This workflow follows the Agent → Execute Workflow Trigger recipe pattern — see all workflows that pair these two integrations.
The workflow JSON
Copy or download the full n8n JSON below. Paste it into a new n8n workflow, add your credentials, activate. Full import guide →
{
"name": "Tagging_sub",
"nodes": [
{
"parameters": {
"model": "google/gemini-2.5-pro",
"options": {}
},
"type": "@n8n/n8n-nodes-langchain.lmChatOpenRouter",
"typeVersion": 1,
"position": [
368,
304
],
"id": "d74fa437-2971-4e5d-b735-3bbb11ff748e",
"name": "OpenRouter Chat Model",
"credentials": {
"openRouterApi": {
"name": "<your credential>"
}
}
},
{
"parameters": {
"promptType": "define",
"text": "=Du bist der REFEREE. Deine Aufgabe ist es, f\u00fcr eine Liste von Schlagworten (Batch) die jeweils korrekten GND-IDs zu finden.\n\nDEINE STRATEGIE\nDu erh\u00e4ltst einen Batch von bis zu 10 Schlagworten.\n\nAnalysiere jedes Schlagwort einzeln im Kontext des Objekts (Caption & Metadaten) UND nutze die mitgelieferten Felder rationale und judge_context zwingend zur Disambiguierung, falls ein Begriff mehrere unterschiedliche Bedeutungen hat.\n\nNutze das Tool search_gnd f\u00fcr jedes Keyword, um in der lokalen Datenbank nach Normdaten zu suchen. Du kannst und sollst mehrere Tool-Calls parallel oder hintereinander absetzen.\n\nWICHTIG: Das Tool durchsucht vorrangig Sachbegriffe (Materialien, Objekte, historische Konzepte, abstrakte Dinge).\n\n\u00dcbergib dem Tool den Suchbegriff. Wenn der Begriff mehrdeutig ist, kannst du auch Synonyme testen.\n\nValidiere die Tool-Ergebnisse gegen den visuellen Befund und die Metadaten. Achte im Tool-Ergebnis besonders auf das Feld \"definition\", um abzugleichen, ob es sich um das richtige Konzept handelt.\n\nFAST-FAIL REGELN (Zeit-Optimierung)\nBevor du das Tool nutzt oder tief nachdenkst, wende diese \"Short-Circuit\"-Logik an:\n\nZUSTANDS- UND QUALIT\u00c4TSBEGRIFFE:\nBegriffe wie \"besch\u00e4digt\", \"abgenutzt\", \"fleckig\", \"Kratzer\", \"unscharf\" oder \"r\u00f6tlich\" sind rein deskriptiv. Die GND f\u00fchrt hierf\u00fcr meist keine Sachschlagworte f\u00fcr die Bilderschlie\u00dfung.\n-> AKTION: Setze sofort \"gnd_id\": null und \"gnd_confidence\": \"no_match\". KEIN Tool-Call n\u00f6tig!\n\n1-TOOL-LIMIT F\u00dcR SACHBEGRIFFE:\nWenn eine Suche in search_gnd keine Treffer liefert, die EXAKT oder SEHR NAHE am Keyword liegen:\n-> AKTION: Suche NICHT endlos weiter. Setze \"gnd_id\": null.\n\nCLUSTER-FILTER:\nKeywords aus dem Cluster \"Visuelle_Merkmale\" (au\u00dfer konkrete Techniken wie \"Sepia\") sind fast immer \"no_match\". Pr\u00fcfe sie extrem streng und brich bei Zweifeln sofort ab.\n\nOUTPUT FORMAT (STRENGSTENS EINZUHALTEN)\nAntworte AUSSCHLIESSLICH mit einem validen JSON-Array. Jedes Element im Array entspricht einem Keyword aus dem Eingabe-Batch.\nDu musst die Ursprungsdaten (Schlagwort, Begr\u00fcndungen von LLM2 und LLM3) 1:1 aus dem Input-Batch \u00fcbernehmen und um deine eigenen GND-Ergebnisse erg\u00e4nzen.\n\nNutze exakt diese Struktur f\u00fcr jedes Item im Array:\n\n[\n{\n\"source_cluster\": \"Der Name des Clusters aus dem Input\",\n\"keyword_original\": \"Das 'keyword' aus dem Input-Batch\",\n\"llm2_rationale\": \"Das Feld 'rationale' aus dem Input-Batch (1:1 kopieren)\",\n\"llm3_judge_comment\": \"Das Feld 'judge_context' aus dem Input-Batch (1:1 kopieren)\",\n\"gnd_id\": \"4130439-1\",\n\"gnd_preferred_name\": \"Name laut GND (oder null)\",\n\"gnd_confidence\": \"high\" | \"medium\" | \"low\" | \"no_match\",\n\"llm4_reasoning\": \"Deine eigene Begr\u00fcndung, warum diese GND-ID passt oder warum keine gefunden wurde.\",\n\"additional_data\": {\n\"alternate_names\": \"String (kommaseparierte Synonyme laut GND oder null)\",\n\"definition\": \"String (die Definition laut GND oder null)\"\n}\n}\n]\n\nWICHTIG:\n\n\u00dcbernehme \"source_cluster\", \"keyword_original\", \"llm2_rationale\" und \"llm3_judge_comment\" EXAKT und ohne inhaltliche \u00c4nderungen aus deinem Input.\n\nDie Felder in \"additional_data\" nimmst du aus dem Output des Tools \"search_gnd\".\n\nKEIN Markdown (wie json ... ), nur das rohe Array, beginnend mit [ und endend mit ].",
"hasOutputParser": true,
"options": {
"systemMessage": "===================================\n--- DER BATCH (10 SCHLAGWORTE) ---\n==================================\n\nHier sind die zu pr\u00fcfenden Keywords und ihre Cluster:\n{{ JSON.stringify($json.keyword_batch) }}\n\n==================================\n--- KONTEXT (ZUR ENTSCHEIDUNGSHILFE) ---\n==================================\n\nVISUELLER BEFUND (Caption):\n\"{{ $json.caption }}\"\n\nMETADATEN (Hintergrund):\n\"{{ $json.metadata }}\"\n\n==================================\n--- DEINE AUFGABE ---\n==================================\n\nBearbeite jetzt alle Schlagworte im Batch. F\u00fchre f\u00fcr jedes eine GND-Suche durch und gib das validierte JSON-Array zur\u00fcck.",
"returnIntermediateSteps": true,
"passthroughBinaryImages": true
}
},
"type": "@n8n/n8n-nodes-langchain.agent",
"typeVersion": 2.2,
"position": [
608,
64
],
"id": "c9bb91c9-10b2-42a1-a7e9-cd87bae52167",
"name": "AI Agent",
"alwaysOutputData": true,
"retryOnFail": true,
"waitBetweenTries": 5000,
"onError": "continueRegularOutput"
},
{
"parameters": {
"amount": 3
},
"type": "n8n-nodes-base.wait",
"typeVersion": 1.1,
"position": [
1008,
288
],
"id": "72c3535b-b810-46d4-a378-34b74bf288b5",
"name": "Wait"
},
{
"parameters": {
"inputSource": "passthrough"
},
"id": "eb6fb377-b283-4deb-8032-d8f3352f3aa2",
"typeVersion": 1.1,
"name": "Start",
"type": "n8n-nodes-base.executeWorkflowTrigger",
"position": [
-240,
0
]
},
{
"parameters": {
"options": {}
},
"type": "n8n-nodes-base.splitInBatches",
"typeVersion": 3,
"position": [
368,
0
],
"id": "afe98793-98f7-48a2-a173-19322766fad3",
"name": "Loop Over Items"
},
{
"parameters": {
"jsCode": "/*\n=========================================================\nAGENT BATCH PARSER (v7 - Lineage & Multi-Batch Support)\n- Iteriert \u00fcber ALLE Batches (nicht nur den ersten)\n- Extrahiert JSON-Array aus Agenten-String\n- Handhabt Markdown-Backticks & Zeilenumbr\u00fcche\n- Extrahiert die Data Lineage (LLM2, 3 und 4)\n=========================================================\n*/\n\nconst items = $input.all();\nconst allParsedResults = [];\n\nfor (const itemWrapper of items) {\n const item = itemWrapper.json;\n const outputText = item.output || item.text || \"\"; \n\n try {\n // 1. Suche den Start und das Ende des Arrays im String\n const arrayStart = outputText.indexOf('[');\n const arrayEnd = outputText.lastIndexOf(']');\n \n if (arrayStart === -1 || arrayEnd === -1) {\n allParsedResults.push({\n json: { error: \"Kein JSON-Array im Output\", raw_output: outputText }\n });\n continue; // Mache mit dem n\u00e4chsten Batch weiter\n }\n\n const cleanJsonString = outputText.substring(arrayStart, arrayEnd + 1);\n const agentResults = JSON.parse(cleanJsonString);\n\n // 2. Jedes Ergebnis im Array als n8n-Item vereinzeln\n for (const res of agentResults) {\n allParsedResults.push({\n json: {\n // IDs aus dem Flow-Kontext\n parent_id: item.parent_id || item.ID || \"N/A\", \n \n // Identifikation\n keyword_original: res.keyword_original || res.keyword || \"N/A\",\n source_cluster: res.source_cluster || \"Unsorted\",\n \n // GND Daten (mit Fallbacks auf alte Nomenklatur)\n gnd_id: res.gnd_id || null,\n preferred_name: res.gnd_preferred_name || res.preferred_name || null,\n confidence: res.gnd_confidence || res.confidence || \"no_match\",\n \n // DATA LINEAGE (Die Begr\u00fcndungen der LLMs)\n llm2_rationale: res.llm2_rationale || null,\n llm3_judge_comment: res.llm3_judge_comment || null,\n llm4_reasoning: res.llm4_reasoning || res.reasoning || null,\n \n // Metadaten flachklopfen\n meta_start_date: res.additional_data?.start_date || null,\n meta_end_date: res.additional_data?.end_date || null,\n meta_role: res.additional_data?.role_or_profession || null,\n meta_location: res.additional_data?.location_primary || null\n }\n });\n }\n\n } catch (e) {\n // Fehlerfall f\u00fcr diesen spezifischen Batch\n allParsedResults.push({\n json: {\n error: \"Parsing Error\",\n message: e.message,\n raw_output: outputText\n }\n });\n }\n}\n\nreturn allParsedResults;"
},
"type": "n8n-nodes-base.code",
"typeVersion": 2,
"position": [
992,
64
],
"id": "67e53c20-6b06-409b-857e-7104885bf84f",
"name": "Code in JavaScript1"
},
{
"parameters": {
"jsCode": "/*\n=========================================================\nFINAL AGGREGATOR (v19 - Post-Parser)\n- Aggregiert die vom Parser vereinzelten Items\n- Gruppiert nach 'source_cluster'\n=========================================================\n*/\n\nconst items = $input.all();\nconst enrichedResult = {};\n\nfor (const itemWrapper of items) {\n const data = itemWrapper.json;\n \n // Fehlerhafte Items \u00fcberspringen\n if (data.error) continue;\n \n const cluster = data.source_cluster || \"Unsorted\";\n if (!enrichedResult[cluster]) {\n enrichedResult[cluster] = [];\n }\n\n // Eintrag zusammenbauen\n const entry = {\n term: data.keyword_original,\n gnd_name: data.preferred_name,\n gnd_id: data.gnd_id,\n confidence: data.confidence,\n \n // Data Lineage\n llm2_rationale: data.llm2_rationale,\n llm3_judge_comment: data.llm3_judge_comment,\n llm4_reasoning: data.llm4_reasoning,\n \n // Metadaten (nur falls vorhanden)\n ...(data.meta_start_date && { born_founded: data.meta_start_date }),\n ...(data.meta_end_date && { died_dissolved: data.meta_end_date }),\n ...(data.meta_role && { role_type: data.meta_role }),\n ...(data.meta_location && { location: data.meta_location })\n };\n\n enrichedResult[cluster].push(entry);\n}\n\nreturn {\n json: {\n gnd_result_string: JSON.stringify(enrichedResult, null, 2)\n }\n};"
},
"type": "n8n-nodes-base.code",
"typeVersion": 2,
"position": [
608,
-96
],
"id": "f3fe7d54-0ece-4c00-a58d-aaa050713337",
"name": "Code in JavaScript2"
},
{
"parameters": {
"jsCode": "/*\n=========================================================\nBATCH SPLITTER (FINAL VERSION)\n- Gruppiert Keywords in 10er Batches\n- Extrahiert 'term', 'why' (rationale) & 'judge_comment' (judge_context)\n- Filtert technische Systemfelder aus den Metadaten\n- Sichere Fallbacks f\u00fcr Caption & Metadata\n=========================================================\n*/\n\nconst items = $input.all();\nconst outputBatches = [];\nconst BATCH_SIZE = 10;\n\n// Felder, die aus den Metadaten gel\u00f6scht werden sollen\nconst excludeKeys = [\n \"tags_gemini_2.5_pro\",\n \"_archived\",\n \"_creator\",\n \"_ctime\",\n \"_last_modifier\",\n \"_mtime\"\n];\n\n// Hilfsfunktion zur Reinigung der Metadaten-Strings\nfunction cleanMetadata(rawString) {\n if (!rawString) return \"\";\n return rawString\n .split('\\n')\n .filter(line => !excludeKeys.some(key => line.trim().startsWith(key + \":\")))\n .join('\\n')\n .trim();\n}\n\nconst allowedClusters = [\n \"Objekttyp\", \"Thema_Ph\u00e4nomen\", \"Inhalt_Motiv\", \"Funktion_Zweck\",\n \"Visuelle_Merkmale\", \"Form_Gestalt\", \"Bestandteile\", \"Gebrauchskontext\",\n \"Kultureller_Kontext\", \"Emotion_Atmosph\u00e4re\", \"Farbe_Nuancen\"\n];\n\nfor (const item of items) {\n const json = item.json;\n \n // Sichere Fallbacks: Greift alle m\u00f6glichen Schreibweisen ab\n const rawCaption = json.Caption || json.caption || \"\";\n const rawMeta = json.Metadata || json.metadata || json.context_data_string || \"\";\n \n // Metadaten bereinigen\n const cleanedMeta = cleanMetadata(rawMeta);\n\n // Keywords und Begr\u00fcndungen sammeln\n const allKeywords = [];\n for (const cluster of allowedClusters) {\n let keywordArray = json[cluster]; \n \n if (!keywordArray) continue;\n\n if (typeof keywordArray === 'string') {\n try { keywordArray = JSON.parse(keywordArray); } catch (e) { keywordArray = []; }\n }\n\n if (Array.isArray(keywordArray)) {\n keywordArray.forEach(kw => {\n if (kw && kw.term && typeof kw.term === 'string' && kw.term.trim() !== \"\") {\n allKeywords.push({\n keyword: kw.term.trim(),\n source_cluster: cluster,\n rationale: kw.why || \"\", // Neu: LLM2 Begr\u00fcndung\n judge_context: kw.judge_comment || \"\" // Neu: LLM3 Urteil\n });\n }\n });\n }\n }\n\n // In 10er Batches aufteilen und Output generieren\n for (let i = 0; i < allKeywords.length; i += BATCH_SIZE) {\n const batchChunk = allKeywords.slice(i, i + BATCH_SIZE);\n \n outputBatches.push({\n json: {\n keyword_batch: batchChunk, \n caption: rawCaption, \n metadata: cleanedMeta, \n batch_info: {\n current: Math.floor(i / BATCH_SIZE) + 1,\n total: Math.ceil(allKeywords.length / BATCH_SIZE)\n }\n }\n });\n }\n}\n\nreturn outputBatches;"
},
"type": "n8n-nodes-base.code",
"typeVersion": 2,
"position": [
160,
0
],
"id": "813a8968-f61e-411d-892a-57c47d108ce5",
"name": "Code in JavaScript3"
},
{
"parameters": {
"toolDescription": "Der exakte Suchbegriff f\u00fcr die GND. Bitte nur das nackte Wort \u00fcbergeben (z.B. Preu\u00dfen oder Handschrift). Keine Sonderzeichen, keine Lucene-Syntax und keine Formatierungen!",
"method": "POST",
"url": "http://gnd_elasticsearch:9200/gnd_index/_search",
"sendBody": true,
"specifyBody": "json",
"jsonBody": "={\n \"size\": 5,\n \"query\": {\n \"multi_match\": {\n \"query\": \"{{ $fromAI('suchbegriff', 'Der exakte Suchbegriff f\u00fcr die GND. Bitte nur das nackte Wort \u00fcbergeben (z.B. Preu\u00dfen oder Handschrift).') }}\",\n \"fields\": [\n \"preferred_name^4\",\n \"alternate_names^3\",\n \"definition^1\"\n ],\n \"fuzziness\": \"AUTO\"\n }\n }\n}",
"options": {}
},
"type": "n8n-nodes-base.httpRequestTool",
"typeVersion": 4.4,
"position": [
704,
304
],
"id": "50ca3d34-b2bb-4592-9656-9297b2318b3b",
"name": "search_gnd"
}
],
"connections": {
"OpenRouter Chat Model": {
"ai_languageModel": [
[
{
"node": "AI Agent",
"type": "ai_languageModel",
"index": 0
}
]
]
},
"AI Agent": {
"main": [
[
{
"node": "Code in JavaScript1",
"type": "main",
"index": 0
}
]
]
},
"Start": {
"main": [
[
{
"node": "Code in JavaScript3",
"type": "main",
"index": 0
}
]
]
},
"Loop Over Items": {
"main": [
[
{
"node": "Code in JavaScript2",
"type": "main",
"index": 0
}
],
[
{
"node": "AI Agent",
"type": "main",
"index": 0
}
]
]
},
"Wait": {
"main": [
[
{
"node": "Loop Over Items",
"type": "main",
"index": 0
}
]
]
},
"Code in JavaScript1": {
"main": [
[
{
"node": "Wait",
"type": "main",
"index": 0
}
]
]
},
"Code in JavaScript3": {
"main": [
[
{
"node": "Loop Over Items",
"type": "main",
"index": 0
}
]
]
},
"search_gnd": {
"ai_tool": [
[
{
"node": "AI Agent",
"type": "ai_tool",
"index": 0
}
]
]
}
},
"active": true,
"settings": {
"executionOrder": "v1",
"binaryMode": "separate",
"availableInMCP": false
},
"versionId": "f7fbcfc3-03f3-465f-a204-892cd027b036",
"id": "132peiuMeOoe9GA2Pcg91",
"tags": []
}
Credentials you'll need
Each integration node will prompt for credentials when you import. We strip credential IDs before publishing — you'll add your own.
openRouterApi
Pro
For the full experience including quality scoring and batch install features for each workflow upgrade to Pro
About this workflow
Tagging_sub. Uses lmChatOpenRouter, agent, executeWorkflowTrigger, httpRequestTool. Event-driven trigger; 9 nodes.
Source: https://github.com/sebastianruffberlin/AI-Museum-Tagging/blob/8338053d8ebe7c5b335249bd73cb4cf8f05881c4/workflows/Tagging_sub.json — original creator credit. Request a take-down →
Related workflows
Workflows that share integrations, category, or trigger type with this one. All free to copy and import.
The AI-Powered Shopify SEO Content Automation is an enterprise-grade workflow that transforms product content creation for e-commerce stores. This sophisticated multi-agent system integrates GPT-4o, C
Perplexity Tool, Memory Buffer Window, Agent +15
Who is this for? Agencies, consultants, and service providers who conduct discovery calls and need to quickly turn conversations into professional proposals.
Tool Think, Tool Calculator, Agent Tool +18
Ultimate Browser Agent. Uses airtopTool, slack, airtop, executeWorkflowTrigger. Event-driven trigger; 24 nodes.
Airtop Tool, Slack, Airtop +8
How it works Listens to Telegram messages to detect stock-related queries. Extracts company name and identifies its exact stock ticker symbol. Searches Yahoo Finance for stock info using the ticker. F
Telegram Trigger, OpenRouter Chat, Execute Workflow Trigger +7
Deep Research new (fr). Uses outputParserStructured, formTrigger, chainLlm, form. Event-driven trigger; 82 nodes.
Output Parser Structured, Form Trigger, Chain Llm +8