نود Google Gemini در N8N

نود Google Gemini در N8N

نود Google Gemini در N8N یکی از کاربردی‌ترین نودهای هوش مصنوعی برای اتصال ورکفلوها به مدل‌های Gemini گوگل است. با این نود می‌توانید متن تولید کنید، داده‌ها را خلاصه‌سازی کنید، پاسخ هوشمند بسازید، محتوای ورودی را تحلیل کنید، پیام‌های کاربران را دسته‌بندی کنید و در کنار نودهایی مثل AI Agent، HTTP Request، Gmail، Telegram، Google Sheets و Webhook یک اتوماسیون هوشمند و کاربردی بسازید.

معرفی نود در N8N

نود Google Gemini در N8N برای استفاده از مدل‌های زبانی و چندرسانه‌ای Google Gemini در داخل ورکفلوها استفاده می‌شود. این نود معمولاً در دسته نودهای هوش مصنوعی و Integration قرار می‌گیرد و در بسیاری از سناریوها نقش مدل زبانی یا Chat Model را برای سایر نودهای AI مثل AI Agent یا Basic LLM Chain ایفا می‌کند.

  • نوع نود: Integration / AI Model / Action
  • کارکرد اصلی: ارسال پرامپت به مدل Gemini و دریافت پاسخ تولیدشده توسط هوش مصنوعی
  • کاربرد در ورکفلو: تولید متن، تحلیل داده، خلاصه‌سازی، استخراج اطلاعات، پاسخ‌گویی هوشمند، طبقه‌بندی پیام‌ها و کمک به تصمیم‌گیری خودکار
  • مخاطب مناسب: کاربران مبتدی که می‌خواهند AI را وارد اتوماسیون کنند و کاربران متوسط که قصد ساخت Agent، چت‌بات یا سیستم پردازش داده هوشمند دارند

Google Gemini به دلیل سرعت مناسب، کیفیت پاسخ بالا، پشتیبانی از مدل‌های مختلف و امکان ترکیب با سرویس‌های گوگل، انتخاب بسیار خوبی برای ساخت ورکفلوهای هوشمند در N8N است.

موارد استفاده

نود Google Gemini در پروژه‌های واقعی می‌تواند نقش مغز متفکر ورکفلو را داشته باشد. هر جایی که نیاز به فهم متن، تولید پاسخ، استخراج داده یا تصمیم‌گیری بر اساس ورودی وجود داشته باشد، این نود قابل استفاده است.

خلاصه‌سازی ایمیل‌های دریافتی

فرض کنید هر روز تعداد زیادی ایمیل در Gmail دریافت می‌کنید. می‌توانید با ترکیب نودهای Gmail، Google Gemini و Google Sheets، متن ایمیل‌ها را بخوانید، خلاصه کنید و نتیجه را در یک فایل گوگل شیت ذخیره کنید.

  • Gmail Trigger: دریافت ایمیل جدید
  • Google Gemini: خلاصه‌سازی متن ایمیل
  • Google Sheets: ذخیره خلاصه، فرستنده، تاریخ و اولویت

ساخت چت‌بات تلگرام هوشمند

با ترکیب Telegram Trigger و Google Gemini می‌توانید یک چت‌بات بسازید که پیام کاربر را دریافت کند، با کمک Gemini پاسخ تولید کند و دوباره پاسخ را در تلگرام ارسال کند.

  • Telegram Trigger: دریافت پیام کاربر
  • Google Gemini: تولید پاسخ متناسب با پیام
  • Telegram: ارسال پاسخ به کاربر

تحلیل پیام‌های پشتیبانی مشتریان

اگر پیام‌های کاربران از فرم سایت، واتساپ، تلگرام یا سیستم CRM وارد N8N شوند، Google Gemini می‌تواند آن‌ها را از نظر موضوع، احساسات، فوریت و نوع درخواست تحلیل کند.

  • Webhook: دریافت پیام از سایت یا CRM
  • Google Gemini: تشخیص نوع درخواست، اولویت و احساس کاربر
  • IF: مسیر‌دهی بر اساس نتیجه تحلیل
  • Slack یا Email: اطلاع‌رسانی به تیم مربوطه

تولید محتوای خودکار برای شبکه‌های اجتماعی

می‌توانید داده اولیه مثل عنوان محصول، لینک مقاله یا توضیحات خدمات را به Gemini بدهید و خروجی‌هایی مثل کپشن اینستاگرام، پست لینکدین، توییت یا توضیح محصول دریافت کنید.

  • Google Sheets: خواندن لیست موضوعات
  • Google Gemini: تولید متن تبلیغاتی یا آموزشی
  • Notion یا Airtable: ذخیره خروجی برای بررسی نهایی

استخراج داده ساختاریافته از متن‌های آزاد

یکی از کاربردهای مهم Gemini در N8N تبدیل متن‌های آزاد به JSON ساختاریافته است. مثلاً از داخل یک پیام طولانی، نام مشتری، شماره تماس، محصول مورد نظر و شهر را استخراج کنید.

  • Webhook: دریافت متن خام
  • Google Gemini: استخراج اطلاعات در قالب JSON
  • Set یا Code: پردازش خروجی
  • CRM یا Database: ثبت اطلاعات استخراج‌شده

پارامترها و تنظیمات

پارامترهای دقیق نود Google Gemini ممکن است بسته به نسخه N8N، نوع نود AI و مدل انتخابی کمی متفاوت باشد، اما تنظیمات اصلی معمولاً شامل احراز هویت، انتخاب مدل، پیام یا پرامپت، تنظیمات خروجی و گزینه‌های کنترل رفتار مدل است.

Credentials یا اطلاعات اتصال

  • نام پارامتر: Credentials
  • نوع داده: Credential
  • توضیح کاربرد: برای اتصال N8N به Google Gemini API استفاده می‌شود. معمولاً باید API Key مربوط به Google AI Studio یا Google Cloud را وارد کنید.
  • مثال عملی: ساخت API Key از Google AI Studio و ثبت آن در بخش Credentials نود Google Gemini در N8N.
  • نکته مهم: API Key را در نودهای Set یا Code به صورت مستقیم ذخیره نکنید. همیشه از سیستم Credentials خود N8N استفاده کنید.

Model یا مدل

  • نام پارامتر: Model
  • نوع داده: String / Select
  • توضیح کاربرد: مشخص می‌کند درخواست شما به کدام مدل Gemini ارسال شود. مدل‌های مختلف از نظر سرعت، هزینه، کیفیت و قابلیت‌ها تفاوت دارند.
  • مثال عملی: استفاده از مدل‌های سریع‌تر برای چت‌بات عمومی و استفاده از مدل‌های قوی‌تر برای تحلیل‌های پیچیده‌تر.
  • نمونه مقدار: gemini-1.5-flash، gemini-1.5-pro، gemini-2.0-flash یا مدل‌های جدیدتر موجود در حساب شما
  • نکته مهم: نام مدل‌ها ممکن است توسط گوگل تغییر کند. بهتر است همیشه مدل‌های فعال را از مستندات Google Gemini یا لیست داخل N8N بررسی کنید.

Prompt یا پیام ورودی

  • نام پارامتر: Prompt / Text / Message
  • نوع داده: String
  • توضیح کاربرد: متنی است که به Gemini ارسال می‌شود تا بر اساس آن پاسخ تولید کند.
  • مثال عملی: خلاصه کن: {{$json[“emailBody”]}}
  • نکته مهم: هرچه پرامپت دقیق‌تر باشد، خروجی قابل‌اعتمادتر خواهد بود. بهتر است نقش، هدف، فرمت خروجی و محدودیت‌ها را واضح مشخص کنید.

System Message یا دستور سیستمی

  • نام پارامتر: System Message / System Instruction
  • نوع داده: String
  • توضیح کاربرد: برای تعیین نقش، لحن و قوانین کلی رفتار مدل استفاده می‌شود.
  • مثال عملی: شما یک دستیار پشتیبانی فارسی هستید. پاسخ‌ها را کوتاه، دقیق و مودبانه بنویسید.
  • نکته مهم: دستور سیستمی برای کنترل رفتار مدل بهتر از تکرار قوانین در هر پرامپت است.

Temperature

  • نام پارامتر: Temperature
  • نوع داده: Number
  • توضیح کاربرد: میزان خلاقیت و تنوع پاسخ را کنترل می‌کند. مقدار پایین‌تر پاسخ‌های دقیق‌تر و قابل پیش‌بینی‌تر تولید می‌کند. مقدار بالاتر پاسخ‌های خلاقانه‌تر می‌دهد.
  • مثال عملی: برای استخراج داده از متن مقدار 0.1 تا 0.3 مناسب است. برای تولید کپشن تبلیغاتی مقدار 0.7 تا 1 مناسب‌تر است.
  • نکته مهم: برای خروجی‌های حساس مثل JSON، دسته‌بندی، تحلیل مالی یا داده ساختاریافته از Temperature پایین استفاده کنید.

Max Output Tokens

  • نام پارامتر: Max Output Tokens / Maximum Number of Tokens
  • نوع داده: Number
  • توضیح کاربرد: حداکثر طول پاسخ تولیدشده توسط مدل را مشخص می‌کند.
  • مثال عملی: برای خلاصه کوتاه ایمیل مقدار 200 تا 400 و برای تولید مقاله طولانی مقدار بالاتر انتخاب می‌شود.
  • نکته مهم: مقدار خیلی کم باعث قطع شدن پاسخ می‌شود و مقدار خیلی زیاد می‌تواند هزینه و زمان اجرا را افزایش دهد.

Top P

  • نام پارامتر: Top P
  • نوع داده: Number
  • توضیح کاربرد: یکی از تنظیمات نمونه‌گیری مدل است و کنترل می‌کند مدل از چه دامنه‌ای از گزینه‌های احتمالی برای تولید پاسخ استفاده کند.
  • مثال عملی: مقدار 0.8 یا 0.9 برای پاسخ‌های طبیعی و متعادل رایج است.
  • نکته مهم: معمولاً لازم نیست همزمان Temperature و Top P را زیاد تغییر دهید. برای شروع، مقدار پیش‌فرض مناسب است.

Top K

  • نام پارامتر: Top K
  • نوع داده: Number
  • توضیح کاربرد: تعداد گزینه‌های احتمالی را که مدل هنگام تولید هر بخش از پاسخ بررسی می‌کند محدود می‌کند.
  • مثال عملی: مقدارهای پایین‌تر خروجی را محدودتر و قابل پیش‌بینی‌تر می‌کنند.
  • نکته مهم: همه مدل‌ها یا همه نسخه‌های N8N ممکن است این گزینه را نمایش ندهند.

Stop Sequences

  • نام پارامتر: Stop Sequences
  • نوع داده: Array / String
  • توضیح کاربرد: مشخص می‌کند اگر مدل به عبارت خاصی رسید، تولید پاسخ را متوقف کند.
  • مثال عملی: اگر خروجی باید قبل از عبارت END تمام شود، می‌توانید END را به عنوان Stop Sequence تعریف کنید.
  • نکته مهم: برای ساخت خروجی‌های قالب‌دار و جلوگیری از تولید متن اضافه کاربرد دارد.

Response Format یا فرمت خروجی

  • نام پارامتر: Response Format / Response MIME Type
  • نوع داده: String / Select
  • توضیح کاربرد: تعیین می‌کند پاسخ به صورت متن ساده یا در قالب ساختاریافته مثل JSON تولید شود.
  • مثال عملی: درخواست خروجی با فرمت application/json برای استخراج اطلاعات مشتری.
  • نکته مهم: اگر به JSON نیاز دارید، هم در تنظیمات فرمت و هم در پرامپت تأکید کنید که خروجی فقط JSON معتبر باشد.

Safety Settings

  • نام پارامتر: Safety Settings
  • نوع داده: Object / Select
  • توضیح کاربرد: برای کنترل سطح فیلتر محتوای حساس، خطرناک یا نامناسب استفاده می‌شود.
  • مثال عملی: در چت‌بات عمومی می‌توان فیلترهای ایمنی را سخت‌گیرانه‌تر تنظیم کرد.
  • نکته مهم: اگر پاسخ‌ها به دلیل سیاست‌های ایمنی مسدود شوند، باید متن ورودی، تنظیمات ایمنی و نوع کاربرد را بررسی کنید.

Input Data Field Name

  • نام پارامتر: Input Data Field Name
  • نوع داده: String
  • توضیح کاربرد: در برخی حالت‌ها مشخص می‌کند متن ورودی از کدام فیلد آیتم قبلی خوانده شود.
  • مثال عملی: اگر متن ایمیل در فیلد body ذخیره شده، مقدار ورودی می‌تواند {{$json[“body”]}} باشد.
  • نکته مهم: نام فیلد باید دقیقاً با ساختار JSON خروجی نود قبلی مطابقت داشته باشد.

Output Key یا نام فیلد خروجی

  • نام پارامتر: Output Key / Put Output in Field
  • نوع داده: String
  • توضیح کاربرد: تعیین می‌کند پاسخ Gemini در کدام فیلد از خروجی ذخیره شود.
  • مثال عملی: ذخیره پاسخ در فیلدی با نام aiResponse یا summary.
  • نکته مهم: انتخاب نام خروجی مشخص باعث می‌شود در نودهای بعدی راحت‌تر به نتیجه دسترسی داشته باشید.

نکات مهم هنگام پیکربندی

  • برای شروع از مدل‌های سریع و اقتصادی استفاده کنید و فقط برای کارهای پیچیده‌تر سراغ مدل‌های قوی‌تر بروید.
  • اگر خروجی باید قابل پردازش توسط نودهای بعدی باشد، از JSON معتبر استفاده کنید.
  • برای جلوگیری از خطا، ورودی‌های طولانی را قبل از ارسال به Gemini خلاصه یا بخش‌بندی کنید.
  • از Expressionهای N8N مثل {{$json[“fieldName”]}} برای ارسال داده‌های داینامیک استفاده کنید.
  • در سناریوهای حساس، خروجی مدل را بدون اعتبارسنجی مستقیم وارد دیتابیس یا سیستم عملیاتی نکنید.

ورودی‌ها و خروجی‌ها

نود Google Gemini می‌تواند داده را از نودهای قبلی دریافت کند، آن را به عنوان پرامپت یا پیام به مدل ارسال کند و نتیجه را به صورت متن یا داده ساختاریافته در خروجی قرار دهد.

ورودی‌های نود

ورودی این نود معمولاً یک یا چند آیتم JSON از نود قبلی است. هر آیتم می‌تواند شامل متن، عنوان، توضیح، پیام کاربر، محتوای ایمیل، داده محصول یا هر نوع داده متنی دیگر باشد.

نمونه ورودی برای خلاصه‌سازی ایمیل:

{  "from": "customer@example.com",  "subject": "مشکل در پرداخت سفارش",  "body": "سلام، من برای سفارش شماره 2481 پرداخت انجام دادم اما وضعیت سفارش هنوز در انتظار پرداخت است. لطفاً بررسی کنید.",  "receivedAt": "2026-07-05T10:30:00Z"}

نمونه پرامپت قابل استفاده در نود:

متن زیر را خلاصه کن و میزان فوریت آن را مشخص کن.موضوع: {{$json["subject"]}}متن پیام: {{$json["body"]}}خروجی را فقط به صورت JSON معتبر با فیلدهای summary، urgency و category برگردان.

خروجی‌های نود

خروجی نود معمولاً شامل پاسخ تولیدشده توسط Gemini است. بسته به تنظیمات نود و پرامپت، خروجی می‌تواند متن ساده، Markdown یا JSON باشد.

نمونه خروجی متنی:

{  "text": "کاربر اعلام کرده که پرداخت سفارش شماره 2481 انجام شده اما وضعیت سفارش همچنان در انتظار پرداخت است. این درخواست در دسته پیگیری پرداخت قرار می‌گیرد و فوریت آن متوسط است."}

نمونه خروجی JSON ساختاریافته:

{  "summary": "پرداخت سفارش 2481 انجام شده اما وضعیت سفارش هنوز به‌روزرسانی نشده است.",  "urgency": "medium",  "category": "payment_issue"}

ساختار پیشنهادی برای خروجی‌های قابل پردازش

اگر قصد دارید خروجی Gemini را در نودهای بعدی مثل IF، Switch، Google Sheets یا Database استفاده کنید، بهتر است از قالب ثابت JSON استفاده شود.

{  "result": {    "title": "عنوان کوتاه",    "summary": "خلاصه متن",    "category": "support | sales | technical | finance",    "priority": "low | medium | high",    "nextAction": "اقدام پیشنهادی"  }}

نکات پیشرفته و ترفندها

استفاده از پرامپت‌های قالب‌دار

برای گرفتن خروجی‌های ثابت و قابل اتکا، پرامپت را ساختارمند بنویسید. به جای نوشتن یک دستور ساده مثل «این متن را تحلیل کن»، نقش مدل، هدف، قالب خروجی و قوانین را مشخص کنید.

شما یک تحلیل‌گر پشتیبانی مشتری هستید.پیام کاربر را تحلیل کن و فقط JSON معتبر برگردان.هیچ توضیح اضافه‌ای خارج از JSON ننویس.فیلدهای خروجی:summary: خلاصه کوتاهcategory: یکی از مقادیر billing, technical, sales, otherpriority: یکی از مقادیر low, medium, highsentiment: یکی از مقادیر positive, neutral, negativeپیام:{{$json["message"]}}

ترکیب با نود IF برای تصمیم‌گیری خودکار

بعد از اینکه Gemini خروجی ساختاریافته تولید کرد، می‌توانید با نود IF یا Switch مسیر ورکفلو را تعیین کنید. مثلاً اگر priority برابر high بود، پیام به Slack ارسال شود و اگر low بود فقط در Google Sheets ثبت شود.

  • Google Gemini: تحلیل پیام و تعیین priority
  • IF: بررسی مقدار priority
  • Slack: ارسال هشدار برای موارد فوری
  • Google Sheets: ثبت همه پیام‌ها

ترکیب با AI Agent

در N8N می‌توان از Google Gemini به عنوان مدل زبانی برای AI Agent استفاده کرد. در این حالت، Gemini فقط پاسخ‌دهنده ساده نیست، بلکه به Agent کمک می‌کند تصمیم بگیرد از چه ابزارهایی استفاده کند.

  • AI Agent: مدیریت منطق تصمیم‌گیری
  • Google Gemini Chat Model: مدل زبانی Agent
  • Tools: ابزارهایی مثل Google Sheets، HTTP Request، Gmail یا Database

کاهش هزینه و افزایش سرعت

  • برای کارهای ساده مثل دسته‌بندی و خلاصه‌سازی کوتاه از مدل‌های سریع‌تر استفاده کنید.
  • متن‌های خیلی طولانی را قبل از ارسال خلاصه یا تکه‌تکه کنید.
  • در پرامپت از مدل بخواهید خروجی کوتاه و دقیق تولید کند.
  • Max Output Tokens را متناسب با نیاز تنظیم کنید.
  • در صورت پردازش تعداد زیادی آیتم، از Split In Batches برای کنترل حجم درخواست‌ها استفاده کنید.

اعتبارسنجی خروجی JSON

اگر از Gemini خروجی JSON می‌گیرید، بهتر است بعد از آن از نود Code یا Edit Fields برای بررسی ساختار خروجی استفاده کنید. مدل‌های زبانی گاهی ممکن است متن اضافه یا JSON ناقص تولید کنند.

{  "valid": true,  "data": {    "category": "technical",    "priority": "high"  }}

استفاده از حافظه در سناریوهای چت

برای چت‌بات‌ها، فقط ارسال آخرین پیام کاربر کافی نیست. بهتر است تاریخچه مکالمه در دیتابیس، Redis، Postgres، Google Sheets یا حافظه داخلی AI Agent ذخیره شود و همراه پیام جدید به Gemini ارسال شود.

محدودیت‌ها و خطاها

محدودیت‌های مهم

  • محدودیت توکن: هر مدل سقف مشخصی برای اندازه ورودی و خروجی دارد. متن‌های بسیار طولانی ممکن است کامل پردازش نشوند.
  • هزینه API: استفاده زیاد از مدل‌ها می‌تواند هزینه ایجاد کند، مخصوصاً در ورکفلوهای پرتکرار.
  • Rate Limit: گوگل برای تعداد درخواست‌ها در بازه زمانی مشخص محدودیت دارد.
  • احتمال خطای خروجی: مدل‌های زبانی همیشه خروجی کاملاً قطعی و بدون خطا تولید نمی‌کنند.
  • محدودیت محتوایی: بعضی درخواست‌ها ممکن است به دلیل سیاست‌های ایمنی گوگل مسدود شوند.
  • وابستگی به اینترنت و API خارجی: در صورت اختلال در سرویس گوگل یا شبکه، اجرای نود ممکن است ناموفق شود.

خطای Invalid API Key

این خطا زمانی رخ می‌دهد که API Key اشتباه، غیرفعال یا متعلق به پروژه‌ای باشد که دسترسی لازم به Gemini API ندارد.

  • API Key را دوباره از Google AI Studio یا Google Cloud بررسی کنید.
  • مطمئن شوید کلید در Credentials درست وارد شده است.
  • در صورت نیاز یک API Key جدید بسازید.

خطای Model Not Found

این خطا زمانی رخ می‌دهد که نام مدل اشتباه باشد یا مدل انتخاب‌شده در حساب شما فعال نباشد.

  • نام مدل را از لیست رسمی گوگل بررسی کنید.
  • از مدل‌های رایج و فعال در محیط N8N استفاده کنید.
  • اگر مدل جدیدی انتخاب کرده‌اید، مطمئن شوید API حساب شما از آن پشتیبانی می‌کند.

خطای Rate Limit یا Too Many Requests

این خطا به دلیل ارسال تعداد زیاد درخواست در زمان کوتاه رخ می‌دهد.

  • از نود Wait بین درخواست‌ها استفاده کنید.
  • پردازش داده‌ها را با Split In Batches کنترل کنید.
  • در صورت نیاز سطح دسترسی یا پلن API را ارتقا دهید.

خطای خروجی ناقص یا قطع‌شده

اگر پاسخ Gemini ناگهان قطع شود، معمولاً مقدار Max Output Tokens کم است یا ورودی بیش از حد طولانی است.

  • Max Output Tokens را افزایش دهید.
  • متن ورودی را کوتاه‌تر کنید.
  • از مدل بخواهید پاسخ خلاصه‌تر تولید کند.

خطای JSON نامعتبر

در سناریوهایی که از Gemini خروجی JSON می‌خواهید، ممکن است مدل متن اضافه یا ساختار نامعتبر تولید کند.

  • در پرامپت بنویسید: فقط JSON معتبر برگردان و هیچ متن اضافه‌ای ننویس.
  • Temperature را کاهش دهید.
  • در صورت امکان Response Format را روی JSON قرار دهید.
  • با نود Code خروجی را اعتبارسنجی و اصلاح کنید.

خطاهای مرتبط با محتوای مسدودشده

گاهی Gemini به دلیل تنظیمات Safety یا سیاست‌های محتوایی از پاسخ دادن خودداری می‌کند.

  • متن ورودی را بررسی و شفاف‌تر کنید.
  • از ارسال محتوای حساس، خطرناک یا مبهم خودداری کنید.
  • در موارد مجاز، تنظیمات Safety را متناسب با کاربرد تغییر دهید.

ایده ها

  • دستیار هوشمند مدیریت ایمیل: دریافت ایمیل‌ها، خلاصه‌سازی، تشخیص فوریت و ارسال موارد مهم به مدیر یا تیم پشتیبانی.
  • سیستم تولید محتوای خودکار: خواندن لیست موضوعات از Google Sheets و تولید کپشن، عنوان، توضیح محصول یا پست وبلاگ با کمک Gemini.
  • تحلیل خودکار فرم‌های سایت: دریافت پیام‌های فرم تماس، تشخیص نوع درخواست و ارسال آن به واحد مناسب.
  • چت‌بات آموزشی: پاسخ‌گویی به سوالات کاربران در تلگرام یا وب‌سایت بر اساس قوانین و محتوای آموزشی مشخص.
  • استخراج اطلاعات از متن‌های نامنظم: تبدیل پیام‌های طولانی مشتریان به داده‌های ساختاریافته مثل نام، شماره تماس، محصول، شهر و اولویت.

منابع و مستندات اصلی

دسته بندی: N8N برچسب ها:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پانزده − دو =