اتصال n8n به ChatGPT و مدل‌های هوش مصنوعی: راهنمای عملی ۲۰۲۶

دسته‌بندی: هوش مصنوعی | اتوماسیون پیشرفته | ChatGPT
زمان مطالعه: حدود ۱۲ دقیقه
سطح: متوسط
پیش‌نیاز: آشنایی اولیه با n8n — اگر تازه‌وارد هستید، ابتدا مقاله n8n چیست؟ راهنمای جامع اتوماسیون بدون کد را بخوانید.

مقدمه: وقتی اتوماسیون با هوش مصنوعی ترکیب می‌شود

اتوماسیون سنتی قوانین ثابت دارد: «اگر X اتفاق افتاد، Y کار را انجام بده.» این رویکرد برای بسیاری از فرآیندها کافی است — اما در دنیای واقعی، داده‌ها پیچیده‌اند، متن‌ها مبهم‌اند و تصمیم‌گیری نیاز به درک معنا دارد، نه فقط تطابق الگو.

اینجاست که ترکیب n8n + مدل‌های هوش مصنوعی همه چیز را تغییر می‌دهد. با متصل کردن n8n به OpenAI یا سایر مدل‌های زبانی بزرگ (LLM)، Workflowهای شما دیگر فقط «قوانین اجرا می‌کنند» — آن‌ها فکر می‌کنند، تحلیل می‌کنند و تصمیم می‌گیرند.

در این مقاله از آکادمی تک، چهار کاربرد کاملاً عملی را با کد و ساختار Workflow کامل یاد می‌گیرید:

۱. راه‌اندازی OpenAI API در n8n ۲. ساخت Chatbot تلگرامی هوشمند با GPT-4 ۳. سیستم تحلیل و دسته‌بندی خودکار ایمیل‌ها ۴. موتور خلاصه‌سازی اتوماتیک اسناد

بخش اول: راه‌اندازی OpenAI API در n8n

دریافت API Key از OpenAI

قبل از هر کاری، باید یک API Key معتبر از OpenAI داشته باشید.

مراحل دریافت API Key:

۱. به آدرس platform.openai.com بروید ۲. یک اکانت بسازید یا وارد شوید ۳. از منوی سمت چپ روی API Keys کلیک کنید ۴. روی Create new secret key کلیک کنید ۵. یک نام توصیفی بگذارید (مثلاً: n8n-production) ۶. API Key را کپی کنید — این تنها باری است که نمایش داده می‌شود

هشدار مهم: API Key را در هیچ جایی به‌صورت متن ساده ذخیره نکنید. در n8n همیشه از بخش Credentials برای نگهداری آن استفاده کنید.

تعریف Credential در n8n

۱. در n8n به Settings → Credentials بروید ۲. روی Add Credential کلیک کنید ۳. «OpenAI» را جستجو کنید ۴. API Key را در فیلد مربوطه وارد کنید ۵. روی Save کلیک کنید

آشنایی با OpenAI Node در n8n

n8n یک Node اختصاصی برای OpenAI دارد که بدون نیاز به کدنویسی، امکان ارسال درخواست به مدل‌های مختلف را فراهم می‌کند.

پارامترهای اصلی OpenAI Node:

انتخاب درست مدل OpenAI

یکی از سوالات رایج این است که از کدام مدل استفاده کنیم. این جدول کمک می‌کند:

توصیه عملی: برای اکثر Workflowهای تجاری، gpt-4o-mini بهترین تعادل بین کیفیت و هزینه را دارد.

بخش دوم: ساخت Chatbot تلگرامی با GPT-4

این بخش یکی از پرکاربردترین پروژه‌های n8n + AI است: یک Chatbot تلگرامی که با هوش مصنوعی پاسخ می‌دهد، حافظه مکالمه دارد و می‌تواند به سوالات تخصصی کسب‌وکار شما جواب دهد.

معماری کلی Chatbot

[Telegram Trigger] 
       ↓
[کاربر چه گفت؟]
       ↓
[بازیابی تاریخچه مکالمه از حافظه]
       ↓
[ارسال به OpenAI با System Prompt تخصصی]
       ↓
[دریافت پاسخ]
       ↓
[ذخیره مکالمه در حافظه]
       ↓
[ارسال پاسخ به تلگرام]

مرحله ۱: ساخت Bot تلگرامی

۱. در تلگرام با @BotFather چت کنید ۲. دستور /newbot را ارسال کنید ۳. یک نام و Username برای Bot انتخاب کنید ۴. Token دریافتی را کپی کنید ۵. در n8n، یک Credential جدید از نوع Telegram بسازید و Token را وارد کنید

مرحله ۲: تنظیم Telegram Trigger Node

این Node پیام‌های ورودی به Bot را دریافت می‌کند.

تنظیمات:

• Credential: Telegram Bot اضافه‌شده
• Updates: message را انتخاب کنید
• Additional Fields → Chat ID: خالی بگذارید (تمام پیام‌ها را دریافت می‌کند)

مرحله ۳: مدیریت حافظه مکالمه

یکی از چالش‌های اصلی Chatbot این است که مدل‌های زبانی «حافظه» ندارند — هر بار که درخواست می‌فرستید، متن قبلی را نمی‌داند. راه‌حل: ذخیره تاریخچه مکالمه در یک ساختار داده و ارسال آن در هر درخواست.

استفاده از Static Data در n8n برای حافظه:

// Code Node - خواندن تاریخچه
const chatId = $('Telegram Trigger').item.json.message.chat.id.toString();
const workflowStaticData = $getWorkflowStaticData('global');

if (!workflowStaticData.conversations) {
  workflowStaticData.conversations = {};
}

if (!workflowStaticData.conversations[chatId]) {
  workflowStaticData.conversations[chatId] = [];
}

const history = workflowStaticData.conversations[chatId];
const userMessage = $('Telegram Trigger').item.json.message.text;

// ساخت آرایه پیام‌ها برای OpenAI
const messages = [
  {
    role: 'system',
    content: `شما یک دستیار هوشمند برای آکادمی تک هستید. 
    در حوزه فناوری، برنامه‌نویسی و اتوماسیون متخصص هستید.
    پاسخ‌ها را به فارسی و به‌صورت مختصر و مفید بدهید.`
  },
  ...history.slice(-6), // فقط ۶ پیام آخر برای کنترل هزینه
  {
    role: 'user',
    content: userMessage
  }
];

return [{ json: { messages, chatId, userMessage } }];

مرحله ۴: ارسال به OpenAI

OpenAI Node — تنظیمات:

• Resource: Chat
• Operation: Message a Model
• Model: gpt-4o-mini
• Messages: از Expression استفاده کنید: {{ $json.messages }}
• Temperature: 0.7
• Max Tokens: 500

مرحله ۵: ذخیره پاسخ و ارسال به تلگرام

// Code Node - ذخیره مکالمه
const chatId = $('Code - Read History').item.json.chatId;
const userMessage = $('Code - Read History').item.json.userMessage;
const assistantReply = $('OpenAI').item.json.message.content;

const workflowStaticData = $getWorkflowStaticData('global');

// اضافه کردن پیام کاربر و پاسخ AI به تاریخچه
workflowStaticData.conversations[chatId].push(
  { role: 'user', content: userMessage },
  { role: 'assistant', content: assistantReply }
);

// نگه داشتن حداکثر ۲۰ پیام
if (workflowStaticData.conversations[chatId].length > 20) {
  workflowStaticData.conversations[chatId] = 
    workflowStaticData.conversations[chatId].slice(-20);
}

return [{ json: { reply: assistantReply, chatId } }];

Telegram Node (ارسال پیام):

• Operation: Send Message
• Chat ID: {{ $json.chatId }}
• Text: {{ $json.reply }}

قابلیت‌های پیشرفته‌تر Chatbot

دستورات خاص (/start, /reset, /help):

// Code Node - پردازش دستورات
const text = $('Telegram Trigger').item.json.message.text;

if (text === '/start') {
  return [{ json: { 
    isCommand: true, 
    reply: '👋 سلام! من دستیار هوشمند آکادمی تک هستم. چطور می‌توانم کمکتان کنم؟' 
  }}];
}

if (text === '/reset') {
  const chatId = $('Telegram Trigger').item.json.message.chat.id.toString();
  const workflowStaticData = $getWorkflowStaticData('global');
  workflowStaticData.conversations[chatId] = [];
  return [{ json: { 
    isCommand: true, 
    reply: '🔄 حافظه مکالمه پاک شد. از نو شروع کنیم!' 
  }}];
}

return [{ json: { isCommand: false, text } }];

ایده کاربردی: می‌توانید System Prompt را با اطلاعات محصولات، FAQ یا سیاست‌های شرکت خود تنظیم کنید تا یک پشتیبانی مشتری هوشمند ۲۴/۷ داشته باشید.

بخش سوم: تحلیل خودکار ایمیل‌ها با هوش مصنوعی

یکی از وقت‌برترین کارهای روزانه در هر کسب‌وکار، بررسی و دسته‌بندی ایمیل‌هاست. با ترکیب n8n و OpenAI می‌توان این فرآیند را کاملاً خودکار کرد — نه فقط فیلتر کردن بر اساس کلمات کلیدی، بلکه درک معنایی محتوای ایمیل.

معماری سیستم تحلیل ایمیل

[Gmail Trigger: ایمیل جدید]
       ↓
[استخراج متن، فرستنده، موضوع]
       ↓
[OpenAI: تحلیل و دسته‌بندی]
       ↓
[تشخیص: نوع ایمیل + اولویت + احساسات + اقدام لازم]
       ↓
   ┌───────────────────────┐
   ↓           ↓           ↓
[لید فروش] [پشتیبانی] [اسپم/نامربوط]
   ↓           ↓
[CRM]     [تیکت‌سازی]

Prompt طراحی‌شده برای تحلیل ایمیل

طراحی Prompt مناسب، قلب این سیستم است. در اینجا یک Prompt آماده‌شده برای تحلیل ایمیل ارائه می‌دهیم:

System Prompt:

شما یک سیستم هوشمند تحلیل ایمیل برای یک کسب‌وکار فناوری هستید.
وظیفه شما تحلیل دقیق ایمیل‌های ورودی و استخراج اطلاعات ساختاریافته است.
پاسخ شما باید دقیقاً به صورت JSON و بدون هیچ متن اضافه‌ای باشد.

User Prompt (با Expression n8n):

ایمیل زیر را تحلیل کن:

فرستنده: {{ $('Gmail Trigger').item.json.from }}
موضوع: {{ $('Gmail Trigger').item.json.subject }}
متن: {{ $('Gmail Trigger').item.json.text.substring(0, 2000) }}

JSON خروجی باید این فیلدها را داشته باشد:
{
  "category": "sales_lead | support | partnership | spam | invoice | other",
  "priority": "urgent | high | normal | low",
  "sentiment": "positive | neutral | negative | angry",
  "summary": "خلاصه یک جمله‌ای ایمیل به فارسی",
  "required_action": "اقدام لازم به فارسی",
  "requires_human_review": true | false,
  "estimated_response_time": "فوری | ۲ ساعت | ۲۴ ساعت | نیازی نیست",
  "extracted_contact": {
    "name": "نام فرستنده اگر در متن بود",
    "phone": "شماره تلفن اگر موجود بود",
    "company": "شرکت اگر موجود بود"
  }
}

پردازش JSON خروجی در n8n

// Code Node - پردازش پاسخ OpenAI
const rawResponse = $('OpenAI').item.json.message.content;

let analysis;
try {
  // پاک کردن احتمالی backtick‌های markdown
  const cleanJson = rawResponse.replace(/```json\n?|\n?```/g, '').trim();
  analysis = JSON.parse(cleanJson);
} catch (e) {
  // اگر JSON معتبر نبود، مقادیر پیش‌فرض برگردان
  analysis = {
    category: 'other',
    priority: 'normal',
    sentiment: 'neutral',
    summary: 'خطا در تحلیل',
    requires_human_review: true
  };
}

return [{ json: { 
  ...analysis,
  original_subject: $('Gmail Trigger').item.json.subject,
  original_from: $('Gmail Trigger').item.json.from,
  email_id: $('Gmail Trigger').item.json.id
}]};

مسیرهای IF بر اساس دسته‌بندی

پس از تحلیل، می‌توان با Switch Node مسیرهای مختلف تعریف کرد:

Switch Node — شرط‌ها:

• {{ $json.category === 'sales_lead' }} → اضافه کردن به CRM + اطلاع به تیم فروش
• {{ $json.category === 'support' }} → ایجاد تیکت در Zendesk/Freshdesk
• {{ $json.priority === 'urgent' }} → ارسال پیام فوری به تلگرام مدیر
• {{ $json.category === 'spam' }} → آرشیو خودکار در Gmail

اتوماسیون پاسخ اولیه هوشمند

برای ایمیل‌هایی که نیاز به پاسخ دارند اما نه فوری، می‌توان یک پاسخ اولیه خودکار ارسال کرد:

// تولید پاسخ اولیه با OpenAI
const systemPrompt = `شما یک دستیار حرفه‌ای هستید که پاسخ‌های اولیه ایمیل را می‌نویسید.
پاسخ باید:
- کوتاه و حرفه‌ای باشد (حداکثر ۳ پاراگراف)
- دریافت ایمیل را تأیید کند
- زمان تقریبی پاسخ کامل را اعلام کند
- به فارسی باشد`;

// این prompt به OpenAI ارسال می‌شود

بخش چهارم: خلاصه‌سازی اتوماتیک اسناد

خلاصه‌سازی اسناد طولانی — گزارش‌های مالی، پروپوزال‌های تجاری، قراردادها، مقالات تحقیقاتی — یکی از کاربردهای پرطرفدار هوش مصنوعی است. با n8n می‌توانید این فرآیند را کاملاً خودکار کنید.

سناریوهای رایج خلاصه‌سازی

Workflow خلاصه‌سازی اسناد Google Drive

معماری:

[Google Drive Trigger: فایل جدید در پوشه مشخص]
       ↓
[Google Docs Node: استخراج متن]
       ↓
[Code: تقسیم متن به چانک‌های ۳۰۰۰ کلمه‌ای]
       ↓
[OpenAI: خلاصه هر چانک به‌صورت جداگانه]
       ↓
[Code: ترکیب خلاصه‌ها]
       ↓
[OpenAI: خلاصه نهایی از خلاصه‌ها]
       ↓
[Google Docs: ایجاد سند خلاصه]
       ↓
[Slack/Telegram: اطلاع‌رسانی]

چالش اصلی: محدودیت Context Window

مدل‌های OpenAI محدودیت Context Window دارند — یعنی نمی‌توانید یک سند ۵۰ صفحه‌ای را یک‌جا ارسال کنید. راه‌حل استفاده از تکنیک Map-Reduce است:

// Code Node - تقسیم متن به چانک
const fullText = $('Google Docs').item.json.body.content
  .map(block => block.paragraph?.elements?.map(el => el.textRun?.content).join('') || '')
  .join('');

const chunkSize = 3000; // کلمه
const words = fullText.split(' ');
const chunks = [];

for (let i = 0; i < words.length; i += chunkSize) {
  chunks.push({
    json: {
      chunk_index: Math.floor(i / chunkSize) + 1,
      total_chunks: Math.ceil(words.length / chunkSize),
      text: words.slice(i, i + chunkSize).join(' '),
      document_title: $('Google Drive Trigger').item.json.name
    }
  });
}

return chunks;

Prompt خلاصه‌سازی با حفظ ساختار

شما یک متخصص خلاصه‌نویسی حرفه‌ای هستید.
این بخش {{ $json.chunk_index }} از {{ $json.total_chunks }} بخش سند "{{ $json.document_title }}" است.

متن:
{{ $json.text }}

خروجی را به این صورت بنویس:
**نکات اصلی این بخش:**
- [نکته ۱]
- [نکته ۲]
- [نکته ۳]

**اعداد و آمار مهم:** [اگر وجود دارد]

**اقدامات یا تصمیمات مطرح‌شده:** [اگر وجود دارد]

Prompt خلاصه نهایی (Reduce مرحله)

// Code Node - ترکیب خلاصه بخش‌ها
const allSummaries = $input.all().map((item, index) => 
  `=== بخش ${index + 1} ===\n${item.json.message.content}`
).join('\n\n');

return [{
  json: {
    combined_summaries: allSummaries,
    document_title: $('Google Drive Trigger').first().json.name
  }
}];

Prompt نهایی برای OpenAI:

بر اساس خلاصه‌های بخش‌های مختلف سند "{{ $json.document_title }}"، 
یک خلاصه اجرایی جامع بنویس که شامل موارد زیر باشد:

۱. **موضوع اصلی سند** (یک پاراگراف)
۲. **یافته‌ها یا نکات کلیدی** (۵ تا ۷ مورد)
۳. **اعداد و آمار مهم** (اگر وجود دارد)
۴. **اقدامات پیشنهادی یا تصمیمات** (اگر وجود دارد)
۵. **نتیجه‌گیری** (یک پاراگراف)

خلاصه‌های بخش‌ها:
{{ $json.combined_summaries }}

پردازش فایل‌های PDF

برای خلاصه‌سازی PDF‌ها، باید یک مرحله تبدیل اضافه کنید:

// Code Node - استخراج متن از PDF با HTTP Request
// ابتدا فایل PDF را از Google Drive دانلود کنید
// سپس از یک سرویس OCR یا Extract API استفاده کنید

// روش ساده: استفاده از pdf-parse در Function Node
// (نیاز به نصب پکیج دارد در نسخه Self-hosted)

const pdfBuffer = Buffer.from($binary.data, 'base64');
// پردازش با کتابخانه PDF

نکته Self-hosted: در نسخه Self-hosted n8n، می‌توانید پکیج‌های npm را در Code Node استفاده کنید — این یکی از مزایای کلیدی n8n نسبت به ابزارهای Cloud است که در مقاله n8n چیست؟ راهنمای جامع اتوماسیون بدون کد توضیح داده شده است.

مدیریت هزینه‌های OpenAI API

استفاده از AI API هزینه‌ای دارد که باید مدیریت شود. در اینجا چند استراتژی عملی ارائه می‌دهیم:

۱. محدود کردن طول ورودی

همیشه متن ورودی را قبل از ارسال به OpenAI کوتاه کنید:

// Code Node
const text = $('Gmail Trigger').item.json.text;
const maxChars = 4000; // معادل حدود ۱۰۰۰ توکن
return [{ json: { truncated_text: text.substring(0, maxChars) } }];

۲. کش کردن نتایج

اگر یک متن مشابه چندین بار پردازش می‌شود، نتیجه را در Google Sheets یا یک دیتابیس ذخیره کنید:

[دریافت ورودی] → [بررسی در کش] 
                    ↓ موجود است؟
                  بله → [بازگرداندن نتیجه کش]
                  خیر → [ارسال به OpenAI] → [ذخیره در کش]

۳. انتخاب مدل بر اساس وظیفه

۴. تنظیم Rate Limiting در n8n

برای جلوگیری از هزینه‌های ناخواسته، از Rate Limiting استفاده کنید:

• در Workflow Trigger، یک Wait Node اضافه کنید تا بین درخواست‌ها فاصله باشد
• از IF Node برای فیلتر کردن ایمیل‌های نامربوط قبل از ارسال به OpenAI استفاده کنید

استفاده از مدل‌های AI دیگر در n8n

n8n فقط به OpenAI محدود نیست. در اینجا گزینه‌های دیگر را معرفی می‌کنیم:

Anthropic Claude در n8n

از طریق HTTP Request Node:

{
  "method": "POST",
  "url": "https://api.anthropic.com/v1/messages",
  "headers": {
    "x-api-key": "{{ $credentials.anthropicApiKey }}",
    "anthropic-version": "2023-06-01",
    "content-type": "application/json"
  },
  "body": {
    "model": "claude-sonnet-4-20250514",
    "max_tokens": 1024,
    "messages": [
      { "role": "user", "content": "{{ $json.prompt }}" }
    ]
  }
}

Google Gemini در n8n

n8n یک Node اختصاصی برای Google Gemini دارد. برای استفاده: ۱. API Key از Google AI Studio دریافت کنید ۲. Credential جدید از نوع Google Gemini بسازید ۳. از Google Gemini Node در Workflow استفاده کنید

مدل‌های محلی (Ollama)

برای کسانی که می‌خواهند کاملاً آفلاین و بدون هزینه از AI استفاده کنند، Ollama بهترین گزینه است:

// HTTP Request به Ollama (نصب محلی)
{
  "method": "POST",
  "url": "http://localhost:11434/api/generate",
  "body": {
    "model": "llama3",
    "prompt": "{{ $json.text }}",
    "stream": false
  }
}

مزیت کلیدی: مدل‌های محلی داده‌های شما را به سرورهای خارجی نمی‌فرستند — ایده‌آل برای داده‌های حساس.

بهترین شیوه‌ها برای Workflow‌های AI

۱. همیشه خروجی AI را Validate کنید:
مدل‌های زبانی گاهی خطا می‌کنند یا JSON معتبر برنمی‌گردانند. همیشه یک try/catch داشته باشید.

۲. از Fallback استفاده کنید:
اگر OpenAI پاسخ ندهد یا خطا برگرداند، یک مسیر جایگزین تعریف کنید (مثلاً: ثبت در صف برای بررسی دستی).

۳. Log کردن همه چیز:
تمام درخواست‌ها و پاسخ‌های AI را در Google Sheets یا یک دیتابیس ذخیره کنید — هم برای دیباگ، هم برای آنالیز هزینه.

۴. Human in the Loop برای تصمیمات مهم:
برای اقداماتی که تأثیر مستقیم دارند (مثل پاسخ‌دهی به مشتریان مهم)، همیشه یک مرحله تأیید انسانی قرار دهید.

۵. Temperature را بر اساس نیاز تنظیم کنید:

• دسته‌بندی و تحلیل: Temperature = 0 (قطعی)
• خلاصه‌سازی: Temperature = 0.3 (کمی خلاقیت)
• تولید محتوا: Temperature = 0.7-1 (خلاقانه)

سوالات متداول (FAQ)

آیا استفاده از OpenAI API در ایران ممکن است؟
دسترسی مستقیم از ایران به OpenAI API محدود است. برای نسخه Self-hosted n8n روی سرور خارج از ایران، این محدودیت وجود ندارد. همچنین می‌توان از پروکسی یا سرویس‌های واسط استفاده کرد.

هزینه ماهانه استفاده از OpenAI API چقدر است؟
بستگی به حجم استفاده دارد. برای یک کسب‌وکار کوچک با ۱۰۰۰ درخواست در ماه با gpt-4o-mini، هزینه معمولاً کمتر از ۵ دلار است.

آیا می‌توان داده‌های فارسی را به OpenAI ارسال کرد؟
بله، مدل‌های OpenAI فارسی را کاملاً پشتیبانی می‌کنند. gpt-4o کیفیت بهتری در فارسی نسبت به gpt-3.5-turbo دارد.

چطور از هزینه‌های ناخواسته API جلوگیری کنم؟
در داشبورد OpenAI یک سقف هزینه (Usage Limit) تنظیم کنید. همچنین با استفاده از IF Node در n8n، فقط ایمیل‌ها یا داده‌های واقعاً لازم را به AI ارسال کنید.

آیا می‌توان فایل‌های صوتی را هم با n8n + OpenAI پردازش کرد؟
بله، OpenAI یک API تبدیل گفتار به متن (Whisper) دارد که می‌توان از طریق HTTP Request Node در n8n استفاده کرد.

جمع‌بندی

ترکیب n8n با ChatGPT و سایر مدل‌های هوش مصنوعی، یک تحول واقعی در اتوماسیون کسب‌وکار ایجاد می‌کند. دیگر نیازی نیست بین «خودکارسازی ساده» و «هوشمندی واقعی» انتخاب کنید — n8n هر دو را به شما می‌دهد.

در این مقاله چهار کاربرد اصلی را پوشش دادیم:

• راه‌اندازی OpenAI API — پایه هر Workflow هوشمند
• Chatbot تلگرامی با حافظه — پشتیبانی مشتری ۲۴/۷
• تحلیل هوشمند ایمیل — صرفه‌جویی ساعت‌ها در روز
• خلاصه‌سازی اسناد — مدیریت اطلاعات در مقیاس

اگر هنوز با مفاهیم پایه n8n آشنا نیستید، توصیه می‌کنیم ابتدا مقاله n8n چیست؟ راهنمای جامع اتوماسیون بدون کد را مطالعه کنید و سپس به این مقاله بازگردید.

منابع مرتبط

• مستندات رسمی OpenAI Node در n8n
• OpenAI API Reference
• کتابخانه Workflow‌های AI در n8n
• Ollama — مدل‌های AI محلی

نویسنده: تیم آکادمی تک
آخرین به‌روزرسانی: ۱۴۰۵
دسته‌بندی: هوش مصنوعی، اتوماسیون، ChatGPT
برچسب‌ها: n8n، ChatGPT، OpenAI API، Chatbot تلگرام، تحلیل ایمیل، خلاصه‌سازی، هوش مصنوعی، اتوماسیون هوشمند، GPT-4، LLM

سوالی دارید یا می‌خواهید یک Workflow اختصاصی برای کسب‌وکارتان بسازید؟ در بخش نظرات بنویسید — تیم آکادمی تک پاسخگوی شماست.