E-post- och fildataextraktion till CSV

Detta arbetsflöde extraherar och organiserar nyckelinformation från e-postmeddelanden och bifogade filer, använder AI för att bearbeta och strukturera data, och levererar resultaten som en CSV-fil för enkel analys och rapportering. Perfekt för att automatisera hantering av e-postdata och integration med kalkylblad.

Så fungerar AI Flow - E-post- och fildataextraktion till CSV

Flows

Så fungerar AI Flow

Samla in e-postinmatningar och bilagor.
Samlar in e-postinnehåll och uppladdade filer som startpunkt för bearbetning.
Hämta och sammanfoga fil- & URL-innehåll.
Extraherar innehåll från bifogade filer och angivna URL:er för att inkludera som kontext för vidare bearbetning.
Analysera och organisera data med AI-agent.
Använder en AI-agent för att granska, sammanfatta och organisera e-post och relaterad dokumentdata, med hjälp av chatthistorik och kontextuell information.
Generera strukturerad datautmatning.
Omvandlar den organiserade datan till ett strukturerat format med AI och förbereder den för export.
Exportera resultat till CSV.
Levererar den strukturerade datan som en CSV-fil, vilket gör den enkel att komma åt, analysera och dela.

Prompts som används i detta flow

Prompt

Promptmall för att kombinera e-postinmatning och uppladdat dokumentinnehåll.

---EMAIL---
{input}
---

---UPLOADED DOCUMENTS CONTENT---
{context}
---

Verktygsanropande agent

Agentprompt för hantering och analys av e-postrelaterad data och kommunikation.

You are an advanced AI assistant tasked with managing email-related data and email communications efficiently. Your role involves three main tasks: reviewing and organizing email data, extracting and structuring relevant data. you should give a big overview based on the emails and the attached file.

Prompt

Promptmall för att omvandla data till en detaljerad strukturerad utmatning.

turn the given data in to a structured output with as much detail as possible

---GENERAL INFORMATION---
{input}
---

---DATA FROM ATTACHED FILES---
{context}
---

Komponenter som används i detta flow

Nedan är en komplett lista över alla komponenter som används i detta flow för att uppnå dess funktionalitet. Komponenter är byggstenarna i varje AI Flow. De låter dig skapa komplexa interaktioner och automatisera uppgifter genom att koppla olika funktioner. Varje komponent tjänar ett specifikt syfte, som att hantera användarindata, bearbeta data eller integrera med externa tjänster.

Chatinmatning

Chatinmatningskomponenten i FlowHunt initierar användarinteraktioner genom att fånga upp meddelanden från Playground. Den fungerar som startpunkt för flöden och möjliggör att arbetsflödet kan bearbeta både text- och filbaserade indata.

Se Chatinmatning

Filhämtare

Komponenten Filhämtare i FlowHunt låter dig ta in filer i ditt arbetsflöde och konvertera dem till dokument för vidare bearbetning. Den stöder strategier för hantering av flera dokument och kan använda OCR på bilder i filer, vilket gör den idealisk för att extrahera och omvandla information från en mängd olika filtyper.

Se Filhämtare

Promptkomponent i FlowHunt

Lär dig hur FlowHunts Prompt-komponent låter dig definiera din AI-bots roll och beteende, vilket säkerställer relevanta och personliga svar. Anpassa prompts och mallar för effektiva, kontextmedvetna chatbotflöden.

Se Promptkomponent i FlowHunt

Verktygsanropande Agent

Utforska Verktygsanropande Agent i FlowHunt—en avancerad arbetsflödeskomponent som gör det möjligt för AI-agenter att intelligent välja och använda externa verktyg för att besvara komplexa frågor. Perfekt för att bygga smarta AI-lösningar som kräver dynamisk verktygsanvändning, iterativt resonemang och integration med flera resurser.

Se Verktygsanropande Agent

Chatthistorik-komponent

Chatthistorik-komponenten i FlowHunt gör det möjligt för chatbots att minnas tidigare meddelanden, vilket säkerställer sammanhängande konversationer och förbättrad kundupplevelse samtidigt som minnes- och tokenanvändning optimeras.

Se Chatthistorik-komponent

URL-hämtare

Lås upp webbinnehåll i dina arbetsflöden med komponenten URL-hämtare. Extrahera och bearbeta enkelt text och metadata från valfri lista av URL:er – inklusive webbartiklar, dokument och mer. Stöder avancerade alternativ som OCR för bilder, selektiv metadataextraktion och anpassningsbar cache, vilket gör den idealisk för att bygga kunskapsrika AI-flöden och automatiseringar.

Se URL-hämtare

LLM Gemini

FlowHunt stöder dussintals AI-modeller, inklusive Google Gemini. Lär dig hur du använder Gemini i dina AI-verktyg och chattbotar, växla mellan modeller och kontrollera avancerade inställningar som tokens och temperatur.

Se LLM Gemini

Strukturerad Output Generator

Komponenten Strukturerad Output Generator låter dig skapa exakt, strukturerad data från valfri inmatningsprompt med din valda LLM-modell. Definiera de exakta datafälten och utdataformatet du vill ha, vilket säkerställer konsekventa och tillförlitliga svar för avancerade AI-arbetsflöden.

Se Strukturerad Output Generator

CSV-utmatning

Generera CSV-filer enkelt inom dina automatiserade arbetsflöden med komponenten CSV-utmatning. Omvandla strukturerad data till nedladdningsbart CSV-format—perfekt för att exportera resultat, dela data eller integrera med externa system.

Se CSV-utmatning

Flow-beskrivning

Syfte och fördelar

Detta arbetsflöde är utformat för att automatisera extraktion, strukturering och hantering av data från e-postmeddelanden och tillhörande dokument, såsom filbilagor och URL:er. Det utnyttjar avancerade språkmodeller och promptteknik för att bearbeta ostrukturerad information och generera strukturerade sammanfattningar, vilket gör det särskilt användbart för uppgifter som e-postsortering, kundsupport eller storskalig dataextraktion från kommunikationskanaler.

Översikt

Flödet kopplar samman flera komponenter som hanterar användarinmatning, hämtning av fil- och URL-innehåll, skapande av prompts, bearbetning med stora språkmodeller (LLM), agentbaserat resonemang och strukturerad datautmatning. Dess viktigaste fördelar är skalbarhet, automatisering och förmågan att hantera komplexa eller omfattande dataextraktionsuppgifter med minimal manuell insats.

Steg-för-steg-process

1. Användarinmatning och bilagor

  • Chatinmatning: Arbetsflödet börjar med att ta emot användarinmatning (ett e-postmeddelande eller meddelande) och eventuella filbilagor via ett chattgränssnitt.
  • Filhämtare: Alla bifogade filer bearbetas för att extrahera deras textinnehåll, med hjälp av strategier som OCR (vid behov) och tokenbegränsningar för att säkerställa effektivitet.

2. Berikning av kontext

  • URL-hämtare: Arbetsflödet kan också hämta innehåll från angivna URL:er, analysera och dela upp informationen för vidare bearbetning. Detta är användbart när e-post hänvisar till externa resurser eller kunskapsbaser.

  • Chatthistorik: Systemet behåller de 5 senaste chattmeddelandena (upp till 800 token) för att ge kontext och bättre förståelse.

3. Promptteknik

  • Promptmallar: Arbetsflödet använder mallar för att dynamiskt skapa prompts till LLM och agenten, och inkluderar:

    • E-post-/meddelandeinnehåll
    • Extraherat filinnehåll
    • Chatthistorik som kontext
    • Systeminstruktioner

    Dessa prompts är utformade för att maximera LLM:s förmåga att förstå och strukturera inkommande information.

4. LLM- och agentorkestrering

  • Google Gemini LLM: Arbetsflödet använder Gemini 2.5 Flash för högkvalitativ språkförståelse och generering, med temperatur satt till 0 för deterministiska utmatningar.

  • Verktygsanropande agent: En avancerad agent får den sammansatta prompten, chatthistorik och verktyg (som fil-/URL-hämtare) för att:

    • Granska och organisera e-postdata
    • Extrahera och strukturera relevant information
    • Ge en omfattande översikt baserat på e-post och bifogade filer
    • Använda extern kunskap via verktyg om det behövs

    Agenten styrs av ett systemmeddelande för att fokusera på effektivitet och datastrukturering.

5. Strukturering och utmatning

  • Generator för strukturerad utmatning: Agentens svar, tillsammans med ytterligare kontext, skickas genom ytterligare en prompt och LLM (även Gemini) för att skapa en strukturerad utmatning. De obligatoriska fälten är:

    • Användarnamn: Namn på användaren
    • E-post: Patientens e-postadress
    • Meddelande: Meddelandet som nämns i e-postmeddelandet

  • CSV-utmatning: Den strukturerade datan exporteras sedan som en CSV-fil, vilket gör den enkel att bearbeta, analysera eller importera till andra system.

6. Användarfeedback

  • Chattutmatning: Arbetsflödet ger även agentens översikt och svar som ett chattmeddelande, så att användaren får omedelbar återkoppling.

Komponentsammanfattning

KomponentRoll
ChatinmatningSamlar in användarmeddelanden och filbilagor
FilhämtareExtraherar text från uppladdade dokument
URL-hämtareHämtar och bearbetar innehåll från angivna URL:er
ChatthistorikBehåller senaste meddelandekontext
PromptmallBygger dynamiskt prompts för LLM/agent
Gemini LLMBearbetar prompts och genererar svar
Verktygsanropande agentOrkestrerar verktyg och LLM:er för dataextraktion/strukturering
Generator för strukturerad utmatningFormaterar extraherad information till ett strukturerat objekt
CSV-utmatningExporterar strukturerad data till CSV-format
ChattutmatningVisar agentens svar i chatten

Användningsområden och fördelar

  • Skalbarhet: Automatiserar repetitiv dataextraktion och strukturering från e-post och dokument, vilket minskar manuellt arbete.
  • Konsekvens: Använder LLM och promptmallar för enhetlig bearbetning av stora datamängder.
  • Utbyggbarhet: Anpassas enkelt till nya inmatningstyper (filer, URL:er) och utdataformat (strukturerade objekt, CSV).
  • Automatisering: Passar för kundsupport, hantering av medicinska journaler eller andra arbetsflöden som kräver strukturerad data från ostrukturerade källor.

Varför detta arbetsflöde är användbart

Detta arbetsflöde minskar drastiskt den tid och ansträngning som krävs för att extrahera användbar, strukturerad data från e-post och deras bilagor. Det är mycket skalbart—kan hantera flera meddelanden och filtyper i bulk—och automatiserar en process som annars skulle kräva betydande mänsklig insats. Genom att integrera avancerade LLM:er, verktygsagenter och promptteknik säkerställs både hög precision och anpassningsbarhet, vilket gör det till en kraftfull tillgång för företag och organisationer som vill effektivisera sina informationshanteringsprocesser.

Lär dig mer

Sitemap till llms.txt AI-omvandlare
Sitemap till llms.txt AI-omvandlare

Sitemap till llms.txt AI-omvandlare

Omvandla valfri sitemap.xml till ett välstrukturerat llms.txt-format med hjälp av AI. Detta arbetsflöde hämtar URL:er från en sitemap, hämtar och bearbetar dera...

3 min läsning
AI-kundtjänstagents med kunskapsbas och API-förstärkning
AI-kundtjänstagents med kunskapsbas och API-förstärkning

AI-kundtjänstagents med kunskapsbas och API-förstärkning

Detta AI-drivna arbetsflöde automatiserar kundsupport genom att kombinera intern kunskapsbas-sökning, hämtning av kunskap från Google Docs, API-integration och ...

4 min läsning
AI Faktura OCR & Dataextraktionsbot
AI Faktura OCR & Dataextraktionsbot

AI Faktura OCR & Dataextraktionsbot

Automatisera fakturahantering genom att ladda upp fakturabilder och extrahera viktig fakturainformation, såsom fakturanummer, typ, språk, artiklar, priser och t...

3 min läsning