Sitemap til llms.txt AI Konverter

Omdan enhver sitemap.xml til et velstruktureret llms.txt-format ved hjælp af AI. Dette workflow henter URL’er fra et sitemap, indsamler og behandler deres indhold og bruger en AI-agent til at generere en optimeret llms.txt-fil, der er velegnet til AI-træning eller videnindtagelse.

Thumbnail for Video
Sådan fungerer AI-flowet - Sitemap til llms.txt AI Konverter

Flows

Sådan fungerer AI-flowet

Vis velkomstbesked.
Viser en velkomst- eller instruktionsbesked, når chatten åbnes, for at guide brugeren.
Bruger indtaster sitemap URL.
Brugeren indsender sitemap.xml URL'en via chatinterfacet.
Hent URL'er og indhold.
Henter alle URL'er fra det angivne sitemap og indsamler deres webindhold.
AI-agent konverterer indhold.
En AI-agent analyserer det hentede indhold, vurderer vigtighed og strukturerer det i llms.txt-format.
Output genereret llms.txt.
Viser den genererede llms.txt-fil til brugeren til download eller videre brug.

Prompts brugt i dette flow

Nedenfor er en komplet liste over alle prompts, der bruges i dette flow for at opnå dets funktionalitet. Prompts er instruktioner givet til AI-modellen for at generere svar eller udføre handlinger. De vejleder AI'en i at forstå brugerens hensigt og generere relevante outputs.

AI-agent

AI-agent, der formaterer sitemap.xml til llms.txt ved hjælp af en detaljeret prompt og eksempel, baseret på websidens indhold. Tilpasset prompt gives i 'goal'-f...

                Du er en AI-assistent, der formaterer sitemap.xml til llms.txt .
Nedenfor er hele tekstindholdet fra en webside, inklusive sidetitel og brødtekst.
Din opgave:
- Identificer titlen (enten fra første linje eller overskrift).
- konverter indholdet af xml-sitemappet til en llms.txt LIGNENDE EKSEMPLERNE GIVET NEDENFOR.
-DU KAN BESLUTTE, HVILKE SIDER DER ER MEST VIGTIGE OG SÆTTE DEM I STARTEN, OG ANDRE TING SOM KATEGORIER OG TAGS KAN KOMME HELT TIL SIDST.
dette er et eksempel fra langfuse:

**eksempel på llms.txt**

**DIT OUTPUT SKAL SE UD OG HAVE ET MEGET LIGNENDE FORMAT SOM NOGET LIGNENDE EKSEMPLERNE OVENFOR.**

Komponenter brugt i dette flow

Nedenfor er en komplet liste over alle komponenter, der bruges i dette flow for at opnå dets funktionalitet. Komponenter er byggestenene i hvert AI-flow. De giver dig mulighed for at skabe komplekse interaktioner og automatisere opgaver ved at forbinde forskellige funktioner. Hver komponent tjener et specifikt formål, såsom at håndtere brugerinput, behandle data eller integrere med eksterne tjenester.

Chat Åbnet Udløser

Komponenten Chat Åbnet Udløser registrerer, når en chatsession starter, og gør det muligt for workflows at reagere øjeblikkeligt, så snart en bruger åbner chatten. Den indleder flows med den indledende chatbesked, hvilket gør den essentiel til opbygning af responsive, interaktive chatbots.

Se Chat Åbnet Udløser

Besked-widget

Besked-widget-komponenten viser brugerdefinerede beskeder i dit workflow. Ideel til at byde brugere velkommen, give instruktioner eller vise vigtig information, den understøtter Markdown-formatering og kan indstilles til kun at blive vist én gang pr. session.

Se Besked-widget

Chat Output

Opdag Chat Output-komponenten i FlowHunt—afslut chatbot-svar med fleksible, fler-delte outputs. Uundværlig for problemfri flow-afslutning og til at skabe avancerede, interaktive AI-chatbots.

Se Chat Output

ChatInput

Chat Input-komponenten i FlowHunt igangsætter brugerinteraktioner ved at indsamle beskeder fra Playground. Den fungerer som startpunktet for flows og gør det muligt for arbejdsgangen at behandle både tekst- og filbaserede input.

Se ChatInput

URL-henter

Lås op for webindhold i dine arbejdsgange med URL-henter-komponenten. Udfør nemt udtræk og behandling af tekst og metadata fra enhver liste af URL’er – inklusive webartikler, dokumenter og meget mere. Understøtter avancerede muligheder som OCR for billeder, selektiv metadataudtræk og tilpasset caching, hvilket gør den ideel til at bygge vidensrige AI-flows og automatiseringer.

Se URL-henter

AI Agent

AI Agent-komponenten i FlowHunt giver dine workflows autonom beslutningstagning og evnen til at bruge værktøjer. Den udnytter store sprogmodeller og forbinder til forskellige værktøjer for at løse opgaver, følge mål og levere intelligente svar. Ideel til at skabe avancerede automatiseringer og interaktive AI-løsninger.

Se AI Agent

GoogleSearch-komponent

FlowHunts GoogleSearch-komponent forbedrer chatbot-præcisionen ved hjælp af Retrieval-Augmented Generation (RAG) til at få adgang til opdateret viden fra Google. Kontroller resultaterne med muligheder som sprog, land og forespørgsels-præfikser for præcise og relevante output.

Se GoogleSearch-komponent

Flow-beskrivelse

Formål og fordele

Dette workflow automatiserer processen med at konvertere et website’s sitemap.xml til et struktureret og AI-venligt llms.txt-format. Flowet udnytter AI-agenter og indhentningsværktøjer til at effektivisere forberedelsen af dit webstedsindhold til brug i store sprogmodeller (LLMs) og andre AI-applikationer. Herunder følger en detaljeret oversigt over dets trin og komponenter.

1. Brugeroplevelse & Indgangspunkt

  • Velkomstbesked ved chatåbning
    Når en bruger åbner chatten, viser en besked-widget en venlig prompt:

    🗂️ Indsæt din sitemap.xml URL herunder!
    Jeg konverterer den til et rent llms.txt-format, perfekt til indlæsning i AI-modeller 🤖📄

    Dette sætter klare forventninger og guider brugeren til at indsende det korrekte input.

2. Håndtering af brugerinput

  • Chat input-node
    Brugeren indsætter URL’en til sin sitemap.xml-fil i chatinterfacet.
  • Udløser workflowet
    Input-URL’en sendes automatisk videre til næste trin til behandling.

3. Hentning og behandling af sitemap-URL’er

  • URL-indhenter (primær)
    Workflowet bruger en URL Content Retriever-node til at:

    • Hente indholdet fra den angivne sitemap.xml-URL.
    • Anvende udtrækningsstrategier (fx udtrækning fra overskrifter, afsnit).
    • Cache resultater for effektivitet.
    • Begrænse indhold ved hjælp af token- og header-strategier (fx start fra H1, spring sidste overskrift over).
    • Valgfrit behandle metadata (såsom produktdata).

  • Avancerede indstillinger

    • Håndterer op til 300.000 tokens pr. dokument.
    • Kan inkludere indhold fra forskellige HTML-elementer (H1–H6, afsnit).
    • Understøtter streng whitelisting, caching (2 uger) og indlæsningsstrategier.
    • Kan integrere OCR for indhold baseret på billeder (deaktiveret som standard).

4. Udvidelse med ekstern viden

  • Google Search-værktøj
    AI-agenten er udstyret med et Google Search-værktøj, der gør det muligt at:

    • Søge efter yderligere kontekst eller relateret dokumentation, hvis nødvendigt.
    • Begrænse resultater (standard: 3), angive land/sprog.
    • Bruge cachede resultater for effektivitet.

  • Sekundær URL-indhenter
    En ekstra indhenter-node kan konfigureres til at hente indhold fra URL’er fundet via Google Search, hvilket yderligere beriger AI-agentens vidensbase om nødvendigt.

5. AI-agent til indholdskonvertering

  • AI-agent-node
    Kernen i workflowet er en AI-agent konfigureret med følgende:
    • Mål:
      Omdan sitemap.xml-indhold til en velstruktureret llms.txt ifølge et givet eksempel.
    • Baggrund & rolle:
      Agenten positioneres som specialist i at generere llms.txt-filer.
    • Værktøjer:
      Bruger både Google Search og URL-indhenter til adgang til site- og webindhold.
    • Operation:
      Agenten:
      • Læser alt hentet sideindhold.
      • Identificerer titel og struktur.
      • Beslutter, hvilke sider der er mest vigtige, og lister dem først.
      • Placerer mindre kritiske sider (fx kategorier, tags) til sidst.
      • Følger et strengt format for at sikre, at output matcher llms.txt-kravene til LLM-indlæsning.

6. Output og brugerfeedback

  • Chat output-node
    AI-agentens formaterede output (llms.txt-indholdet) vises til brugeren i chatten, klar til brug til AI-træning eller indtagelse.

Workflow-struktur (procesoversigt)

TrinKomponentFormål
1Chat åbnet triggerViser velkomst-/instruktionsbesked
2Besked-widgetGuider bruger til at indsætte sitemap.xml URL
3Chat inputModtager brugerens sitemap.xml URL
4URL-indhenterHenter og parser URL’er/indhold fra sitemap
5Google Search-værktøj(Valgfrit) Finder yderligere kontekst til sider
6URL-indhenter (Google)(Valgfrit) Henter indhold fra Google-fundne URL’er
7AI-agentKonverterer al sidedata til formateret llms.txt
8Chat outputPræsenterer formateret llms.txt for brugeren

Hvorfor er dette workflow nyttigt?

  • Skalerbarhed:
    Automatiserer en tidskrævende manuel proces, så du kan konvertere ethvert sites sitemap til et brugbart format for LLMs uden teknisk ekspertise.

  • Kvalitet og konsistens:
    Sikrer at output matcher et strengt format, hvilket forbedrer kvaliteten af dine AI-træningsdata.

  • Udvidelsesmuligheder:
    Kan tilpasses til at inkludere yderligere videnskilder eller anvende mere avanceret udtrækslogik.

  • Effektivitet:
    Integrerer caching og token-begrænsninger for hurtigt og pålideligt at håndtere selv store websites.

  • AI-drevne beslutninger:
    Agenten kan prioritere vigtige sider og strukturere outputtet intelligent—noget der ville være tidskrævende eller fejlbehæftet manuelt.

Eksempler på anvendelse

  • Forberedelse af hele dit website som ét samlet, velstruktureret dokument til AI-indlæsning.
  • Automatisering af indholdskuration til vidensbaser eller dokumentationssystemer.
  • Opskalering af datasæt-oprettelse til finjustering af LLMs med domænespecifikt siteindhold.

Dette workflow gør det nemt, hurtigt og pålideligt at konvertere websteds-sitemaps til AI-optimerede tekstfiler, så du sparer timevis af manuelt arbejde og sikrer, at dine AI-modeller får input af høj kvalitet og struktur.

Lad os bygge dit eget AI-team

Vi hjælper virksomheder som din med at udvikle smarte chatbots, MCP-servere, AI-værktøjer eller andre typer AI-automatisering til at erstatte mennesker i gentagne opgaver i din organisation.

Planlæg en demo Prøv det nu