Generuj artykuły bazy wiedzy za pomocą GPT i Perplexity AI dla Contentful CMS

O twórcach

Ten workflow został stworzony przez Varritech Technologies, innowacyjną agencję wykorzystującą sztuczną inteligencję do projektowania i dostarczania rozwiązań programistycznych 500% szybciej niż tradycyjne agencje. Z siedzibą w Nowym Jorku, specjalizują się w tworzeniu oprogramowania na zamówienie, aplikacjach internetowych i rozwiązaniach związanych z transformacją cyfrową.

Przegląd architektury

Ten workflow automatyzuje proces tworzenia strukturyzowanego artykułu do bazy wiedzy na podstawie prostego promptu:

• Chat Trigger → Odbiera żądanie użytkownika
• AI Drafting Loop → Generuje i udoskonala artykuł w formacie JSON
• Perplexity Research Call → Generuje szczegółową treść
• Editorial Loop → Do 3 iteracji poprawiających artykuł
• Contentful Publish → Publikuje finalny JSON w CMS

Szczegółowy opis węzłów

Przebieg workflow:

flowchart LR
  A[Webhook: Chat Trigger] --> B[AI Writer Agent]
  B --> C[HTTP Request: Perplexity Content]
  C --> D[Function: Format Output & Citations]
  D --> E[Loop Start: Initialize Count]
  E --> F[AI Editor Agent]
  F --> G{action == "rewrite"?}
  G -- yes --> H[Function: Merge Improvements]
  H --> I[Increment Count] --> F
  G -- no --> J[Stop Loop]
  J --> K[HTTP Request: Publish to Contentful]

Webhook: Chat Trigger

Typ: HTTP Webhook (POST /webhook/knowledge-article)

Przykładowy payload:

{ 
  "chatInput": "What topics should I write about?" 
}

Cel: Rozpoczyna workflow na podstawie promptu.

AI Writer Agent

Wejścia: chatInput lub istniejący JSON artykułu

Wyjścia:

{
  "title": "...",
  "slug": "...",
  "category.id": "...",
  "description": "...",
  "keywords": [...],
  "content": "...",
  "metaTitle": "...",
  "metaDescription": "...",
  "readingTime": 5,
  "difficulty": "intermediate"
}

Cel: Generuje szkielet artykułu (metadane + wstępna treść).

HTTP Request: Perplexity Content

Metoda: POST

URL: https://api.perplexity.ai/research

Body:

{
  "model": "sonar-deep-research",
  "query": "{{ $json.title }}",
  "length": 1000
}

Cel: Pobiera szczegółowo zbadaną treść do artykułu.

Function: Format Output & Citations

Logika:

• Parsuje odpowiedź z Perplexity
• Wyodrębnia źródła
• Dodaje je jako listę w formacie markdown

Editorial Loop

• Inicjalizuje licznik na 0
• AI Editor Agent czyta draft JSON i zwraca:
  • action: "rewrite" + improvements: [...]
  • lub action: "submit"
• Merge Improvements (jeśli rewrite) - stosuje sugerowane zmiany
• Limit Check - zatrzymuje się po 3 iteracjach lub na "submit"

HTTP Request: Publish to Contentful

Metoda: PUT

URL: https://cdn.contentful.com/spaces/{space}/environments/master/entries/{entryId}

Headers:

Authorization: Bearer <token>
Content-Type: application/vnd.contentful.management.v1+json

Body: Mapuje JSON na pola Contentful

Rezultat: Publikuje finalny artykuł.

Założenia projektowe i najlepsze praktyki

• Separacja odpowiedzialności - osobne agenty do pisania i edycji
• Idempotentny loop - licznik i flagi action zapobiegają nieskończonym powtórzeniom
• Rozszerzalność - możliwość łatwej zamiany API badawczych lub CMS
• Struktura JSON - zapewnia przewidywalne wejścia/wyjścia dla każdego węzła

Przykłady zastosowań

Ta automatyzacja może być wykorzystana w wielu scenariuszach związanych z tworzeniem i zarządzaniem treścią:

• Automatyczne generowanie artykułów do wewnętrznej bazy wiedzy
• Tworzenie dokumentacji technicznej na podstawie promptów
• Generowanie treści na bloga firmowego
• Przygotowywanie materiałów szkoleniowych
• Tworzenie FAQ i sekcji pomocy
• Generowanie opisów produktów
• Przygotowywanie treści marketingowych