N8N Daily Email Insight Gerador

n8n and Bright Challenge: Unstoppable Workflow Submission for the AI ​​Agents Challenge powered by n8n and Bright DataOwner: Matheus Santos — Version 0.2Timeline: Aug 24, 2025 → Aug 31, 2025Status: Completed (prototype) Overview I built an n8n workflow that automatically ingests new emails, classifies and prioritizes them with an LLM (Gemini), enriches results using Bright Data Os conjuntos de dados do Marketplace e escrevem entradas concisas e acionáveis ​​em uma planilha do Google. O fluxo de trabalho é executado em um cronograma (três vezes/dia) e produz uma folha de “insights de email” que as equipes podem usar para triagem, rastreamento e acompanhamento. O que eu construí uma automação de estilo de produção que retira e-mails via IMAP, limpa e normaliza cargas úteis de mensagens, classifica o tópico e a prioridade com um modelo de bate-papo, enriquece a classificação com pesquisas de dados do mercado de dados brilhantes, constatam-se de dados, que não se destacam. Requisito de chave atendido: o fluxo de trabalho usa os nós do modelo de AI/bate -papo da N8N e os nó (s) de dados brilhantes (s) (ambos usados ​​como parte do enriquecimento e da cadeia de ferramentas). Demoção e fluxo de trabalho ao vivo Se você quiser experimentá -lo rapidamente: importe o fluxo de trabalho JSON para sua instância N8N, configure o IMAP, os dados brilhantes, os Gemini e o Google Sheets Credenciais e execute um email de teste. Por que isso é útil economiza tempo transformando o ruído da caixa de entrada em itens de ação e evidências. Correio crítico de negócios da superfície (investimento, cobrança, solicitações de clientes) com uma política de triagem consistente. Fornece proveniência: as correspondências do conjunto de dados brilhantes são registradas para que você possa verificar o contexto do remetente/empresa. Facilmente extensível: adicione mais fontes de enriquecimento, integrações de tarefas (asana/trello) ou painéis. Arquitetura (alto nível)

[Email Provider/IMAP Trigger]
↓
[Email Cleaning Function] (Extract Snippet, de, a data, sujeito) ↓
[Chat Model: Classify (Gemini)] → (Validar e limpo) ↓
[Branch A: Prepare Bright Data queries]
↓
[Bright Data: List Datasets / Marketplace Lookups] → [Clean results]
↓
[Merge: classification + enrichment]
↓
[Chat Model: Final enrichment / summarize (Gemini) — may call Bright Data as a tool]
↓
[Final Cleaning function]
↓
[Chat Model → Google Sheets op generator]
↓
[Google Sheets: Tasks, DatasetMatches, EmailActions]

Digite o modo de tela cheia de saída de tela completa Implementação técnica IMAP Email Trigger – assiste a caixa de entrada para novas mensagens. Nó da função – Limpeza de conteúdo de email – normaliza a carga útil bruta para {conteúdo, de, para sujeito, datas}. Modelo de bate -papo (Gêmeos) – categoriza – O Prompt classifica o email em uma das categorias e atribui prioridade (alta / média / baixa). A saída é JSON estrita (a análise a jusante é confiável). Limpeza de saída – a função remove cercas/caracteres extras da saída do modelo. Preparação de Decisão e Enriquecimento – Um LLM verifica se a classificação tem sinais suficientes; Caso contrário, sugere consultas de dados brilhantes (domínios, palavras -chave). Dados brilhantes – Marketplace (DataSets de lista) – Usa consultas sugeridas para recuperar conjuntos de dados para validar ou enriquecer a classificação. Limpeza de enriquecimento – a função tira campos desnecessários (IDs) e normaliza os objetos do conjunto de dados. Merge – combina a classificação JSON com os resultados do conjunto de dados. Resumo final (Gêmeos) – Produz resumo final, ações recomendadas e tarefas do Google Sheets. Operações do Google Sheets – Um nó ou função do modelo de bate -papo final mapeia o JSON final para anexar/atualizar linhas em tarefas, dados de dados e e -mails. Exemplo do que o fluxo de trabalho grava (Exemplo JSON) {“Category”: “Investment”, “Priority”: “High”, “Confiança”: 0,92, “Resumo”: “OLITEF 2025 Fechando em breve o Programa de Educação de Investimentos de Tesouro; [“sender domain: tesourodireto.com”, “contains ‘Inscrições’ and deadline-like phrase”]”sugerido_enrichments”: [
{ “type”: “domain_lookup”, “query”: “tesourodireto.com”, “purpose”: “verify official sender” },
{ “type”: “web_search”, “query”: “OLITEF 2025 Tesouro Direto inscrições”, “purpose”: “confirm deadline” }
]”Ações”: [
{ “type”:”label”,”detail”:”Investment,High”,”urgency”:”immediate” },
{ “type”:”create_task”,”detail”:”Review OLITEF registration page”,”urgency”:”routine” }
]
} Digite Modo de tela Full Screen Sair Modo de tela cheia Uso de dados brilhantes (o que eu fiz) Marketplace / List DataSets – Consulta para perfis, notícias e instantâneos da Web que correspondem a domínios / palavras -chave inferidas de e -mails. Uso da ferramenta Inside LLM-O LLM pode solicitar dados brilhantes como uma ferramenta de verificação para e-mails de baixa confiança ou classe de investimento. Por que isso importa: dados brilhantes adicionam sinais da web em tempo real (páginas da empresa, anúncios públicos) para reduzir os falsos positivos e aumentar a confiança do modelo. Como reproduzir /executar clone localmente repo e flows de importação /works /n8n categoriza a automação.json. Adicionar credenciais: IMAP, Gemini (ou outro LLM), dados brilhantes (nó verificado), folhas do Google, Slack (opcional). Ajuste as regras de prioridade (nó JSON/Set) para incluir seus remetentes e palavras-chave de alta prioridade. Execute o fluxo de trabalho manualmente ou ative o cronograma (a cada 8 horas → 3 ×/dia) e teste com mensagens de amostra. Exportar o Fluxo de Trabalho JSON & GIST Ao enviar. Desafios e aprendizagens Os avisos de ajuste é fundamental – instruções muito grandes ou conteúdo misto às vezes retornavam saída barulhenta; Resolvi isso aplicando saídas estritas de JSON e adicionando nós de limpeza. Bright Data Marketplace exigiu tentativa e exploração-a escolha dos filtros de conjunto de dados certos (abordagem de domínio primeiro ajuda). Fazer esse desafio foi incrível, foi a primeira vez que o N8N e os dados brilhantes e eu não poderia ficar mais impressionado com o poder dessas ferramentas juntos. Um dos desafios que enfrentei foi usar os nós do modelo de bate -papo, às vezes perguntei demais ou enviei um grande prompt e eles não retornaram informações ou saída úteis. Outro desafio foi aprender a usar dados brilhantes, como eu disse, usei isso, então não sabia o que fazer a princípio. 🙂 Estou muito feliz com o meu projeto, é claro que há coisas para melhorar, mas é um ótimo começo. Espero que este projeto ajude outra pessoa, sinta -se à vontade para alcançar e falar sobre isso. Não apenas isso, mas eu amo aprender, e esse é um tópico impressionante para falar! Links & Contact Repo: Contato do Repositório: Matheus Santos – fique à vontade para procurar perguntas ou colaboração!

Fonte