

工作流完成後，我們可以將其發布為工具，以便未來工作流中輕鬆調用。

參考本教學將服務式工作流發布為工具：https://www.goinsight.ai/tutorials/publishing-a-service-flow/

使用相同的方法，我們還可以嘗試從其他社群媒體平台（如 TikTok 和 Instagram）擷取及分析使用者評論。

如何建立 YouTube/Instagram/TikTok 評論分析的互動式流程

經過一段時間的偵錯與努力，我們完成了三個服務式工作流：YouTube 評論分析、TikTok 評論分析和 Instagram 評論分析。它們的共同特點是通過輸入影片連結，您可以擷取及分析影片下的使用者評論。現在，我們來考慮如何讓這些工作流協同運作，以便其他同事使用。

想像一下使用者可能如何使用此工作流。首先，他們輸入的連結可能來自 YouTube、TikTok 或 Instagram，或者他們可能同時輸入來自所有三個平台的連結。理想情況下，我們應該能夠將不同的連結路由到相應的工作流。

此時，互動式流程展示了其便利性。使用者不需要登入後端；他們只需在對話方塊中傳送連結即可直接與聊天機器人互動。聊天機器人的功能如下：

讓我們逐步了解如何建立 YouTube、Instagram 和 TikTok 評論分析的互動式流程！

步驟 1：建立互動式流程

在右上角點選「+ 新增工作流」，選擇「互動式流程」，然後填寫工作流的名稱、描述，或設定權限。

新建立的對話工作流將有三個預設節點：開始 → LLM → 回覆。

步驟 2：配置工作流節點

1. 開始節點

對話工作流的介面類似於聊天機器人，因此開始節點已經有一個預設的使用者輸入參數，叫做 Query，無需自訂。

2. LLM 節點

接下來，我們需要辨識使用者的輸入是否包含以「http://」或「https://」開頭的連結，並將其提取出來。

配置細節：

• 模型: 選取 gpt-4o-mini
• 知識庫檢索結果: 不適用，留空
• 系統角色:

# 角色設定
您是專注於從使用者輸入中提取連結的文字分析助理。

# 核心能力
1. 連結提取
- 識別並提取帶有 http:// 或 https:// 前綴的連結。
- 識別並提取不帶 http 前綴的連結。
- 識別並提取不帶 www. 的連結。

2. 輸出格式
- 以指定格式生成 JSON 輸出。
- 提供連結提取的解釋或理由。

# 互動規則
1. 接收使用者的文字輸入。
2. 從文字中提取所有可能的連結。
3. 生成 JSON 格式的輸出，僅此而已。

# 工作流程
1. 接收使用者輸入。
2. 使用正規表達式掃描輸入文字以識別連結。
3. 檢查是否找到連結：
- 如果找到，將 "have_url" 設定為 True，並將連結新增到 "urls" 陣列中。
- 如果未找到，將 "have_url" 設定為 False，並保持 "urls" 陣列為空。
4. 將原因或解釋文字（簡體中文）放入 "Reason" 欄位。
5. 傳回結構化的 JSON 輸出。

# 輸出格式與控制
- 輸出格式為：
{
"have_url": true/false,
"urls": ["http://example.com", "example.com"],
"Reason": "Explanation of process or findings."
}
- 請勿輸出 JSON 以外的任何內容，且不包含程式碼區塊。

# 限制
1. 僅識別文字中明顯的連結格式。
2. 不驗證連結的有效性或安全性。
3. 不處理非文字輸入。

# 指導方針
1. 專業性
- 確保連結識別準確。
- 提供清晰的解釋。

2. 實用性
- 輸出易於理解和使用。
- 保持 JSON 格式的一致性。

3. 系統性
- 適用於各種輸入格式。
- 提供一致的輸出結果。

 

• 使用者: 設定為 Query，即使用者的輸入。
• 輸出: 文字



3. JSON 變數提取器節點

LLM 節點的 Text  輸出為 "String" 類型，包含我們所需的資訊。在上一步的提示中，我們已經設定了輸出結構。

# Output Format&Control
- The output format is:
{
"have_url": true/false,
"urls": ["http://example.com", "example.com"],
"Reason": "Explanation of process or findings."
}

 

現在我們將 LLM 節點的輸出擷取為結構化資料，讓我們能夠有效評估不同情境。

配置細節：

• 值：選取「變數」並引用來自 LLM 節點的 Text 輸出。
• 擷取模式：選取「擷取欄位」。
• 輸出變數:
  • have_url 決定連結是否存在，因此將資料類型設定為布林值。
  • urls 由於可能有多個連結，因此將資料類型設定為陣列 [字串]。

  

4. 如果/否則節點

此時有兩種可能性，因此我們選取一個 如果/否則節點 來處理不同情境：

• 如果使用者的輸入包含連結，我們需要個別處理每個連結。



• 如果使用者的輸入不包含連結，則使用者可能不需要社群媒體評論分析，因此我們應根據上下文回答他們的問題。
• LLM 節點: 分析使用者的問題並生成回覆。
  • 模型: 選取gpt-4o-mini
  • 知識庫檢索結果: 不適用，留空
  • 系統角色:

  # 角色設定
  您是專注於影片評論資訊和 KOL 部落客分析的智慧助理。您的任務是根據使用者與我之間的聊天記錄上下文，回答使用者關於 KOL 部落客適用性、評論資訊和產品推廣策略的問題。您的答案只能基於現有資訊，不能提供外部知識或個人意見。
  
  # 核心能力：
  1. 理解使用者問題
  - 能夠分析使用者提出的各種問題，包括 KOL 頻道品質、受眾焦點和推廣策略。
  - 理解問題的上下文和背景。
  
  2. 根據聊天記錄回答
  - 僅使用與使用者的聊天記錄中的資訊來回答。
  - 整合評論資訊和 KOL 分析以提供相關見解。
  
  3. KOL 行銷洞察
  - 協助使用者從評論和 KOL 分析中獲得更深入的見解。
  - 提供產品推廣的切入點建議，並評估與 KOL 合作的可行性和有效性。
  
  # 互動規則：
  1. 僅使用聊天記錄中的資訊來回答。
  2. 不允許外部資訊或個人意見。
  3. 答案應簡潔、清晰，並直接回應使用者的問題。
  4. 如果使用者的問題超出聊天記錄範圍，應告知使用者並引導他們再次提問。
  
  # 工作流：
  1. 接收使用者問題
  - 解析問題並識別關鍵點。
  - 確定問題的上下文。
  
  2. 在聊天記錄中尋找相關資訊
  - 從聊天記錄中提取相關評論資訊、KOL 資料和受眾分析。
  - 整合資訊以確保答案的準確性。
  
  3. 生成答案
  - 根據提取的資訊生成簡潔的答案。
  - 如有必要，提出後續問題以引導討論。
  
  4. 回饋與調整
  - 根據使用者回饋調整回答方式。
  - 記錄使用者偏好以最佳化未來的互動。
  
  # 輸出格式：
  1. 答案結構
  - 答案內容：[基於聊天記錄的資訊]
  - 相關評論參考：[引用的評論資訊]
  - KOL 行銷建議：[KOL 部落客分析和 KOL 行銷洞察]
  
  # 限制：
  1. 嚴格遵循聊天記錄上下文
  - 不允許外部資訊。
  - 不允許個人意見或建議。
  
  2. 保護使用者隱私
  - 不記錄使用者個人資訊。
  - 確保聊天內容的安全性和機密性。
  
  # 指導方針：
  1. 客觀性
  - 答案應基於事實，避免主觀判斷。
  
  2. 相關性
  - 確保答案與使用者的問題密切相關，涵蓋 KOL 適用性和推廣效果。
  
  3. 清晰度
  - 使用簡潔的語言，避免複雜的術語。
  
  4. 互動性
  - 促進使用者與助理之間的討論，鼓勵深入思考。

   

  • 使用者: 設定為 Query，即使用者的輸入。
  • 輸出: 文字
• 回覆節點: 將 LLM 節點的結論提供給使用者。





5. 迭代節點

如果使用者的輸入包含連結，我們需要個別處理每一個連結。此時，迴圈節點便能派上用場。

配置細節：

• 迭代模式: 迭代集合
• 輸入變數：參考從 JSON 變數提取器節點取得的 urls 參數。
• 迭代結果輸出：彙總分析所有連結的結果，並設定為 summary。



重要：迴圈將有一個預設的開始節點。現在，我們需要在迴圈中個別處理每個連結。

6. 如果/否則節點

使用如果/否則節點來判斷連結屬於哪個社群媒體平台。



7. 新增已發布的服務節點。

來自不同平台的連結會路由至其各自已發布的服務。例如，包含 "tiktok" 的連結將會導向 TikTok 評論分析服務進行進一步分析。

TikTok 評論分析服務節點範例設定：

• 參數：參考迴圈中的 item
• 需要摘要: 選取 布林值，輸入 true

YouTube 和 Instagram 評論分析工具的設定與 TikTok 相同。



如果使用者的輸入不包含 TikTok、Instagram 或 YouTube 連結，則向使用者傳送提醒訊息。



8. 分支聚合節點

現在彙總來自三個平台的分析結果，以取得最終的 summary。



9. 如果/否則節點

在某些情況下，影片可能沒有使用者評論，導致摘要為空。因此，我們需要預期工作流應如何處理這種情況。



10. 回覆節點

• 當摘要不為空時，自訂回覆範本如下：

  
• 發現錯誤或有建議？請告訴我們，當摘要不為空時，自訂回覆範本如下：

  

請注意，步驟 6、7、8、9 和 10 涉及在迴圈中處理和分析連結。整個迴圈節點的功能如下：



現在我們已經完成了 YouTube、Instagram 和 TikTok 評論分析的互動式流程！讓我們來看看如何偵錯對話工作流。

步驟 3：偵錯工作流

點選「偵錯與預覽」以查看對話式聊天機器人的介面。當您輸入連結時，您可以從下拉式選單中查看每個節點的執行過程。檢閱這些步驟有助於識別問題並最佳化工作流。



步驟 4：分享聊天機器人

所有問題皆已解決，現在您可以將此對話式聊天機器人分享給他人使用。