Mehr Zeit fürs Wesentliche: Büroprozesse einfach digital steuern
No-Code- und Low-Code-Software macht individuelle Lösungen auch ohne Programmierkenntnisse möglich. Zahlreiche Anbieter am Markt bieten unterschiedliche Funktionen und Zugänge – jede Plattform hat eigene Vor- und Nachteile. Für zwei Anbieter (Langflow und N8N) bieten wir Ihnen auf unserer Seite beispielhafte "Flows" aus unserer Praxis.
Finden Sie die passende Lösung für Ihren Bedarf und profitieren Sie von mehr Effizienz in Ihrem Unternehmen. Falls Sie eine Idee haben, die bisher nicht aufgeführt ist, schreiben Sie uns gerne! Eventuell können wir Ihren Flow erstellen und mit der Community teilen.
Übersicht der Workflows:
Flow: Retrieval Augmented Generation
Das Tool erlaubt es Nutzer:innen, direkt über ein einfaches Formular Fragen zu spezifischen Dokumenten oder Wissensdatenbanken zu stellen. Der Prozess ist vollständig automatisiert: Frage eingeben, absenden, relevante Dokumente werden durchsucht und eine kontextbezogene Antwort wird generiert. Ideal für Kundenbetreuung, Dokumentation oder interne Wissenssysteme.
Voraussetzungen
- Der RAG-Workflow erfordert die n8n-Version 1.19.4 oder höher
- Eine dedizierte Datenbank wird empfohlen (z. B. PostgreSQL)
Der Datenbank-User muss volle Berechtigungen für Tabellen und Schemata haben - Einrichtung eines kompatiblen Vektorspeichers z. B.:
- Simple Vector Store (im Speicher, nicht persistent)
- MongoDB Atlas (mit Vector Search Index)
- Qdrant, Pinecone oder andere unterstützte Optionen - Der Vektorspeicher muss zu den Embedding-Modell-Dimensionen passen
- Zum Vektorspreocher kompatibles Embedding-Modell z.B.:
- text-embedding-ada-002 (schnell & kostengünstig)
- text-embedding-3-large (hohe Genauigkeit, teurer) - Dokumente müssen vor dem Einfügen in Abschnitte unterteilt werden, z.B. mit den folgenden Text splittern:
- Recursive Character Text Splitter (für Markdown/HTML/Code)
- Character oder Token Text Splitter - Mit Blick auf Systemumgebung & Ressourcen ist für große Dokumente oder lokale LLMs (z. B. via Ollama) sicherstellen, dass ausreichend RAM und schneller SSD-Speicher zur Verfügung stehen.
Was ist RAG (Retrieval-Augmented-Generation)?
Retrieval-Augmented Generation (RAG) ist eine Technik, die KI-Antworten verbessert, indem Sprachmodelle mit externen Datenquellen kombiniert werden. Anstatt sich ausschließlich auf die internen Trainingsdaten des Modells zu verlassen, rufen RAG-Systeme relevante Dokumente ab, um Antworten auf aktuelle, domänenspezifische oder proprietäre Informationen zu stützen. RAG-Workflows basieren in der Regel auf Vektorspeichern, um diese externen Daten effizient zu verwalten und zu durchsuchen.
Was ist ein Vektorspeicher?
Ein Vektorspeicher ist eine spezielle Datenbank, die zur Speicherung und Suche hochdimensionaler Vektoren entwickelt wurde: numerische Repräsentationen von Text, Bildern oder anderen Daten. Wenn Sie ein Dokument hochladen, zerlegt der Vektorspeicher es in Abschnitte und konvertiert jeden Abschnitt mithilfe eines Embedding-Modells in einen Vektor.
Sie können diese Vektoren mit Ähnlichkeitssuchen abfragen, die Ergebnisse basierend auf semantischer Bedeutung und nicht auf Schlüsselworttreffer erstellen. Dadurch sind Vektorspeicher eine leistungsstarke Grundlage für RAG und andere KI-Systeme, die große Wissensmengen abrufen und verarbeiten müssen.
Wie wähle ich das richtige Embedding-Modell aus?
Das richtige Embedding-Modell hängt vom Anwendungsfall ab.
Kleinere Modelle (z. B. text-embedding-ada-002) sind schneller und günstiger und daher ideal für kurze, allgemeine Dokumente oder einfache RAG-Workflows.
Größere Modelle (z. B. text-embedding-3-large) bieten ein besseres semantisches Verständnis. Diese eignen sich am besten für lange Dokumente, komplexe Themen oder wenn Genauigkeit entscheidend ist.
Was ist das beste Text-Splitting für meinen Anwendungsfall?
Das hängt stark von Ihren Daten ab:
Kleine Abschnitte (z. B. 200–500 Tokens) sind gut für eine feinere Granularität bei der Suche.
Größere Abschnitte enthalten mehr Kontext, können aber verwässert oder unübersichtlich werden.
Die richtige Überlappungsgröße ist wichtig, damit die KI den Kontext eines Abschnitts versteht. Deshalb kann es hilfreich sein, Markdown- oder Code-Block-Splitting zu verwenden, um die Abschnitte besser zu strukturieren.
Flow: Image Generator
Mit dem Flow "Image Generator" kann per Webformular eine Bildbeschreibung eingeben und automatisch ein KI-generiertes Bild erstellt werden. Der Flow verarbeitet die Anfrage, nutzt eine API zur Bildgenerierung (z. B. DALL·E), prüft das Ergebnis und liefert ein direktes Download-Erlebnis inklusive Base64-Daten oder Direktlink.
Das Tool erlaubt es Nutzer:innen, direkt über ein einfaches Formular ein Bild durch KI generieren zu lassen. Der Prozess ist vollständig automatisiert: Prompt eingeben, absenden, Bild wird erstellt und direkt angezeigt bzw. heruntergeladen. Ideal für kreative Prozesse, Prototyping oder Content-Erstellung.
Voraussetzungen
- n8n-Instanz mit aktivierter HTTP Request-Funktion
- API-Zugang für ein Bildgenerierungsmodell (z. B. OpenAI DALL·E)
- Header-basierte Authentifizierung hinterlegt in den n8n-Credentials
- Basiskenntnisse für einfache Formular-Integration
Installationsanleitung
- Importiere den Flow in deine n8n-Instanz
- Trage deine API-Zugangsdaten unter „Header Auth account“ ein
- Aktiviere den Flow
- Rufe die Formular-URL auf, gib eine Bildbeschreibung ein
- Nach erfolgreicher Verarbeitung wird das Bild automatisch generiert und zurückgegeben
- Lade das Bild direkt herunter oder kopiere den Base64-Code
Tipps
- Verwendung eines lokalen Text-to-Image-Modells über eigene API (sofern mit OpenAI API kompatibel)
- Anbindung an lokale Prompt-Optimierer oder LLMs zur Prompt-Generierung
Welche Bildmodelle können verwendet werden?
Der Flow ist flexibel – z. B. DALL·E, Stable Diffusion, Midjourney API
Kann ich die Bildgröße anpassen?
Ja, über die Parameter im Flow kann z. B. 1024x1024 gesetzt werden
Was passiert bei einem Fehler?
Der Flow fängt Fehler ab und gibt eine formatierte Fehlermeldung zurück
Gibt es ein Download-Link für die Bilder?
Ja, sowohl Base64 als auch direkter Bildlink sind verfügbar
Flow: YouTube-Analyse
Der Youtube Flow bietet die Möglichkeit, Statistiken zu Videos vom eigenen Youtube Account zu laden. Für die Zuordnung der Videos wird eine Video Id verwendet. Die Video ID kann in einem Google Spreadsheet hinterlegt und im Flow abgerufen werden. Dadurch können mit einem Trigger in bestimmten Intervallen (z.B. wöchentlich) die Statistiken der Videos abgerufen werden. Zusätzlich werden von den Videos die Kommentare geladen, die anschließend mithilfe eines Sprachmodells semantisch eingeordnet werden können. Der Flow liefert dadurch eine Auswertung der Kommentare und kann je nach Instruktionen des Sprachmodells auch Empfehlungen für zukünftigen Content aussprechen. Das Ergebnis kann per Email verschickt werden oder mit einer Datenbank Node gespeichert werden.
N8N ist zwar imstande .html-Skripte zu erstellen, bietet derzeitig aber keine Möglichkeit diese darzustellen. Eine Darstellung als Dashboard entfällt dadurch. Unsere Empfehlung sollte ein Dashboard benötigt werden, speichern Sie die Daten in einer Datenbank und erstellen Sie daraus ein Dashboard.
Voraussetzungen
- n8n-Version und Plattform
– Erfordert n8n-Version 1.19.4 oder höher
– Unterstützt in n8n Cloud oder self-hosted Instanzen - Datenbank
– Eine dedizierte Datenbank wird empfohlen (z. B. PostgreSQL)
– Der Datenbank-User muss volle Berechtigungen für Tabellen und Schemas haben - Systemumgebung & Ressourcen
– n8n ist ressourcenschonend (ca. 100 MB RAM im Leerlauf)
– Für große Dokumente oder lokale LLMs (z. B. via Ollama) sicherstellen: ausreichend RAM, schneller SSD-Speicher
Schritt-für-Schritt-Anleitung:
- Flow Json herunterladen
- Flow Json in n8n hochladen
- Credentials anpassen
- Loslegen
Flow: Automate Directory
Dieser n8n-Workflow automatisiert die Sortierung von PDF-Dokumenten in einem lokalen Verzeichnis. Der Haupt-Workflow (automate_directory_v2) liest alle PDF-Dateien aus einem angegebenen Ordner aus und übergibt sie einzeln an einen Sub-Workflow (automate_directory_subflow_v2). Dort wird der Inhalt analysiert, mithilfe eines lokalen Language Models kategorisiert und anschließend im entsprechenden Zielverzeichnis abgelegt.
Ziel ist es, z. B. Studienunterlagen, Erfindungsmeldungen oder Reisekostenabrechnungen automatisiert zu erkennen und strukturiert zu speichern – ganz ohne manuelles Sortieren.
Voraussetzungen
- Lokale n8n-Installation oder Cloud-Instanz mit Zugriff auf Dateisystem
- Zugriff auf PDF-Dateien im angegebenen lokalen Verzeichnis
- Lokales oder angebundenes Language Model (z. B. Mistral oder Qwen via Langchain-Integration)
- Grundkenntnisse in n8n und Node-Konfiguration
- n8n Module: readWriteFile, extractFromFile, langchain.agent, langchain.lmChatOpenAi
- LM Studio (oder Jan.ai für opensource) für connection zu den Modellen
Schritt-für-Schritt-Anleitung:
- PDF-Verzeichnis vorbereiten
Lege die zu sortierenden PDFs im Ordner */directory_organizer/all_files/neu/ ab. - Flow automate_directory_v2 aktivieren
Dieser Flow dient als Einstiegspunkt und ruft den Subflow für jede Datei auf. - Subflow automate_directory_subflow_v2
Extrahiert Text aus der PDF
Übermittelt Dateiname + Inhalt an das KI-Modell
Ermittelt Zielkategorie
Speichert die Datei im Zielordner (z. B. Studium/Verlängerung/Dateiname.pdf) - KI-Logik über Langchain-Node konfiguriert
Prompt enthält strenge Anweisungen zur Einordnung
Antwort enthält nur die Pfadangabe ohne Zusätze - Datei verschieben
Am Ende wird die Datei basierend auf dem Output verschoben und Stand hier nicht aus dem Ursprungsordner gelöscht.
Tipp: Überprüfe, ob das KI-Modell erreichbar ist und korrekt antwortet (z. B. über Logging im Subflow oder in LM-Studio direkt).
Tipp: Detaillierte Schritt-für-Schritt-Anleitung im Format Markdown hier downloaden.
Wie funktioniert die Klassifizierung?
Der Subflow nutzt ein Sprachmodell (z. B. Mistral), um Dateiname + Inhalt auszuwerten.
Was passiert, wenn die Kategorie nicht erkannt wird?
Die Datei wird in den Ordner unklar/ verschoben. (wenn ähnlich zu exisiterenden Ordnern, dann hat es Fehlerpotenzial)
Welche Kategorien sind erlaubt?
Reise (Abrechnung/Vorschuss), Studium (Härtefall, Verlängerung, Ausgabe), Erfindungsmeldung, Promotion
Kann ich eigene Kategorien hinzufügen?
Ja, indem du den Prompt im Langchain-Agent entsprechend erweiterst.
Muss das Modell online sein?
Nein, es kann auch ein lokales Modell genutzt werden (z. B. Mistral über oobabooga oder Ollama).
Ein Flow für Ihre Idee war nicht dabei? Schreibe Sie uns und eventuell können wir Ihren Flow erstellen und mit der Community teilen.