# Коротко о главном Из этой статьи вы узнаете, что такое Nocode Cloud, чем он может быть вам полезен и как им пользоваться **Nocode Cloud** – это облачное решение, предоставляющее пользователям Smartbot Pro возможность разворачивать Open Source приложения за один клик Услуга уже включена в ваш тарифный план! Количество доступных расширений и уровни расширения доступны в зависимости от вашего тарифного плана в Smartbot. Более подробная информация о тарифных планах будет доступна после официального релиза. ## Доступные приложения * [n8n.io](https://n8n.io/)\ Open Source аналог Make, Zapier и Albato\ Доступно 400+ интеграций * [NocoDB.com](https://nocodb.com/)\ База данных на PostgreSQL, аналог AirTable, Notion и Google таблиц * [Teable.io](https://teable.io/)\ База данных на PostgreSQL, аналог NocoDB, AirTable и Notion с красивыми дашбордами * [Supabase.com](https://supabase.com/) (доступно с продвинутого уровня)\ База данных на PostgreSQL с векторным поиском. Аналог Firebase и Pinecone для AI-ботов и сложных сценариев. * [cal.com](https://cal.com/) - скоро\ Инструмент для удобной записи в календарь, аналог Calendly, YCLIENTS и функционала записи Bitrix24 Если вы хотите видеть другие инструменты в этом списке, то отправьте своё пожелание, заполнив [эту форму](https://docs.google.com/forms/d/e/1FAIpQLSfn2fTY7shGylaetGbyDvD9rPRhvNfne3t1YCmuvQLER3Pldg/viewform) ## Подключение Подключить любой инструмент за пару минут вы можете по [инструкции](https://docs.nocodecloud.ru/start/about/nocode). ## Уровни Nocode Cloud | Доступные приложения | n8n, NocoDB, Teable | n8n, NocoDB, Teable, Supabase | n8n, NocoDB, Teable, Supabase | | ------------------------------------------ | ------------------------------------------------------ | ------------------------------------------------------ | ----------------------------- | | Нагрузка | до 20 запросов / сек для Teable – до 10 запросов / сек | до 80 запросов / сек для Teable – до 50 запросов / сек | от 80 запросов / сек | | Скачать резервную копию (backup) | + | + | + | | Надежность | + | + | + | | Отказо-устойчивость | - | + | + | | Автоматические резервные копии (backup”ы ) | - | раз в 12 часов | итеративные, каждую секунду | | Поддержка и помощь | доступна с 10 до 18 (время москва) в рабочие дни | доступна с 9 до 21 (время москва) 7 дней в неделю | индивидуальная | | Сделать свой домен | - | - | + | С актуальными тарифами и доступным количеством приложений и уровней вы можете ознакомиться в [данном разделе](https://docs.smartbotpro.ru/dokumenty/podpiska-i-tarify/tarify-i-ceny#dostup-k-nocode-cloud) ### Комментарии по уровням #### Нагрузка Нагрузка - это количество запросов в секунду, которое может выдерживать приложение. Свыше указанного порога приложение может выдавать ошибки или выключаться. #### Скачать резервную копию (backup) Если вы захотите самостоятельно развернуть приложение, то сможете получить полный дамп базы данных PostgreSQL, с помощью которого можно восстановить состояние приложения {% hint style="info" %} *Инструкции, как развернуть приложения самостоятельно:* {% endhint %} #### Надежность Приложения разворачиваются в кластере Kubernetes. Это означает, что если выйдет из строя какой-либо сервер в кластере, то приложение автоматически будет перенесено на другой сервер и продолжит работу без значительного простоя. #### Отказоустойчивость Приложения разворачиваются в кластере Kubernetes в нескольких экземплярах на разных серверах. Это означает, что если выйдет из строя какой-либо сервер, приложение продолжит работу без простоя, так как экземпляры на других серверах подхватят нагрузку {% hint style="info" %} *Рассмотрим пример:* Приложение n8n развернуто в отказоустойчивом режиме на трех серверах: node1, node2, node3. Допустим, сервер node1 перестает работать. Нагрузка, которая обрабатывалась на сервере node1, автоматически перераспределится на node2 и node3, и приложение продолжит работать без простоя. {% endhint %} #### **Автоматические резервные копии (backup”ы )** Если вы удалили важные данные и хотите восстановить их, в такой ситуации помогут резервные копии, из них можно восстановить удаленные части. В продвинутом тарифе данные можно восстановить с точностью до 12 часов; в нагруженном тарифе данные можно восстановить с точностью до 1 секунды. #### Поддержка и помощь Если у вас возникли вопросы по работе сервиса/приложений, то время обслуживания зависит от его конфигурации. В базовой конфигурации мы помогаем с 10 до 18 (МСК) в рабочие дни, в продвинутом – с 9 до 21 (МСК) 7 дней в неделю, в высоконагруженном – обговариваем индивидуально, допустима поддержка 24/7 # Как подключить Nocode инструмент Из этой статьи вы узнаете, как развернуть Nocode приложения, доступные пользователям Smartbot Pro, за пару минут 1. Регистрируемся в сервисе [Smartbot Pro](https://smartbotpro.ru/?utm_source=pls\&utm_medium=team\&utm_campaign=NocodeCloud) 2. Открываем проект 3. Переходим в раздел **Nocode Cloud**

4. Нажимаем **Подключить**

5. Запускаем бота

6. Нажимаем команду **/create** 7. Выбираем нужное приложение 8. Выбираем нужный уровень нагрузки 9. Ждём три минуты 10. Приступаем к использованию приложения

Желаем вам приятного и продуктивного использования конструктора Smartbot Pro в комбинации с удобными и полезными Nocode инструментами! \
# Обучение ИИ векторному методу Эксперт: Юлия Голощапова **Искусственный интеллект стал надёжным помощником** в решении множества повседневных и профессиональных задач — от написания текстов до анализа данных. Наибольшую популярность обрели **Генеративные модели ИИ** благодаря своей способности создавать новые данные, опираясь на информацию, использованную в процессе их обучения. Объясняя простым языком, они могут создавать тексты, изображения, музыку или другие типы контента, имитируя стиль и структуру исходных данных, при этом формируя уникальные и оригинальные варианты ответа, не являющиеся дословным повторением исходного материала. Одна из проблем, с которой часто сталкиваются пользователи, которые используют **Генеративную модель ИИ** – получение ложной или искаженной информации. Искусственный интеллект может "уверенно" отвечать неправильно, если не ограничен контекстом или не знает, где искать достоверный источник. Данное явление называют **"галлюцинацией ИИ"**. Такое поведение недопустимо, если мы работаем с технической, юридической документацией или другими материалами, где чрезвычайно важна точность ответа. Решением становится **метод подбора** — подход, при котором ИИ не "выдумывает" ответ, а **выбирает наиболее релевантный фрагмент из заранее подготовленной базы знаний**. В данной инструкции мы подробно рассмотрим процесс **обучения ИИ методу подбора**. ### Что такое метод подбора? {% hint style="warning" %} **Метод подбора** — это способ, с помощью которого искусственный интеллект **находит наиболее подходящий объект** из множества возможных, основываясь на определённой логике или метрике сходства. Такой подход позволяет извлекать наиболее релевантные данные из подготовленного набора, минимизируя риск ошибки. {% endhint %} ### Для обучения нам понадобятся следующие платформы и сервисы: * NocoDB * n8n * Pinecone * OpenAI ## Формирование базы данных В первую очередь нам необходимо подготовить данные для загрузки в **ИИ** и сформировать базу данных в формате **вопрос-ответ**. Сделать это можно на платформе **NocoDB**, однако быстрее и проще будет создать подходящий список в **Google Sheets**. 1. Открываем **Google Sheets** и создаем таблицу в нем:

1. В созданной таблице создаем две колонки – **question** (вопрос) и **answer** (ответ). 2. Берем интересующий материал и перерабатываем его в виде вопросов и ответов на него.

\ **!Важно:** Чем больше будет синонимичных вопросов, тем более точно **ИИ** будет подбирать ответ. Лучше сделать минимум вопросов 10 на каждый ответ. **Один вопрос – одна строка.** Также советуем делать в **Google Sheet** не более **150 строчек** на каждом листе, чтобы в будущем при загрузке в базу **NocoDB** у нас не возникло проблем с импортированием. 3. После формирования базы вопросов и ответов скачиваем каждый лист в формате **CSV**.

4. Открываем **NocoDB** и создаем в нем новую базу, для этого нажимаем на кнопочку **Create Base**.

5. В открывшемся окошке даем наименование и еще раз жмем на кнопку **Create Base**.

6. Перед импортированием таблицы из **Google Sheet** мы создаем новую таблицу.

7. Присваиваем ей наименование и жмем **Create Table**.

\ У нас по умолчанию открывается вот такое поле:

8. Поскольку таблица у нас пустая, мы должны ее заполнить колонками и выбрать в них необходимый тип данных для записи. Для начала переименуем по умолчанию созданную колонку с названием **Title**. Сделать это можно, нажав на стрелочку вниз.

9. Данная кнопочка развернет параметры колонки. В раскрывшемся списке действий выбираем **Edit field**.

10. После этого появится окошко редактирования названия столбца и типа данных.

\ В нашем случае лучше выбрать **Long text**, чтобы было удобнее просматривать таблицу.

11. Сохраняем название и тип данных по кнопке **Update Field**

12. Теперь нам нужно создать еще 4 колонки. Сделать это можно по кнопке "+"

\ Всего у нас должно получиться 5 колонок со следующим типом данных: 1. **question** Field type – Long text 2. **answer** Field type – Long text 3. **emdedded** Field type – Checkbox 4. **to\_embed** Field type – Checkbox А еще в значении **Defalut value** должна стоять галочка

5. **to\_delete** Field type – Checkbox В конечном итоге у нас должно это выглядеть так:

13. Импортируем данные. Для того чтобы загрузить нашу имеющуюся таблицу с вопросами и ответами, нам необходимо нажать на три вертикальных строчки в верхней панели, затем **Upload → Upload CSV**

14. Перед нами откроется окошко загрузки файлов. Перетягиваем таблицу из загрузок, либо загружаем по кнопке из внутреннего хранилища компьютера.

15. Нажимаем **Import**.

16. **Важно: Названия колонок в обеих таблицах должны совпадать!** Либо необходимо вручную выбрать, какой столбец из **Google Sheets** соответствует столбцу в **NocoDB**. Нажимаем **Import** еще раз, если все верно.

17. При успешном импортировании должен получиться такой результат:

## Создание индексов в Pinecone **Pinecone** — это облачная векторная база данных, которую мы будем использовать для работы с искусственным интеллектом. Когда мы передаём в ИИ текст (например, вопрос или описание), он преобразует его в **вектор** – массив чисел, который отражает смысл и контекст данного текста. Эти векторы можно сравнивать между собой: чем они ближе друг к другу в многомерном пространстве, тем более **они схожи** с текстами, из которых были получены. При работе с большим объёмом векторных данных важно **эффективно находить похожие объекты**. Для этого используется **индекс** – специальная структура данных, оптимизированная для быстрого поиска схожих векторов. 1. Откроем интерфейс **Pinecone** и нажмем кнопку **Create index**.

2. После нажатия кнопки откроется окошко с настройками индекса. Здесь мы пишем название нашего индекса и ставим галочку на Custom settings.

3. В разделе **Configuration** указываем размерность:\ В поле **Dimension** вводим значение – 3072.

4. Затем нажимаем **Create index**.

5. После создания индекс появится в списке. Скопируйте его ссылку – она потребуется в дальнейшем.

## Обучение ИИ по базе знаний 1. Открываем **n8n** и создаем в нем новый **Workflow** 2. Наша цепочка будет выглядеть следующим образом:

### Краткое описание узлов цепочки: **Schedule Trigger** — запускает процесс по расписанию. **NocoDB** — получает данные из таблицы NocoDB (вопросы и ответы). **HTTP Request** — отправляет запрос к OpenAI для генерации эмбеддингов. **Embeddings** — формирует массив векторов. **50 Vectors** — подготавливает массив из 50 векторов для загрузки. **Upsert** — загружает векторы в Pinecone. **Mark as Embedded** — помечает обработанные строки в базе как embedded. ### Рассмотрим параметры каждого узла более детально: #### **Schedule Trigger** В данном узле мы устанавливаем временной интервал, с которым будет запускаться цепочка, если захотим автоматизировать пополнение базы векторов.

#### **NocoDB1**

{% hint style="warning" %} **!Важный момент.** В **n8n** у вас должны быть созданы **Credential** с **NocoDB** и **Pinecone**. При создании **Credential** для **NocoDB** требуется указать **Название** и **API Token** А при создании **Credential** для **Pinecone** требуется **Название**, **Ключ API** **Это нужно для получения доступа к сервисам.** {% endhint %} В текущем узле мы выбираем нужный **Credential**, **Project Name** и **Table name** (пространство в NocoDB, база в NocoDB и таблица) В разделе **Options** в поле **Fields** пишем - I**d,question,answer**. В поле **Filter by Formula** устанавливаем фильтр: ```json (embedded,eq,false)~and(to_embed,eq,true)~and(question,neq,)~and(question,isnot,null)~and(answer,neq,)~and(answer,isnot,null)~and(to_delete,eq,false) ``` #### HTTP-request В данном узле мы заполняем параметры для отправки запроса, выбираем метод, пишем адрес. В **Header Parameters** пишем название заголовка **Authorization** и значение **API-ключа**, используемого для доступа к **OpenAI** в формате **Bearar OPENAI\_KEY**.

В теле запроса в **Body Parameters** мы пишем: **Name:** `input` **Value:** `{{ $json.question }}` Так мы передадим значение вопроса. Также необходимо передать данные о модели ИИ, которая нам нужна: **Name:** `model` **Value:** `text-embedding-3-large`

#### Embeddings

#### 50 vectors В ноде **code** мы пишем код: ```json const vectors = $input.all() .map(i => i.json) .map((vector,index) => { return { values: vector.data[0].embedding, id: "Id-" + vector.Id.toString(), metadata: { question: vector.question, answer: vector.answer } } }) const mark_as_embedded = vectors.map(vector => ({Id: Number(vector.id.split('-')[1]), embedded: true})) return [{vectors,mark_as_embedded}]; ``` Данный код обрабатывает данные, полученные после создания эмбеддингов, и готовит их для загрузки в векторную базу **Pinecone**, а также для пометки в базе **NocoDB**, что эти строки уже были обработаны. #### Upsert Ранее мы создавали индекс в **Pinecone** и сохраняли ссылку. Ее мы вставляем в поле **URL** и дописываем в адресе **/vectors/upsert**, чтобы у нас получилось: https\://\**/vectors/upsert** Установим следующие параметры: * **Method:** `POST` * **URL:** https\://\**/vectors/upsert** * **Authentication:** `Predefined` * **Credential Type:** `PineconeApi` * **PineconeApi:** Выбираем заранее сохранённый API-ключ **Pinecone** для авторизации.

В **Header Parameters:** **Name:** `accept` **Value:** `application/json`

В **Body Parameters**: **Name:** `vectors` **Value:** `{{ $json.vectors }}`

#### **Mark as Embedded** В заключительном узле цепочки обновляем данные таблицы **NocoDB**. Для этого в **URL** указываем адрес базы **NocoDB** со следующей структурой: https\://<Адрес\_nocodb>/api/v2/tables/<айди\_таблицы>/records. **Выбираем следующие значения:** * **Method:** `PATCH` * **URL:** https\://<Адрес\_nocodb>/api/v2/tables/<айди\_таблицы>/records. * **Authentication:** `Predefined Credential type` * **Credential Type**: `NocoDB API Token`

* **NocoDB API Token:** (выбираем **Credential** нужной базы **NocoDB)** В **Header Parameters** указываем: **Name:** `accept` **Value:** `application/json` В **Body** пишем в поле **JSON**, меняя тип с **Fixed** на **Expression**: ```json {{ JSON.stringify($('50 Vectors').first().json.mark_as_embedded) }} ```

3. Сохраняем **Workflow** в **n8n** 4. Нажимаем на кнопочку запуска

5. После запуска цепочки в таблице появятся галочки в колонке **embedded**. Это значит, что данные вопросы и ответы были загружены в векторную базу **Pinecone**

## Настройка сценария в Smartbot 1. Заходим в личный кабинет **Smartbot** и переходим в раздел **"Сценарии"**.

2. Нажимаем на кнопку **"Создать сценарий"**

3. В открывшемся окошке пишем название сценария, затем нажимаем **"Создать"**

4. **Рассмотрим схематически, как должен выглядеть сценарий, и разберем каждый блок по отдельности:**

**Наш сценарий будет состоять из 7 блоков:** 1. Нет подходящего сценария 2. Выполнить SmartQuery 3. Выполнить SmartQuery 4. Отправить HTTP-запрос 5. Webhook 6. Выполнить SmartQuery 7. Отправить сообщение #### Блок 1: Нет подходящего сценария Реагирует на любое сообщение пользователя в боте. Он запускает всю цепочку сценария.

#### Блок 2: Выполнить SmartQuery Выполняет функцию промежуточного блока. Не обрабатывает данные, но требуется для технической связки.

#### Блок 3: Выполнить SmartQuery В данном блоке мы подготавливаем данные, создаем URL и тело запроса.

```json %string_temp% = %n8n_url% + "/webhook/test_new_request" %body% = { "question": %message_text%, "user_id": %user_id% } %response_data% = {} %response_data_status% = 0 ``` **Используемые переменные:** `%string_temp%` — (тип: строка) итоговый **URL**. `%body%` — (тип: словарь) передаём вопрос и **ID** пользователя. `%n8n_url%` — (тип: строка) переменная со ссылкой на ваш сервер **n8n**. **!Важно:** **URL** должен совпадать с **URL** вызова вебхука в **n8n.** #### Блок 4: Отправить HTTP-запрос

Устанавливаем следующие параметры: * **Метод:** `POST` * **URL:** `%string_temp%` * **Тип тела:** `Текст` * **Значение тела:** `{{ %body% | to_json }}`

**В заголовках:** * **Наименование:** content-type * **Значение:** `application/json` #### **Блок 5: Webhook** Через этот блок мы получаем ответ из **n8n.** Чтобы он работал, мы должны создать **API-токен,** либо выбрать уже существующий.

В **API-токены** выбираем **"Создать токен".**

В открывшемся окошке нажимаем на кнопку **"Cоздать токен".**

Придумываем название и создаем токен.

Выбираем созданный токен и канал.

Данные из **Webhook** нам понадобятся в дальнейшей настройке **Workflow** в **n8n.** #### Блок 6: Выполнить SmartQuery Извлекаем текст ответа из **Webhook** и сохраняем его в переменную `%bot_message%`. ```json %bot_message% = %public_api_data%['answer'] ```

#### **Блок 7: Отправить сообщение** Выводим значение переменной `%bot_message%`в блоке **"Отправить сообщение"**.

## **Отправка ответа из Pinecone в Smartbot** В данной части инструкции мы по шагам разберём, **как настроить рабочий процесс в n8n**, который будет: * принимать запрос от пользователя через **Smartbot** * искать наиболее подходящий ответ через **Pinecone** (векторную БД) * отправлять его обратно пользователю **Создаём Workflow в n8n** 1. Открываем **n8n**. Создаем новый **workflow**. 2. Наша логика будет выглядеть следующим образом:

**Краткое описание узлов цепочки:** **Webhook** — принимает запрос от Smartbot (вопрос пользователя). **Get vectorized** — отправляет вопрос в OpenAi для получения вектора. **Get the nearest reply** — ищет наиболее близкие к вопросу вектора (совпадения) в Pinecone. **if** — проверяет, нашлось ли совпадение. **Code (успех)** — формирует тело ответа из Pinecone. **HTTP Request (успех)** — отправляет ответ пользователю в Smartbot. **Code (неудача)** — формирует тело ответа в случае отсутствия совпадения. **HTTP Request (неудача)** — отправляет ответ в Smartbot. ### Рассмотрим параметры каждого узла более детально: #### Webhook Данный узел запускает весь **workflow**. Через него мы принимаем данные из **Смартбота**, а именно, вопрос пользователя и его **ID**.

**Параметры узла:** * **Method:** `POST` * **Path:** (часть **URL**, по которой по которой вызывается этот **Webhook**) * **Respond:** `Immediately` **!Важный момент:** **Path** должен быть идентичен тому, который мы указывали в **Смартботе** ранее.

#### **Get vectorized** Отправляет вопрос в OpenAI и получает его векторное представление. **Параметры узла:** * **Method**: `POST` * **URL**: `https://api.openai.com/v1/embeddings` * **Authentication**: `Predefined Credential Type` * **Credential Type**: `OpenAi` * **OpenAi:** (Выбираем нужный Credential OpenAi) * **Model**: `text-embedding-3-large`

В **Body Parameters:** **Name:** `input` **Value:** `{{ $json.question }}` Передаем вопрос и данные модели ИИ. **Name:** `model` **Value:** `text-embedding-3-large`

#### **Get the nearest reply** Формируем запрос в векторную базу **Pinecone**, для поиска совпадений вектора вопроса с векторами из базы данных. Для этого заполняем следующие параметры: * **Method:** `POST` * **URL:** [https://наpinecone>/query](https://docs.nocodecloud.ru/ai/https:/наpinecone>/query) * **Authentication:** `Predefined` * **Credential Type:** `PineconeApi` * **PineconeApi:** Выбираем заранее сохранённый API-ключ **Pinecone** для авторизации.

**Header Parameters:** **Name:** `accept` **Value:** `application/json` **Body Parameters:** **Name:** `vector` **Value:** `{{ $json.data[0].embedding }}` Векторное представление вопроса пользователя. Отправляем этот вектор, чтобы Pinecone сравнил его с уже сохранёнными векторами и нашёл наиболее подходящие. **Name:** `topK` **Value:** `10` Указываем, сколько **самых близких векторов** (записей) мы хотим получить в ответ. В нашем случае - 10. **Name:** `includeMetadata` **Value:** `{{ true }}` Указываем, что хотим получить из вектора **Pinecone** метаданные о вопросе и ответе. #### **If** **Проверяем, были ли найдены совпадения:** ```json {{ $('Get the nearest reply').first().json.matches }} ``` **=** is not empty #### **Code** Создаем **тело (body)** для отправки данных в **Smartbot**. ```json var data = { "answer": $('Get the nearest reply').first().json.matches[0].metadata.answer,//.replaceAll('"', '\"').replaceAll('\n', '\\n'), "score": $('Get the nearest reply').item.json.matches[0].score } /*Создаем переменную data, чтобы передать: ответ, найденный через Pinecone (answer) и оценку совпадения (score) */ var body = { "access_token": "d_RzF82z4TXML5_ZnMcrdJS2Y_K8kQNZNzkJZ-ORgI24v1STJEt55EgFXGEaILR6", "v": "0.0.1", "channel_id": "7779600502", "block_id": "6808dbe10aa22020da97a62f", "peer_id": $('Webhook').first().json.body.user_id, "data": data } return { body } ``` В тело запроса добавляем тело вебхука из **Смартбота**:

#### **HTTP Request:** Устанавливаем параметры для отправки подобранного ответа в **Smartbot**: * **Method:** `POST` * **URL:** `https://api.smartbotpro.ru/blocks/execute` * **Authentication:** `None` * **Body Content Type**: `JSON` * **Body Parameters:**`{{ JSON.stringify($json.body) }}`

#### **Code1 (совпадений не найдено)** Отправляем ответ в случае отсутcтвия совпадений по векторам. ```json var data = { "answer": 'Ответ не найден', "score": 0.00 } var body = { "access_token": "d_RzF82z4TXML5_ZnMcrdJS2Y_K8kQNZNzkJZ-ORgI24v1STJEt55EgFXGEaILR6", "v": "0.0.1", "channel_id": "7779600502", "block_id": "6808dbe10aa22020da97a62f", "peer_id": $('Webhook').first().json.body.user_id, "data": data } return { body } ```

#### **HTTP Request1 (совпадений не найдено)** Устанавливаем параметры для отправки ответа в **Smartbot**: * **Method:** `POST` * **URL:** `https://api.smartbotpro.ru/blocks/execute` * **Authentication:** `None` * **Body Content Type**: `JSON` * **Body Parameters:**`{{ JSON.stringify($json.body) }}`

# Получение токенов GigaChat {% hint style="info" %} В API Гигачата несколько сервисов, есть платные и бесплатные. Самый дешевый сервис - Эмбеддинги - 400 рублей за 10 000 000 токенов

{% endhint %} ### Пошаговая инструкция по получению токена API (он общий для сервисов) 1. Откройте сайт:

2. Выберите “Личный кабинет“

3. Войдите по Сбер ID или по телефону 1. Если Сбер ID нет, регистрируйтесь по номеру телефона

4. После авторизации вы попадете в кабинет, который также называется Studio.

5. Создайте проект Gigachat API

6. Нажмите кнопку “Получить доступ”

7. Откроется раздел с настройкой API

8. Нажмите синюю кнопку “Получить ключ“

9. Сохраните Authorization Key - это и есть токен 10. При запросах в API указывайте заголовок Authorization cо значением ``` Bearer ``` Например ``` curl -X POST \ https://api.sber.ru/gigachat/api/v1/embeddings \ -H "Content-Type: application/json" \ -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \ -d '{ "texts": ["Your text to embed goes here."], "model": "YOUR_EMBEDDING_MODEL_NAME" }' ``` 11. В ответе вы можете получить ошибку, связанную с неоплаченным токеном 1. Если токен платный, откройте биллинг

2. Выберите нужный платный сервис, например, Эмбеддинги, и нажмите “Перейти к оплате“

3. И оплачивайте удобным вам способом

12. После оплаты ваши запросы начнут обрабатываться # Идеальный промпт для ИИ Агента Оптимальная длина промпта**Prompt (промпт)** для ИИ-агента — это **задание или инструкция**, которую мы формулируем для модели, чтобы она выдала нужный результат. По сути, это язык общения человека с искусственным интеллектом. \| Оптимальная длина промпта |

500-1500 токенов (2000-6000 символов) - золотая середина для большинства задач
До 3000 токенов (12000 символов) - для сложных задач
Свыше 5000 токенов - высокий риск галлюцинаций

Пример: запрос на написание эссе по философии лучше сделать длиннее, чем запрос «сгенерируй шутку про кота».

| \| -------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | \| Красные флаги |

Слишком общие инструкции → модель выдаст случайный или банальный ответ.
Противоречивые требования → результат будет непредсказуемым.
Множественные задачи в одном промпте → модель может «запутаться».
Отсутствие примеров → выше шанс, что ответ не совпадёт с ожиданиями.

Пример плохого промпта: «Сделай сайт, но чтобы он был красивым и простым». Пример улучшенного: «Сделай одностраничный сайт-визитку на HTML с блоками: о компании, услуги, контакты. Используй минимализм (белый фон, синие заголовки)».

| \| Оптимальный формат промпта |

Markdown помогает структурировать текст: заголовки, списки, выделения, кодовые блоки.
Это улучшает читаемость и точность интерпретации.

| ## Основные параметры ### Оптимальная длина промпта 500-1500 токенов (2000-6000 символов) - золотая середина для большинства задач \ До 3000 токенов (12000 символов) - для сложных задач \ Свыше 5000 токенов - высокий риск галлюцинаций Пример: запрос на написание эссе по философии лучше сделать длиннее, чем запрос «сгенерируй шутку про кота». ### Красные флаги * Слишком общие инструкции → модель выдаст случайный или банальный ответ. * Противоречивые требования → результат будет непредсказуемым. * Множественные задачи в одном промпте → модель может «запутаться». * Отсутствие примеров → выше шанс, что ответ не совпадёт с ожиданиями. Пример плохого промпта: «Сделай сайт, но чтобы он был красивым и простым». Пример улучшенного: «Сделай одностраничный сайт-визитку на HTML с блоками: о компании, услуги, контакты. Используй минимализм (белый фон, синие заголовки)». ### Оптимальный формат промпта Markdown помогает структурировать текст: заголовки, списки, выделения, кодовые блоки.\ Это улучшает читаемость и точность интерпретации. ## Структура идеального промпта для ИИ-агента в n8n

Раздел	Описание / Что писать
Заголовок задачи	Краткое название, чтобы сразу понять о чём речь
Роль	Кто выполняет задачу и для кого. Пример: «Ты технический писатель, который пишет инструкции для новичков в IT»
Контекст	Почему важна задача, цель или проблема. Пример: «Пользователь не умеет настраивать VPN, нужно объяснить простыми словами»
Задача	Что требуется сделать — максимально чётко, но кратко (1–2 предложения)
Входные данные	– [Переменная 1] – [Переменная 2] (подставляются из n8n, напр. `{{$json["topic"]}}`)
Формат ответа	Markdown / JSON / Таблица / Чек-лист
Стиль	Дружелюбный, простой (без жаргона)или сухой, деловой — в зависимости от задачи
Требования	– Язык: русский / английский – Добавить примеры кода / ссылки на документацию / best practices
Примеры плохого и хорошего ответа	Плохо: «Просто подключите сервис» Хорошо: «1. Перейдите в настройки → 2. Введите токен → 3. Нажмите „Сохранить“»
Финальный чек-лист	– Все переменные и данные учтены? – Примеры кода присутствуют? – Оформлено в Markdown?
Запрещено	Что нельзя делать: придумывать факты, добавлять рекламу и т.п.
Дополнительные ресурсы	Ссылки на документацию, гайды, полезные материалы
Ошибки и их решения (опционально)	Частые проблемы и варианты их решения

## Создаём идеальный промпт с помощью ИИ 1. Находим доступную модель ИИ, в примере будем использовать [ChatGPT](https://chatgpt.com/)

2. Описываем свой workflow в n8n. Для лучшего понимания загружаем скриншот/json файл нашего workflow (можно воспользоваться [инструкцией](https://docs.nocodecloud.ru/n8n/import-i-eksport-shablonov)). 3. Отправляем ему структуру идеального промпта.

4. Просим его помочь составить идеальный промпт. Пример: *Помоги мне составить идеальный промпт для моего ИИ Агента в n8n.* *Я пришлю тебе скриншот/файл рабочего процесса и скриншот/файл с примерами идеальных промптов для ИИ агентов в n8n, чтобы ты понял контекст и структуру задачи.* *Твоя задача — задать мне несколько уточняющих вопросов, чтобы точно понять, какую задачу должен решать мой ИИ агент и как он должен работать.* *После этого, используя свои знания и полученную информацию, подготовь для меня оптимальный промпт для ИИ агента.*

5. Он присылает следующий ответ:

6. Отвечаем ему в следующем формате:

7. Получаем результат:

8. Просим его перевести наш промпт на английский язык, чтобы модель ИИ могла точнее интерпретировать задачу.

9. Следующим шагом нам нужно будет занести наш промпт в ноду **AI Agent** в n8n.

10. Готово! Осталось сохранить и активировать наш workflow, и наш ИИ-ассистент готов.

## Процесс тестирования **Результат:** С первого ответа становится понятно, что промпт настроен корректно - бот представляется и уточняет, что готов помочь в создании инструкции.

**Просим написать инструкцию:**

Бот с обновлённым промптом успешно выполнил задачу: он подробно расписал пошаговые действия, добавил необходимые ссылки и в целом отлично справился с инструкцией. # Для новичков # Блоки в n8n (узлы/ноды) Эксперт: Артём Снытко ### Что такое узел в n8n? * **Узел** (или нода) — это элемент рабочего процесса, который выполняет конкретную задачу. * Узлы могут делать разные вещи, например: * Получать данные из API. * Отправлять сообщения. * Обрабатывать файлы и изображения.

* **Типы узлов**: Есть много типов узлов, например: * **HTTP Request** — для отправки запросов к веб-сервисам. * **Set** — для изменения или добавления данных. * **Соединение узлов**: Узлы соединяются между собой стрелками. Это позволяет передавать данные от одного узла к другому.\ Также можно провести стрелки от одного блока к нескольким и от нескольких блоков к одному.

Например, вы можете создать процесс, который: * Получает данные из Google Sheets (узел). * Обрабатывает их (другой узел). * Отправляет результаты в Telegram (третий узел). Таким образом, узлы в n8n помогают автоматизировать задачи и интегрировать разные сервисы без программирования # Триггеры в n8n Эксперт: Артём Снытко Триггеры в n8n – это специальные компоненты, которые запускают выполнение сценария (workflow) при наступлении определённых условий или событий. Они служат стартовой точкой для автоматизации процессов, позволяя системе реагировать на внешние события. ## Примеры триггеров 1. **Webhook**: Этот триггер активируется, когда на него поступает HTTP-запрос из внешней системы. Например, вы можете настроить его для получения данных из формы на вашем сайте. 2. **Schedule**: Этот триггер позволяет запускать сценарий по расписанию, например, каждый день в определённое время. 3. **Интеграции с другими сервисами**: Триггеры могут отслеживать события в сторонних приложениях, таких как создание новой записи в Google Sheets или получение сообщения в Telegram. Так выглядит в n8n триггер (узел, запускающий цепочку действий):

Обратите внимание, что триггер в n8n всегда сопровождается значком ⚡️ # Режимы работы Эксперт: Артём Снытко n8n предоставляет возможность тестировать настроенную логику в моменте и сохранять её для полноценного использования. Аналогичная система существует и в Smartbot Pro — вы можете настраивать и менять сценарии, тестировать их, и только после того, как будете уверены, что вы готовы открыть новый вид чат-бота для пользователей, опубликовать сценарий. * Тестовый режим в n8n = неопубликованная версия сценария в Smartbot Pro * Продовый режим в n8n = опубликованная версия сценария в Smartbot Pro ## Тестовый режим Тестовый режим может вам пригодиться для тестирования и настройки вебхука непосредственно в workflow. Процесс будет выполняться в реальном времени, прямо перед вашими глазами. Для этого: 1. Добавьте еще один узел.

2. Для примера можете найти узел “Edit Fields (Set)” и выбрать его.

3. Добавьте поле в настройке этого узла.

4. Назовите поле — “success”, а значение поля установите — “true”.

5. Запустите тест.

6. Тестовый режим активирует ожидает запроса на вебхук. Откройте узел Webhook⚡️и скопируйте адрес запроса. Вы можете выполнить запрос в отдельной вкладке вашего браузера, если метод запроса GET. Если метод запроса другой, вы можете воспользоваться [Postman](https://www.postman.com) или [Curl](https://curl.se)

1. Если тест не запущен, адрес запроса также можно найти в настройке Webhook⚡️

7. Отправьте запрос к вебхуку. Если выполнить запрос во вкладке браузера, вы увидите ответ от n8n. В нашем примере n8n возвращает результат последнего узла в workflow. В данном случае — Edit Fields.

8. Поменяйте значение поля. Так станет более понятно, как это работает.

9. Запустите тест еще раз.

10. Отправьте запрос на этот же адрес вебхука и получите уже новый ответ

## Рабочий режим (продовый, production) Рабочий режим — это отправка вашего workflow в “свободное плавание”. Вы больше не увидите течение процесса в реальном времени. Чтобы понять, как проходит процесс, вам нужно будет открыть раздел “Executions” этого workflow. В разделе “Executions” вы увидите список выполненных workflow (одно выполнение на один сработавший триггер в workflow) в левой части окна n8n. Нам нужно, чтобы наш триггер сработал, чтобы увидеть его в Executions. Для этого нужно отпарвить запрос на Production URL Webhook⚡️.\\ 1. Скопируйте Production URL в настройке вебхука

2. Активируйте workflow, чтобы n8n принял его в работу. Если не активировать workflow — он не будет считаться рабочим, и триггеры не будут запускать процессы.

3. При активации workflow может вылезти окошко с информацией о том, что даёт его активация. В нем описывается, что: * Можно отправлять запросы на Production URL Webhook⚡️ * Выполнение не будет видно, как в тестовом режиме, но можно увидеть результаты выполнений в “Executions”

# Как привязать Telegram бота к n8n Эксперт: Валентин Литовченко ## Создание бота в Telegram 1. Переходим в бота [BotFather](https://t.me/BotFather)

2. Запускаем бота 3. Выбираем команду **/newbot** 1. Выбираем имя для нашего бота (можно будет позже изменить) 2. Выбираем username для нашего бота (позднее изменить будет нельзя!) 3. Получаим токен, который нам понадобится в дальнейшем

## Привязка Telegram бота к n8n 1. Выбираем нужный блок из раздела **Telegram**

2. Создаем новый **Credential** 3. Вставляем токен, полученный от BotFather, в поле **Access Token**

4. Сохраняем измнения # Как отключить подпись n8n в ответах Telegram Эксперт: Валентин Литовченко 1. В ноде **Telegram (Send Message)** выбираем следующее:

2. Выключаем ползунок:

Готово! Теперь бот не будет присылать сообщения с подписью :thumbsup: # Имитация печати в Telegram Эксперт: Валентин Литовченко 1. Добавляем ноду **Telegram (Send a chat action)**

2. Перетаскиваем `id` пользователя в поле **Сhat ID**

3. Теперь бот показывает статус “печатает” перед тем, как отправить ответ

## Бот печатает, но ответ не поступает? {% hint style="success" %} Если после добавления новой ноды Telegram бот перестал отвечать — скорее всего, **сбились связи между нодами**. {% endhint %} 1. Заходим в следующую ноду 2. Заново перетаскиваем блоки, из которых мы получали информацию (например, блок `text` для текстовых сообщений и блок `file_id` – для голосовых)

Готово! 🙂 # Как привязать Open AI к n8n 1. Переходим по [ссылке](https://platform.openai.com/settings/organization/api-keys) 2. При необходимости регистрируемся в системе 3. Нажимаем кнопку **+ Create new secret key**

4. При желании присваиваем ему имя (удобно для дальнейшего использования)

5. Копируем ключ и вставляем его в n8n

# Тонкая настройка AI агентов Эксперт: Валентин Литовченко ## Какую модель для каких задач выбрать? | Задача/Use-case | Лучшая модель | | ------------------------------------------- | -------------------------------------------- | | Простые чат-боты, генерация текста | OpenAI Chat Model, Mistral Cloud, Groq | | Генерация кода, документации | DeepSeek, OpenAI Chat Model | | Анализ больших текстов, длинных диалогов | Anthropic Claude, XAI Grok | | Креатив (слоганы, рекламные тексты) | Mistral Cloud, OpenAI Chat Model | | Технические интеграции (Google, AWS, Azure) | Google Gemini, Vertex, AWS Bedrock, Azure AI | | Корпоративная этика, безопасность | Anthropic Claude, Azure OpenAI | | Быстрая генерация, экономия бюджета | Groq, OpenRouter | | Локальное, приватное тестирование | Ollama, OpenRouter | ## Подробнее о моделях | Модель | Для чего подходит | | ------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | OpenAI Chat Model (GPT-3.5, GPT-4, GPT-4o и т.д.) |

Классическая генерация текста, ответов на вопросы, написание статей, создание резюме, генерация email, простые чат-боты.

Хорошо работает для обобщённых задач и творческих запросов, быстро реагирует, отлично справляется с диалогами.

Минусы:

Иногда даёт "размытые" или общие ответы, не всегда оптимален для сложных аналитических задач.

| | Anthropic Chat Model (Claude) |

Если нужна высокая "безопасность" и "этичность" ответов (например, корпоративные боты, где важна фильтрация токсичных ответов).

Большие документы и анализ больших объёмов текста (например, резюме, отчёты, договора).

Сложные цепочки рассуждений.

Минусы:

Иногда отвечает слишком "обтекаемо".

Может быть медленнее некоторых других моделей.

| | DeepSeek Chat Model | Для технических и исследовательских задач (генерация кода, техническая документация, поиск инсайтов). | | Google Gemini/Vertex | Для интеграции с Google-сервисами и поиска, часто используют для анализа больших данных, поиска новостей и актуальных данных. | | Groq | Для задач, где важна скорость ответа, или когда бюджет ограничен (Grog часто дешевле и быстрее). | | Mistral Cloud | Для творческих задач, генерации креативного контента, рекламных идей, лёгких текстов. | | Ollama | Если хочется протестировать open-source модели локально или через бесплатные API, иногда для платных решений. | | XAI Grok | Подходит для задач, связанных с анализом данных, где важна структурированность ответов и поддержка большого количества токенов. | | Azure OpenAI | Для компаний, которые работают в Microsoft-экосистеме или хотят размещать свои данные в облаке Microsoft (безопасность, корпоративные решения). | | AWS Bedrock | Для интеграции с AWS, обработки данных и автоматизации в облачной инфраструктуре Amazon. | | OpenRouter Chat Model | Универсальный шлюз, который позволяет использовать разные модели через единую точку доступа (например, переключаться между разными провайдерами без смены логики бота). | ## Подходящие модели для бизнес-кейсов | Пример | Подходящие модели | | -------------------------------------- | ---------------------------------------------------- | | Быстрый ЅММ-контент, рилсы, посты | OpenAI 4o или Mistral (быстро, креативно) | | Анализ длинных диалогов или PDF | Claude, Grok (обработка больших объёмов текста) | | Автоматические письма и ответы на FAQ | OpenAI, Mistral (диалоговость, краткость) | | Кодовые ассистенты, DevOps | Deepseek (генерация и анализ кода) | | Риски и политика (корп. чат-бот) | Claude, Azure OpenAI (этика, безопасность) | | Экономия бюджета на массовых рассылках | Grog, OpenRouter (минимум затрат, максимум скорости) | # Как настроить AI в Telegram Эксперт: Валентин Литовченко ## Что нам потребуется: 1. [Telegram бот](https://docs.nocodecloud.ru/n8n/tgbot) 2. [Искусственный интеллект (от OpenAI)](https://docs.nocodecloud.ru/n8n/openai) 3. n8n ## Настройка логики в n8n 1. Создаём новый Workflow 2. Создаём триггер для запуска.\ Используем ноду **Telegram Trigger (on message)**

3. Добавляем ноду **AI Agent**

4. Выбираем нужную нам модель, в нашем случае — **OpenAI Chat Model**

5. Запускаем наш **Workflow** и отправляем любое сообщение нашему боту 6. Выбираем **Prompt Source**

7. Перетаскиваем блок `text`

8. Добавляем **promt** в поле **System Message**

9. Нажимаем **Test step/Execute step** 10. Добавляем ноду **Send Text Message** 11. Указываем **Chat\_id** и **Text**, перетаскивая данные из **AI Agent**. Их можно найти в колонке слева и перетащить в нужное поле, зажав левую кнопку мыши.

## Тестирование бота 1. Нажимаем **Test Step** и отправляем сообщение боту 2. Если всё сделано правильно — бот ответит сгенерированным текстом

3. Для того чтобы наш бот был активен, включаем ползунок

## Добавление памяти в AI Agent 1. Добавляем ноду **Window Buffer Memory**

2. В параметрах ноды можно указать количество последних сообщений, которые будут сохраняться в памяти агента и учитываться при формировании ответа

## Как ограничить доступ к боту только для себя 1. Добавляем ноду **If**, чтобы установить фильтр по пользователю

2. Перетаскиваем блок `username` в поле **value1**

3. Вписываем **свой username** в значение поля **value2**

Теперь ответы бота доступны только вам! 🙂 # Как подключить сервисный аккаунт Google Эксперт: Артём Снытко Сервисный аккаунт Google имеет главное преимущество для интеграций в том, что с ним не нужно перепривязывать интеграцию несколько раз в неделю, чтобы она не слетала {% hint style="info" %} Если у вас ещё нет сервисного аккаунта Google или вы не помните, где найти свой ключ, [воспользуйтесь нашей инструкцией](https://docs.nocodecloud.ru/google/service-account) {% endhint %} 1. Открываем n8n и создаем в нем новый credential

2. Выбираем "Google Service Account API"

3. В поле "Private Key" вставляем то, что мы скопировали из файла json при получении сервисного аккаунта Google

4. Возвращаемся в консоль Google - [ https://console.cloud.google.com/iam-admin/serviceaccounts](https://console.cloud.google.com/iam-admin/serviceaccounts) И копируем email сервисного аккаунта

5. Возвращаемся в n8n и вставляем его в поле "Service Account Email"

6. Сохраняем

Готово! Теперь можно использовать сервисный аккаунт Google в n8n :thumbsup: # Импорт и экспорт шаблонов Эксперт: Артём Снытко ## Импорт шаблона 1. Создаем workflow

2. Нажимаем на три точки справа сверху

3. Выбираем **Import from File**

4. Выбираем файл с шаблоном

5. Шаблон импортирован

## Экспорт шаблона 1. Нажимаем три точки справа сверху

2. Выбираем **Download**

3. Шаблон загружен

# Что такое NocoDB [NocoDB](https://nocodb.com) — это мощный инструмент, который позволяет пользователям без опыта программирования создавать базы данных и управлять ими в виде таблиц. Он работает по принципу "ноукод", что означает, что для работы с ним не требуется знание языков программирования. С помощью NocoDB можно легко интегрировать различные источники данных, такие как Google Sheets или MySQL, и превращать их в полноценные веб-приложения. Использование NocoDB в рамках конструктора чат-ботов позволяет создавать интерактивные и адаптивные решения для общения с клиентами. Благодаря простому интерфейсу и возможности визуального моделирования пользователи могут легко настраивать логику взаимодействия бота, управлять данными и интегрировать различные API. Это значительно упрощает процесс разработки, позволяя сосредоточиться на функциональности и пользовательском опыте, а не на технических деталях. Таким образом, NocoDB становится незаменимым инструментом для создания современных чат-ботов без необходимости глубоких технических знаний. Кроме того, значимое преимущество NocoDB поддерживает более 20 rps, что позволяет ему качественно работать даже в условиях высоких нагрузок. Если вам нужно наладить процессы, которые требуют работы с базой данных и выходят за рамки переменных, вы можете использовать NocoDB и Smartbot Pro в мощной связке. А установить NocoDB вы можете буквально [за 3 минуты с помощью Nocode Cloud](https://docs.smartbotpro.ru/nocode-cloud/korotko-o-glavnom/kak-podklyuchit-nocode-instrument). # Swagger # Основы и авторизация Swagger — это инструмент, который помогает разработчикам создавать, документировать и тестировать API (интерфейсы программирования приложений). Он автоматически генерирует описание для каждого ресурса в REST API, показывая доступные методы, параметры запросов и возвращаемые данные. Это делает документацию понятной как для людей, так и для машин, что упрощает взаимодействие между различными системами. Swagger позволяет разработчикам легко видеть структуру API и тестировать его методы прямо в браузере, что значительно ускоряет процесс разработки.

Основная ценность Swagger заключается в его интерактивности и удобстве. С помощью Swagger UI пользователи могут не только просматривать документацию, но и отправлять тестовые запросы к API, получая мгновенные ответы. Это позволяет быстро проверять работоспособность методов и проводить отладку. Благодаря своей популярности, Swagger стал стандартным инструментом для работы с API и используется разработчиками, тестировщиками и аналитиками для упрощения процессов создания и поддержки программных интерфейсов. {% hint style="info" %} Тестовые запросы к API выполняются не в тестовой среде, а в реально существующих таблицах. Поэтому их также можно воспринимать как ручные манипуляции с данными. Если в результате теста в ваших таблицах появятся ненужные данные, их также можно удалить или изменить обратно, используя тестовые запросы, либо прямо в интерфейсе NocoDB. {% endhint %} ## Как открыть Swagger Чтобы открыть Swagger в NocoDB, нужно в левой панели навести курсор мыши на любую базу, затем нажать на “…” и выбрать “Swagger: REST APIs”.

## API Token и авторизация в Swagger Чтобы делать запросы в Swagger и не только (например, [HTTP-запросы](https://docs.smartbotpro.ru/scenarii/integracii/http-zaprosy)), в заголовках нужно указывать данные авторизации. 1. В NocoDB в левой панели откройте раздел “Team & Settings”.

2. В “Tokens” нажмите “Create new token”.

3. Введите любое название токена и создайте его.

4. Скопируйте токен.

5. Вернитесь в Swagger и нажмите “Authorize”.

6. Вставьте токен и снова нажмите “Authorize”.

7. Если в окошке авторизации появилась надпись “Authorized”, значит, вы успешно авторизованы.

# Как отправлять запросы ## Обзор интерфейса {% hint style="info" %} Все примеры показаны с [авторизованным](https://www.notion.so/Swagger-9cf3b04436ec4d5eb73eb2de84975a49?pvs=21) Swagger {% endhint %} В Swagger основной функциональной единицей является HTTP-запрос, который также называют конечной точкой, ручкой, маршрутом. В NocoDB запросы группируются по таблицам.

## HTTP-запрос Чтобы поработать с запросом, нужно его развернуть. Для этого достаточно нажать на него:

### Описание запроса Каждый запрос имеет описание того, какой функционал он предоставляет. Оно находится в самом начале:

### Try it out Чтобы начать тестировать запрос, нужно нажать кнопку “Try it out”.

Убедитесь, что “замок закрыт”, - это значит, что вы авторизованы. В противном случае, вам следует авторизоваться в Swagger.

После нажатия на “Try it out”: * станут доступными поля ввода параметров и/или тела запроса.

* появится кнопка “Execute”, нажатие которой означает выполнение запроса с введенными параметрами.

### Параметры запроса Параметры запроса всегда передаются в URL в самом конце после “?” и разделяются “&”, например: ```jsx ...tables/m6uv6qopcq4layy/records**?limit=25&shuffle=0&offset=0** ``` Каждый отдельный параметр имеет название:

И описание:

Параметры всегда являются строкой, которую вы можете указать при тестировании в соответствующее поле:

Иногда параметр может быть выбран из ограниченного списка вариантов в Swagger (но в запросе параметр указывается так же, как и другие):

## Шаблон запроса Curl {% hint style="info" %} Можно увидеть только после нажатия “Execute” {% endhint %} Этот шаблон удобно копировать, чтобы использовать в других инструментах разработчиков и тестировщиков ( [Curl](https://curl.se), [Postman](https://www.postman.com) ), но для связки с Smartbot Pro и NocoDB он не обязателен. {% hint style="info" %} При этом его удобно использовать в связке с n8n (<и сюда надо ссылку на доку n8n про импорт Curl>) {% endhint %} ### Шаблон URL запроса {% hint style="info" %} Можно увидеть только после нажатия “Execute” {% endhint %} Удобное поле, которое позволяет копировать сформированный при тестировании запрос.

### Лайфхак с urlencoded Обратите внимание, что при запросе в примере передается параметр: ```jsx where=%D0%BB%D1%8F%D0%BB%D1%8F%D0%BB%D1%8F ``` Эти непонятные символы не что иное, как `“ляляля”`. На самом деле, не обязательно отправлять запрос в таком формате в блоке “Отправить HTTP-запрос”. Smartbot Pro автоматически преобразует URL в urlencoded формат. Для того, чтобы URL в сценариях был более читаем, вы можете преобразовать полученный URL при помощи [декодера](https://www.urldecoder.org).

### Server response {% hint style="info" %} Можно увидеть только после нажатия “Execute” {% endhint %} Показывает всю информацию, полученную из ответа от сервера (API). Code - [код статуса ответа](https://developer.mozilla.org/ru/docs/Web/HTTP/Status) от сервера.

Response body - тело ответа. В NocoDB API при любых типах запросов возвращает JSON.

### Responses В этом разделе изображаются примеры ответов от сервера с различными статусами. Стоит отметить, что количество примеров не исчерпывающее, обычно ограничивающееся 200 и 400, но эти примеры все равно могут пригодиться для: * решения сбоев и проблем * понимания, какой будет ожидаемый ответ от сервера, перед тем, как начать его тестировать.

## Схемы данных В самом низу Swagger есть раздел Schemas. Он может быть полезен для понимания, какие поля таблицы (столбцы) какого типа данных. Для примера, поле Id, обязательное при запросах PATCH, PUT, DELETE, а также GET-запросе конкретной строки из таблицы, имеет тип “integer”, что значит, что это именно целое число, а не строка, дробное число или другой тип.

# Как настроить сервисный аккаунт Google Эксперт: Артём Снытко Сервисный аккаунт Google имеет главное преимущество для интеграций в том, что с ним не нужно перепривязывать интеграцию несколько раз в неделю, чтобы она не слетала ## Если ещё нет проекта в Google Cloud 1. Открываем Google консоль по ссылке: [https://console.cloud.google.com](https://console.cloud.google.com/iam-admin/serviceaccounts)

2. Нажимаем "Select a project" слева сверху

3. Нажимаем "New project"

4. Придумываем название и нажимаем "Create"

5. Снова нажимаем "Select a project" слева сверху, затем выбираем наш проект, нажав на него

6. Открываем боковое меню

7. Открываем IAM & Admin > Service Accounts

8. Переходим к следующему разделу инструкции ## Если уже есть проект в Google Cloud 1. Открываем Google консоль, а именно панель работы с сервисными аккаунтами, по ссылке: [https://console.cloud.google.com/iam-admin/serviceaccounts](< https://console.cloud.google.com/iam-admin/serviceaccounts>)