استفاده از OpenRouter در n8n

در این راهنما، یک جریان‌داده آماده برای تحلیل رزومه با هوش مصنوعی راه‌اندازی می‌شود. فایل رزومه با فرمت PDF از طریق Webhook دریافت می‌شود، متن آن استخراج و برای تحلیل به یکی از مدل‌های هوش مصنوعی در OpenRouter فرستاده می‌شود. در پایان، امتیاز سازگاری با سامانه‌های ردیابی متقاضی (Applicant Tracking System یا ATS)، نقش شغلی پیشنهادی، مهارت‌های لازم و پیشنهادهای بهبود رزومه در قالب JSON برگردانده می‌شوند.

در این مثال از تمپلیت آماده Analyze resume PDFs for ATS fit with OpenRouter GPT via webhook در گالری n8n استفاده شده است.

در این راهنما، قابلیت‌های n8n و امکان اتصال آن به ارائه‌دهندگان هوش مصنوعی (AI Provider) شرح داده شده است. برای استفاده در محیط عملیاتی، جریان‌داده باید متناسب با سیاست‌ها و نیازهای سازمان بررسی، شخصی‌سازی و پیاده‌سازی شود.

پیش‌نیازها

• یک سرویس فعال n8n در بازارچه ابری هم‌روش
• یک حساب کاربری OpenRouter و اعتبار کافی برای مدل انتخاب‌شده
• یک فایل رزومه با فرمت PDF برای آزمایش جریان‌داده
• ابزاری مانند Postman یا curl برای ارسال درخواست HTTP

مراحل دریافت و واردکردن تمپلیت در n8n در راهنمای استفاده از جریان‌داده‌های آماده n8n توضیح داده شده‌اند. پس از واردکردن تمپلیت، تنظیمات اختصاصی این جریان‌داده مطابق بخش‌های بعد انجام می‌شوند.

آشنایی با ساختار جریان‌داده

این جریان‌داده از پنج مرحله تشکیل شده است:

1. درخواست POST و فایل PDF در نود Receive Resume PDF دریافت می‌شوند.
2. متن رزومه در نود Extract Text from PDF از فایل استخراج می‌شود.
3. متن استخراج‌شده و عنوان شغلی موردنظر در نود Analyze Resume with AI تحلیل می‌شوند. مدل زبانی این نود از طریق OpenRouter Chat Model در دسترس قرار می‌گیرد.
4. پاسخ مدل در نود Parse & Validate AI Response پاک‌سازی، اعتبارسنجی و به JSON تبدیل می‌شود.
5. نتیجه ساختاریافته در نود Return ATS Report به فراخواننده برگردانده می‌شود.

گام اول: ساخت API Key در OpenRouter

برای دسترسی n8n به مدل‌های OpenRouter، یک API Key ساخته می‌شود:

1. وارد صفحه API Keys در OpenRouter شده و روی New Key کلیک می‌شود.
2. نامی برای کلید در نظر گرفته می‌شود و در صورت نیاز، سقف مصرف آن مشخص می‌شود.
3. کلید ساخته‌شده کپی و در محلی امن نگه‌داری می‌شود. این مقدار پس از بسته‌شدن پنجره دوباره به‌طور کامل نمایش داده نمی‌شود.

API Key نباید در کد، فایل جریان‌داده یا مخزن گیت قرار داده شود. در صورت افشای کلید، کلید قبلی از OpenRouter حذف و کلید جدیدی ساخته می‌شود.

گام دوم: اتصال OpenRouter به n8n

پس از ساخته‌شدن کلید، Credential مربوط به OpenRouter در n8n تنظیم می‌شود:

1. نود OpenRouter Chat Model در جریان‌داده باز می‌شود.
2. در بخش Credential، گزینه ساخت Credential جدید انتخاب می‌شود.
3. API Key ساخته‌شده در فیلد API Key قرار داده و تنظیمات ذخیره می‌شوند.
4. با اجرای آزمون اتصال، نمایش پیام Connection tested successfully بررسی می‌شود.

مدل موردنظر در نود OpenRouter Chat Model از تب Parameters انتخاب می‌شود. Credential متصل‌شده و مدل انتخابی در همین بخش قابل مشاهده و تغییر هستند. دسترسی به مدل، هزینه و محدودیت‌های آن پیش از استفاده در فهرست مدل‌های OpenRouter بررسی می‌شوند.

گام سوم: بررسی آدرس Webhook

برای دریافت رزومه، آدرس Webhook جریان‌داده باید از بیرون سرویس در دسترس باشد. در صورت نیاز، متغیر WEBHOOK_URL در بخش متغیرهای محیطی سرویس n8n تنظیم می‌شود.

تصویر بالا محل افزودن متغیر را نشان می‌دهد. مقدار صحیح WEBHOOK_URL و سایر تنظیمات لازم مطابق راهنمای فعال‌سازی Webhook URL در n8n تنظیم می‌شوند.

سپس نود Receive Resume PDF باز و تنظیمات زیر بررسی می‌شوند:

• مقدار HTTP Method برابر POST است.
• مقدار Path برابر resume-analyzer است.
• مقدار Respond روی Using 'Respond to Webhook' Node قرار دارد.
• مقدار Field Name for Binary Data برابر resume_file است.

برای آزمایش در ادیتور از Test URL و گزینه Listen for test event استفاده می‌شود. برای استفاده مداوم، جریان‌داده فعال و درخواست به Production URL فرستاده می‌شود.

گام چهارم: ارسال رزومه و اجرای جریان‌داده

پیش از فراخوانی Production URL، آخرین تغییرات جریان‌داده ذخیره و با کلیک روی Publish منتشر می‌شوند. پس از انتشار، فعال‌بودن نسخه منتشرشده بررسی می‌شود؛ در غیر این صورت Production URL درخواست را دریافت نمی‌کند. برای آزمایش بدون انتشار می‌توان از Test URL و گزینه Listen for test event استفاده کرد.

برای آزمایش، یک درخواست POST به آدرس Webhook فرستاده می‌شود. بدنه درخواست از نوع multipart/form-data است و فیلدهای زیر در آن قرار می‌گیرند:

فیلد	نوع	الزامی	کاربرد
resume_file	File	بله	فایل رزومه با فرمت PDF
job_role	Text	خیر	عنوان شغلی هدف برای مقایسه رزومه

در نمونه زیر، فایل resume.pdf همراه با عنوان شغلی Senior DevOps Engineer از طریق Postman ارسال شده است.

همین درخواست با curl نیز به‌شکل زیر فرستاده می‌شود:

curl --request POST 'https://YOUR_N8N_DOMAIN/webhook/resume-analyzer' \
  --form 'resume_file=@"/path/to/resume.pdf"' \
  --form 'job_role="Senior DevOps Engineer"'

پس از دریافت درخواست، متن PDF استخراج و برای مدل انتخاب‌شده در OpenRouter ارسال می‌شود. سپس پاسخ مدل اعتبارسنجی شده و خروجی شامل فیلدهایی مانند موارد زیر برگردانده می‌شود:

• ats_score: امتیاز سازگاری رزومه با نقش شغلی
• best_suited_role: مناسب‌ترین نقش شغلی تشخیص‌داده‌شده
• missing_skills: مهارت‌هایی که در رزومه دیده نشده‌اند
• improvement_suggestions: پیشنهادهای بهبود رزومه
• summary: خلاصه ارزیابی

خروجی مدل هوش مصنوعی قطعی نیست و ممکن است با تغییر مدل یا ورودی متفاوت باشد. نتیجه این جریان‌داده برای غربالگری اولیه مناسب است و نباید جایگزین بررسی انسانی رزومه یا مبنای نهایی تصمیم‌گیری استخدامی قرار گیرد.

بررسی نتیجه اجرا

پس از ارسال موفق درخواست، اجرای جریان‌داده از تب Executions قابل بررسی است. سبزشدن همه نودها نشان می‌دهد که فایل دریافت شده، متن آن استخراج شده، پاسخ OpenRouter پردازش شده و گزارش نهایی به فراخواننده برگشته است.

در صورت خطا، خروجی همان نودی که اجرای آن متوقف شده است بررسی می‌شود. خطاهای رایج این جریان‌داده شامل نامعتبر بودن API Key، دردسترس‌نبودن مدل انتخاب‌شده، ناهماهنگی نام فیلد فایل با resume_file و ارسال فایلی غیر از PDF هستند.