Статья от идеи до публикации — одним разговором

Вы пишете тему в чат, а сценарий ведёт материал через бриф, черновик и доводку, сохраняя каждый шаг в таблица, публикует после вашего одобрения по Mandrill и сообщает в okoCrm.

  • Весь путь материала — одним чатом
  • Каждый этап записан в таблицу
  • Публикация только после вашего одобрения
  • Уведомление об успехе в мессенджер
ChatGoogle Sheets Tool
Поставить себеScriptera

Как это работает

Чтобы данные из Mandrill автоматически попадали в okoCrm, достаточно готового сценария — без выгрузок руками.

  1. Запуск: Новое сообщение в чате
  2. Затем: Оркестрация AI-агента
  3. Затем: Форматировать данные для под-сценариев
  4. Проверка: Маршрутизатор намерений
  5. Если да — Форматировать полезную нагрузку намерения
  6. Затем: AI-агент (составитель чата)
  7. Затем: Логирование Chat Composer
  8. Затем: AI-агент (чат)
  9. Запуск: Ответить на вебхук
  10. Если нет — Форматировать полезную нагрузку брифов
  11. Затем: AI-агент (составитель брифа)1
  12. Затем: Логирование брифа
  13. Если нет — Форматировать полезную нагрузку черновиков
  14. Затем: AI-агент (написание черновика)
  15. Затем: Логирование черновика
  16. Если нет — Форматировать данные оптимизатора
  17. Затем: Оптимизатор AI-агента
  18. Затем: Логирование оптимизатора
  19. Если нет — Подготовить метаданные публикации
  20. Затем: AI-агент (публикатор)
  21. Затем: Логирование опубликованных данных
  22. Затем: Отправить контент на утверждение
  23. Проверка: Проверить статус утверждения
  24. Если да — Опубликовать получателю
  25. Если да — Отправить уведомление об успехе в Slack
  26. Если нет — Подготовить метаданные монитора
  27. Затем: AI-агент (мониторинг)
  28. Затем: Логирование данных мониторинга
  29. Затем: Парсер структурированного вывода1
  30. Затем: Простая память
  31. Затем: Получить оптимизированный черновик из таблицы
  32. Затем: Получить опубликованную версию из таблицы
  33. Затем: Получить метрики производительности
  34. Затем: Модель классификации контента
  35. Затем: Модель сводки аналитики
  36. Затем: Чат-модель OpenAI Monitor
  37. Затем: Краткосрочная память Monitor
  38. Затем: Парсер вывода (JSON) Monitor
  39. Затем: Чат-модель OpenAI Publisher
  40. Затем: Краткосрочная память Publisher
  41. Затем: Парсер вывода (JSON) Publisher
  42. Затем: Чат-модель OpenAI Optimizer
  43. Затем: Краткосрочная память Optimizer
  44. Затем: Получить контекст из Google Sheets (Optimizer)
  45. Затем: Парсер вывода (JSON) Optimizer
  46. Затем: Краткосрочная память Draft
  47. Затем: Получить контекст из Google Sheets (Draft)
  48. Затем: Парсер вывода (JSON) Draft
  49. Затем: Чат-модель OpenAI Brief
  50. Затем: Краткосрочная память Brief
  51. Затем: Получить контекст из Google Sheets (Brief)
  52. Затем: Парсер вывода (JSON) Brief
  53. Затем: Чат-модель OpenAI Chat Composer
  54. Затем: Краткосрочная память Chat Composer
  55. Затем: Получить строки из Google Sheets
  56. Затем: Парсер вывода (JSON) Chat Composer
  57. Затем: Чат-модель OpenAI
  58. Затем: Простая память чата
  59. Затем: Парсер структурированного вывода чата
  60. Затем: Получить ссылку из элементов контента
  61. Затем: Получить данные из версии контента
  62. Затем: Получить данные из логов конверсии

Настроить такую автоматизацию (Mandrill + okoCrm) можно в Scriptera — без кода: опишите задачу, остальное сделают за вас.

Похожие сценарии