Entdecke, wie n8n’s neue Cohere-Integration deine KI-Agenten in Wassenger transformieren kann
Hast du schon einmal einen Chatbot gebaut, der vielversprechend wirkte, aber dann irrelevante oder verwirrende Antworten lieferte? Du bist nicht allein. Eine der größten Herausforderungen beim Aufbau intelligenter KI-Agenten ist, dass sie konstant genaue und relevante Antworten liefern.
Die gute Nachricht: n8n hat gerade ein revolutionäres Feature gelauncht: Integration mit Cohere Re-Rankern. Und das Beste ist, dass du diese leistungsstarke Technologie jetzt direkt in Wassenger Flows nutzen kannst, ohne Server einrichten oder komplexe Installationen vornehmen zu müssen.
👉 Starte deine 7-tägige kostenlose Testversion bei Wassenger und nutze unsere leistungsstarken WhatsApp-Automatisierungs-Flows um deinen Kundenservice noch heute zu transformieren! ⚡
Was sind Re-Ranker und warum sind sie wichtig?
Stell dir vor, du hast eine riesige Bibliothek mit Tausenden von Büchern. Wenn dich jemand etwas fragt, musst du schnell die relevantesten Bücher finden. Traditionelle Vektor-Suchen sind wie ein sehr schneller Bibliothekar, der manchmal Bücher bringt, die nicht genau das sind, was du brauchst.
Re-Ranker sind wie ein zweiter Expert-Bibliothekar, der diese erste Auswahl überprüft und nur die nützlichsten und genauesten Bücher für deine spezifische Anfrage liefert.
Das Problem mit traditioneller Vektor-Suche
In einem typischen RAG (Retrieval-Augmented Generation)-System funktioniert der Prozess so:
- Dokumente werden in kleine Textabschnitte aufgeteilt
- Jeder Abschnitt wird in Zahlen (Vektoren) umgewandelt, die seine Bedeutung darstellen
- Wenn du eine Frage stellst, wird auch diese in Zahlen umgewandelt
- Das System sucht nach Abschnitten, die mathematisch „am nächsten“ zu deiner Frage liegen
Das Problem? Diese Suche kann wichtige Nuancen übersehen. Es ist, als würdest du nach ähnlichen Songs nur anhand ihres Rhythmus suchen und Lyrics oder Genre ignorieren.
👉 Starte deine 7-tägige kostenlose Testversion bei Wassenger und nutze unsere leistungsstarken WhatsApp-Automatisierungs-Flows um deinen Kundenservice noch heute zu transformieren! ⚡
Die Lösung: Zweistufige Suche
Re-Ranker implementieren das, was als zweistufige Suche bekannt ist:
Phase 1: Breite Suche
- Das System sucht eine große Anzahl potenzieller Ergebnisse (20–50 Abschnitte)
- Es ist schnell, aber nicht perfekt präzise
Phase 2: Intelligentes Re-Ranking
- Re-Ranker analysieren gleichzeitig deine Frage und jeden Abschnitt
- Sie erzeugen hochpräzise Relevanzwerte
- Sie liefern nur die 3–5 nützlichsten Abschnitte zurück
Wassenger Flows: Die Cloud-Revolution ist da
Hier kommt Wassenger Flows ins Spiel. Traditionell erforderte die Implementierung dieser fortschrittlichen Technologien:
- ✗ Das Einrichten eigener Server
- ✗ Die Installation und Wartung von n8n
- ✗ Das Verwalten von Updates und Abhängigkeiten
- ✗ Fortgeschrittenes technisches Wissen
Mit Wassenger Flows** entfällt all das**. Unser neues Feature integriert die gesamte Power der n8n-Oberfläche direkt in der Cloud, was bedeutet, dass du:
- ✅ Fortgeschrittene KI-Agenten erstellen kannst, ohne technische Einrichtung
- ✅ Cohere Re-Ranker mit nur wenigen Klicks nutzen kannst
- ✅ Hybride Suche ohne Kopfschmerzen implementieren kannst
- ✅ Automatisch skalieren kannst, je nach Bedarf
👉 Starte deine 7-tägige kostenlose Testversion bei Wassenger und nutze unsere leistungsstarken WhatsApp-Automatisierungs-Flows um deinen Kundenservice noch heute zu transformieren! ⚡
Praktische Implementierung: Schritt für Schritt
Grundlegende Einrichtung in Wassenger Flows
- Rufe Wassenger Flows in deinem Account auf
- Erstelle einen neuen Flow mit der Vorlage „AI Agent with Re-ranking“
- Verbinde deine Vektor-Datenbank (z. B. Supabase, Pinecone)
- Füge deinen Cohere API-Schlüssel in den Anmeldeinformationen hinzu
- Aktiviere den Schalter „Re-rank Results“
Erweiterte Einrichtung: Hybride Suche
Für komplexere Anwendungsfälle erlaubt dir Wassenger Flows:
- Metadaten-Filterung: Suche nur in relevanten Teilmengen deiner Informationen
- Hybride Suche: Kombiniere Vektor-Suche mit Volltextsuche
- Mehrere Re-Ranker: Für verschiedene Arten von Anfragen
Hier findest du den vollständigen Workflow 👇
{
"name": "AI Agent Rerank Cohere",
"nodes": [
{
"parameters": {
"options": {
"systemMessage": "=# Company Business Intelligence Assistant\n\nYou are \"[REDACTED_COMPANY_NAME]\", a specialized business intelligence assistant for the company.Your primary responsibility is to provide answers exclusively based on the available knowledge sources.\n\n## Knowledge Sources\nYou have access to two critical knowledge bases:\n1.**CompanyDocuments** - Contains business documents, service guides, company information, and operational procedures\n2.**RestaurantLeads** - Contains potential restaurant client data including ratings, contact information, business details, and market insights\n\n## 🚨 CRITICAL: Tool Selection Protocol\n\n### MANDATORY Tool Usage Rules:\n**CompanyDocuments tool MUST be used for:**\n- ANY question about company services, capabilities, or offerings\n- Pricing inquiries(\"how much\", \"cost\", \"price\", \"fee\")\n- Company information(\"about the company\", \"what is the company\", \"company details\")\n- Business processes(\"how does the company work\", \"process\", \"procedure\")\n- Service features and benefits\n- Any question containing keywords: company, service, price, cost, business, how to, process, capability, offering\n\n**RestaurantLeads tool MUST be used for:**\n- Lead generation and prospecting requests\n- Restaurant recommendations and listings\n- Market analysis and competitive intelligence\n- Location-based restaurant queries\n- Rating, review, and business characteristic analysis\n- Contact information and outreach data\n\n### Search Strategy Hierarchy:\n1.**Company-specific queries** → Use CompanyDocuments FIRST, always\n2.**Restaurant/lead queries** → Use RestaurantLeads FIRST\n3.**Business intelligence/strategy** → Use BOTH tools sequentially\n4.**Ambiguous queries** → Default to CompanyDocuments first, then RestaurantLeads if needed\n\n## Execution Process(Follow Strictly):\n1.**Query Classification**: \n - Identify if query mentions company, services, pricing, or company info\n - If YES → Immediately use CompanyDocuments tool\n - If restaurant/lead focused → Use RestaurantLeads tool\n - If business strategy → Use both tools\n\n2.**Tool Selection Verification**:\n - Double-check that you're using the correct tool for the query type\n - When in doubt about company-related content → ALWAYS search CompanyDocuments\n\n3.**Search Execution**: \n - Execute search in identified tool(s) before generating any response\n - Use specific, relevant keywords from user query\n\n4.**Response Generation**: \n - Base response entirely on search results\n - Clearly cite which knowledge base provided the information\n - Match user's language(Indonesian/English)\n\n## Core Operating Principles\n- **MANDATORY SEARCH**: Never respond without searching appropriate knowledge base first\n- **NO EXTERNAL KNOWLEDGE**: Absolutely no information from outside the knowledge bases\n- **EXPLICIT SOURCE CITATION**: Always state \"Based on CompanyDocuments...\" or \"According to RestaurantLeads...\"\n- **LANGUAGE MATCHING**: Respond in exact same language as user input\n- **ACCURACY OVER COMPLETENESS**: Better to say \"no information found\" than guess\n\n## Quality Assurance Checklist\nBefore every response, verify:\n- ✅ Did I search the appropriate knowledge base?\n- ✅ Is my answer based solely on search results?\n- ✅ Did I cite the correct source?\n- ✅ Am I responding in the user's language?\n- ✅ Did I avoid using external knowledge?\n\n## Error Handling\nIf no relevant information found in knowledge bases:\n- **English**: \"I searched [specific knowledge base] but don't have information about [topic].Could you provide more specific details or rephrase your question?\"\n- **Indonesian**: \"Saya telah mencari di [basis pengetahuan spesifik] tetapi tidak memiliki informasi tentang [topik].Bisakah Anda memberikan detail yang lebih spesifik atau mengubah pertanyaan Anda?\"\n\n## Debugging Mode\nAlways mention in your response which tool you used:\n- \"After searching CompanyDocuments...\"\n- \"Based on my search in RestaurantLeads...\"\n- \"From both knowledge bases...\"\n\nThis helps identify if tool selection is working correctly.\n\nRemember: Your value comes from providing accurate, source-backed intelligence from the company's specific business context and restaurant lead database.Always search first, cite sources, and match the user's language."
}
},
"id": "[REDACTED_NODE_ID]",
"name": "AI Agent1",
"type": "@n8n/n8n-nodes-langchain.agent",
"position": [420, 1340],
"typeVersion": 2
},
{
"parameters": {
"options": {}
},
"id": "[REDACTED_NODE_ID]",
"name": "Embeddings OpenAI3",
"type": "@n8n/n8n-nodes-langchain.embeddingsOpenAi",
"position": [620, 1660],
"typeVersion": 1.2
},
{
"parameters": {
"mode": "retrieve-as-tool",
"toolName": "CompanyDocuments",
"toolDescription": "=MANDATORY TOOL for questions about: CompanyDocument services, pricing, company information, business processes, operational procedures, service capabilities, company policies, internal guidelines, and any [REDACTED_COMPANY_NAME]-specific business inquiries.Always use this tool first when users ask about [REDACTED_COMPANY_NAME] services or company information.",
"tableName": {
"__rl": true,
"mode": "list",
"value": "documents",
"cachedResultName": "documents"
},
"topK": 20,
"useReranker": true,
"options": {}
},
"id": "[REDACTED_NODE_ID]",
"name": "RAG1",
"type": "@n8n/n8n-nodes-langchain.vectorStoreSupabase",
"position": [640, 1520],
"typeVersion": 1.1
},
{
"parameters": {
"mode": "retrieve-as-tool",
"toolName": "RestaurantLeads",
"toolDescription": "=Search restaurant leads database containing potential client information, ratings, contact details, business characteristics, location data, and market insights.Use for lead generation, market analysis, and client prospecting.",
"tableName": {
"__rl": true,
"mode": "list",
"value": "restaurant_leads",
"cachedResultName": "restaurant_leads"
},
"topK": 20,
"useReranker": true,
"options": {}
},
"id": "[REDACTED_NODE_ID]",
"name": "Leads1",
"type": "@n8n/n8n-nodes-langchain.vectorStoreSupabase",
"position": [920, 1520],
"typeVersion": 1.1
},
{
"parameters": {
"options": {}
},
"id": "[REDACTED_NODE_ID]",
"name": "Embeddings OpenAI4",
"type": "@n8n/n8n-nodes-langchain.embeddingsOpenAi",
"position": [940, 1660],
"typeVersion": 1.2
},
{
"parameters": {
"content": "# Send Message",
"height": 580,
"width": 1360,
"color": 4
},
"id": "[REDACTED_NODE_ID]",
"name": "Sticky Note4",
"type": "n8n-nodes-base.stickyNote",
"position": [60, 1240],
"typeVersion": 1
},
{
"parameters": {
"contextWindowLength": 20
},
"id": "[REDACTED_NODE_ID]",
"name": "Chat Memory",
"type": "@n8n/n8n-nodes-langchain.memoryPostgresChat",
"position": [500, 1500],
"typeVersion": 1.3
},
{
"parameters": {
"model": {
"__rl": true,
"mode": "list",
"value": "gpt-4o-mini"
},
"options": {}
},
"id": "[REDACTED_NODE_ID]",
"name": "Chat Model",
"type": "@n8n/n8n-nodes-langchain.lmChatOpenAi",
"position": [360, 1500],
"typeVersion": 1.2
},
{
"parameters": {
"modelName": "rerank-multilingual-v3.0"
},
"id": "[REDACTED_NODE_ID]",
"name": "Reranker Cohere",
"type": "@n8n/n8n-nodes-langchain.rerankerCohere",
"position": [760, 1660],
"typeVersion": 1
},
{
"parameters": {
"modelName": "rerank-multilingual-v3.0"
},
"id": "[REDACTED_NODE_ID]",
"name": "Reranker Cohere1",
"type": "@n8n/n8n-nodes-langchain.rerankerCohere",
"position": [1060, 1660],
"typeVersion": 1
},
{
"parameters": {
"events": ["message:in:new"]
},
"type": "n8n-nodes-wassenger.wassengerTrigger",
"typeVersion": 1,
"position": [220, 1340],
"id": "[REDACTED_NODE_ID]",
"name": "Wassenger Trigger",
"webhookId": "[REDACTED_WEBHOOK_ID]",
"credentials": {
"wassengerApiKey": {
"id": "[REDACTED_CREDENTIAL_ID]",
"name": "[REDACTED_CREDENTIAL_NAME]"
}
}
}
],
"pinData": {},
"connections": {
"RAG1": {
"ai_tool": [
[
{
"node": "AI Agent1",
"type": "ai_tool",
"index": 0
}
]
]
},
"Leads1": {
"ai_tool": [
[
{
"node": "AI Agent1",
"type": "ai_tool",
"index": 0
}
]
]
},
"Chat Model": {
"ai_languageModel": [
[
{
"node": "AI Agent1",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"Chat Memory": {
"ai_memory": [
[
{
"node": "AI Agent1",
"type": "ai_memory",
"index": 0
}
]
]
},
"Reranker Cohere": {
"ai_reranker": [
[
{
"node": "RAG1",
"type": "ai_reranker",
"index": 0
}
]
]
},
"Reranker Cohere1": {
"ai_reranker": [
[
{
"node": "Leads1",
"type": "ai_reranker",
"index": 0
}
]
]
},
"Embeddings OpenAI3": {
"ai_embedding": [
[
{
"node": "RAG1",
"type": "ai_embedding",
"index": 0
}
]
]
},
"Embeddings OpenAI4": {
"ai_embedding": [
[
{
"node": "Leads1",
"type": "ai_embedding",
"index": 0
}
]
]
},
"Wassenger Trigger": {
"main": [
[
{
"node": "AI Agent1",
"type": "main",
"index": 0
}
]
]
}
},
"active": false,
"settings": {
"executionOrder": "v1"
},
"versionId": "[REDACTED_VERSION_ID]",
"meta": {
"instanceId": "[REDACTED_INSTANCE_ID]"
},
"id": "[REDACTED_WORKFLOW_ID]",
"tags": []
}
Praktische Anwendungsfälle
1. Intelligenter Kundensupport
- Problem: Allgemeine Antworten, die spezifische Zweifel nicht lösen
- Lösung: Re-Ranker, die genau den relevantesten Hilfeartikel identifizieren
2. Vertriebsassistenten
- Problem: Unpräzise Produktempfehlungen
- Lösung: Re-Ranking, das Historie, Präferenzen und aktuellen Kontext berücksichtigt
3. Bildungs-Chatbots
- Problem: Erklärungen, die sich nicht an das Niveau des Lernenden anpassen
- Lösung: Re-Ranker, die Inhalte priorisieren, die für jeden Nutzer passend sind
👉 Starte deine 7-tägige kostenlose Testversion bei Wassenger und nutze unsere leistungsstarken WhatsApp-Automatisierungs-Flows um deinen Kundenservice noch heute zu transformieren! ⚡
Messbare Ergebnisse
Die Benchmarks von Cohere zeigen dramatische Verbesserungen:
- Bis zu 40 % mehr Genauigkeit bei relevanten Antworten
- 60 % Reduktion irrelevanter oder verwirrender Antworten
- Höhere Nutzerzufriedenheit, wenn nützlichere Informationen geliefert werden
Dein nächster Schritt
Bereit, deine KI-Agenten auf das nächste Level zu bringen?
Wassenger Flows macht die Implementierung dieser fortschrittlichen Technologien so einfach wie Drag-and-Drop. Du musst kein KI-Experte sein oder Nächte damit verbringen, Server zu konfigurieren.
Starte heute:
- Melde dich an auf Wassenger.com
- Gehe zu Flows in deinem Account
- Erkunde unsere Vorlagen
- Baue deinen ersten intelligenten Agenten in wenigen Minuten
Die Revolution der KI-Agenten ist da, und mit Wassenger Flows ist sie für alle zugänglich. Warum sich mit mittelmäßigen Antworten zufriedengeben, wenn du außergewöhnliche Erlebnisse bieten kannst?
👉 Starte deine 7-tägige kostenlose Testversion bei Wassenger und nutze unsere leistungsstarken WhatsApp-Automatisierungs-Flows um deinen Kundenservice noch heute zu transformieren! ⚡
