ساخت پیشنهاد دهنده فیلم هوشمند در واتس‌اپ با n8n

هوش مصنوعی پیشنهاد دهنده فیلم در واتس‌اپ

این گردش کار به کاربران امکان می‌دهد تا از طریق واتس‌اپ با یک پیشنهاد دهنده فیلم مبتنی بر هوش مصنوعی تعامل داشته باشند. کاربران می‌توانند بر اساس ژانر، درخواست پیشنهاد فیلم کنند، جزئیات مربوط به یک فیلم خاص را دریافت کنند یا از محل پخش یک فیلم مطلع شوند.

ویژگی‌های کلیدی:

• رابط مکالمه‌ای: از طریق واتس‌اپ به طور طبیعی تعامل کنید.
• درک مبتنی بر هوش مصنوعی: از هوش مصنوعی برای تفسیر درخواست‌های کاربر استفاده می‌کند.
• داده‌های جامع: برای اطلاعات فیلم با TMDb و برای در دسترس بودن پخش با Watchmode ادغام می‌شود.
• قالب‌بندی غنی: پاسخ‌ها را در یک پیام واتس‌اپ کاربرپسند و قالب‌بندی شده ارائه می‌دهد.

دسترسی به گردش کار: این گردش کار و موارد دیگر را در Axeto.ai کاوش کنید: https://axeto.ai/n8n

---

تشریح گردش کار

این گردش کار برای مدیریت کل فرآیند از دریافت پیام تا تحویل پاسخ، به بلوک‌های کاربردی مجزا ساختار یافته است.

۱. دریافت پیام

این بلوک پیام‌های دریافتی از کاربران واتس‌اپ را دریافت می‌کند.

• گره‌ها (Nodes):

* WhatsApp Webhook Trigger (Webhook)

• جزئیات:

* هدف: به عنوان نقطه ورود عمل می‌کند و پیام‌های ارسال شده به وب‌هوک پیکربندی شده WhatsApp Business API را دریافت می‌کند.

* پیکربندی: درخواست‌های HTTP POST را در یک مسیر مشخص گوش می‌دهد.

* خروجی: داده‌های پیام دریافتی را برای تحلیل هوش مصنوعی به مرحله بعدی ارسال می‌کند.

* ملاحظات: نیاز به راه‌اندازی صحیح وب‌هوک WhatsApp Business API دارد.

۲. تحلیل قصد هوش مصنوعی

این بلوک از یک مدل زبان هوش مصنوعی برای درک قصد کاربر و استخراج اطلاعات مرتبط استفاده می‌کند.

• گره‌ها (Nodes):

* Ollama Model (@n8n/n8n-nodes-langchain.lmChatOllama)

* Analyze WhatsApp Message (@n8n/n8n-nodes-langchain.agent)

• جزئیات:

* Ollama Model: برای انجام استنتاج مدل زبان به یک نمونه Ollama متصل می‌شود.

* مدل: llama3.2-16000:latest (یا مدلی مشابه که پیکربندی شده است).

* اعتبارنامه‌ها: به اعتبارنامه‌های API Ollama نیاز دارد.

* Analyze WhatsApp Message: از یک عامل Langchain با یک اعلان سفارشی برای موارد زیر استفاده می‌کند:

* تجزیه متن پیام کاربر.

* طبقه‌بندی قصد به یکی از فرمت‌های زیر:

* specific:MovieName (برای جزئیات فیلم)

* genre:GenreName (برای پیشنهاد ژانر)

* where:MovieName (برای در دسترس بودن پخش)

* ورودی: متن پیام را از تریگر وب‌هوک دریافت می‌کند.

* خروجی: یک رشته ساختاریافته که قصد شناسایی شده و مقدار مرتبط را نشان می‌دهد.

۳. مسیریابی درخواست

این بلوک بر اساس قصد کاربر شناسایی شده توسط هوش مصنوعی، گردش کار را هدایت می‌کند.

• گره‌ها (Nodes):

* Check Request Type (If)

* Check Where Request (If)

• جزئیات:

* Check Request Type: یک گره شرطی که بررسی می‌کند آیا رشته خروجی هوش مصنوعی با "specific:" شروع می‌شود یا خیر.

* اگر درست باشد: برای استخراج عنوان فیلم برای پرس و جوی یک فیلم خاص ادامه می‌یابد.

* اگر نادرست باشد: درخواست را به Check Where Request ارسال می‌کند.

* Check Where Request: یک گره شرطی دیگر که بررسی می‌کند آیا رشته خروجی هوش مصنوعی با "where:" شروع می‌شود یا خیر.

* اگر درست باشد: برای استخراج عنوان فیلم برای پرس و جوی در دسترس بودن پخش ادامه می‌یابد.

* اگر نادرست باشد: فرض می‌کند که یک درخواست پیشنهاد ژانر است و برای استخراج ژانر ادامه می‌یابد.

۴. استخراج داده و پرس و جوهای API

این بلوک با پرس و جو از APIهای خارجی، داده‌های لازم را واکشی می‌کند.

• گره‌ها (Nodes):

* Extract Movie Title (Set)

* Extract Genre (Set)

* Search Specific Movie (HTTP Request)

* Search Movies by Genre (HTTP Request)

* Get Streaming Availability (HTTP Request)

• جزئیات:

* Extract Movie Title: از گره Set برای تجزیه عنوان فیلم از خروجی هوش مصنوعی (پس از "specific:" یا "where:") استفاده می‌کند و همچنین شماره تلفن کاربر را برای پاسخ استخراج می‌کند.

* Extract Genre: از گره Set برای تجزیه نام ژانر از خروجی هوش مصنوعی (پس از "genre:") استفاده می‌کند و شماره تلفن کاربر را استخراج می‌کند.

* Search Specific Movie: با استفاده از عنوان فیلم استخراج شده، API TMDb (/search/movie) را برای یافتن جزئیات فیلم جستجو می‌کند.

* Search Movies by Genre: API TMDb (/discover/movie) را برای یافتن فیلم‌های متعلق به ژانر مشخص شده جستجو می‌کند. این نیاز به نگاشت نام ژانرها به شناسه‌های ژانر TMDb دارد.

* Get Streaming Availability: با استفاده از شناسه فیلم به دست آمده از TMDb، API Watchmode (/title/{id}/details/) را برای یافتن محل پخش فیلم جستجو می‌کند.

۵. قالب‌بندی پاسخ

این بلوک داده‌ها را در قالبی کاربرپسند برای پیام واتس‌اپ آماده می‌کند.

• گره‌ها (Nodes):

* Format Genre Recommendations (Code)

* Format Streaming Response (Code)

* Prepare WhatsApp Message (Code)

• جزئیات:

* Format Genre Recommendations: یک گره کد جاوا اسکریپت که لیست فیلم‌های یافت شده بر اساس ژانر را دریافت کرده و یک پیام مختصر شامل عنوان، سال، امتیاز و یک نمای کلی کوتاه برای حداکثر ۵ فیلم قالب‌بندی می‌کند.

* Format Streaming Response: یک گره کد جاوا اسکریپت که جزئیات فیلم را از TMDb با اطلاعات در دسترس بودن پخش از Watchmode در یک پیام قابل خواندن واتس‌اپ ترکیب می‌کند. این گره موارد عدم یافتن فیلم یا نداشتن منابع پخش را مدیریت می‌کند.

* Prepare WhatsApp Message: یک گره کد جاوا اسکریپت که بار داده JSON نهایی مورد نیاز WhatsApp Business API را شامل شماره تلفن گیرنده و متن پیام قالب‌بندی شده، می‌سازد.

۶. ارسال پیام

این بلوک نهایی پیام آماده شده را از طریق واتس‌اپ به کاربر ارسال می‌کند.

• گره‌ها (Nodes):

* Send WhatsApp Response (HTTP Request)

• جزئیات:

* هدف: بار داده پیام قالب‌بندی شده را به نقطه پایانی WhatsApp Cloud API ارسال می‌کند.

* پیکربندی: به URL نقطه پایانی WhatsApp Cloud API و اعتبارنامه‌های احراز هویت مناسب نیاز دارد.

* ورودی: بار داده JSON پیام آماده شده را از بلوک قالب‌بندی دریافت می‌کند.

---

جزئیات فنی

• دسته‌بندی‌ها: چت‌بات پشتیبانی
• گره‌های اصلی (Core Nodes):

* n8n-nodes-base.if

* n8n-nodes-base.set

* n8n-nodes-base.code

* n8n-nodes-base.webhook

* n8n-nodes-base.stickyNote

* n8n-nodes-base.httpRequest

* @n8n/n8n-nodes-langchain.agent

* @n8n/n8n-nodes-langchain.lmChatOllama

• APIهای خارجی:

* API TMDb (برای داده‌های فیلم)

* API Watchmode (برای در دسترس بودن پخش)

* WhatsApp Business API (برای تحویل پیام)

* Ollama (برای استنتاج LLM محلی)