Skip to content
The Chat Archive
gemini-2.5-pro· Google LMArena Human Preference 140K

Ich möchte in N8N einen Workflow bauen der Dokumente von einem Dropbox Ordner abruft,…

  1. User

    Ich möchte in N8N einen Workflow bauen der Dokumente von einem Dropbox Ordner abruft, diese Verarbeitet und einen vollständigen Beleg mit vorausgefüllten Datenfeldern in lexoffice (Lexware Office) ablegt, sodass dieser in Lexoffice in der WebGui unter "Zu Prüfen" erscheint und man idealerweise nur noch diesen Beleg öffnen und ohne Änderungen auf "Speichern" klicken kann und die Belegerfassung somit abgeschlossen ist. Dieser Workflow soll folgendes Können:

    • Dateien (PDF, jpg, png) von Dropbox Ordner abrufen
    • Falls die Dateien direkt Text enthalten (z.B. PDF Dokumente, die nicht gescannt wurden), soll dieser extrahiert werden
    • Dateien ohne Text (z.B. gescannte PDF Dokumente, png oder jpeg) sollten mithilfe der Mistral OCR Funtion in Text umgewandelt werden
    • Eine KI soll mithilfe des Textes nun den Beleb einordnen (Eingangsrechnung, Ausgangsrechnung) und die Buchhaltungsrelevanten Daten auswerten
    • anhand dieser Daten soll dann mit KI folgendes erreicht werden:
      • Das exakt passende Buchungskonto ermitteln (Bei Lexoffice heißen die Buchungskonten "Kategorien"
      • Falls ein Kontakt vorhanden ist, diesen Beleg dem passenden Kontakt zuordenen
      • Falls kein passender Kontakt vorhanden ist, einen neuen erstellen und den Beleg diesem Zuordnen

    Erstellle mir eine Machbarkeitsanalyse, zeige mir auf, was an dem Vorhaben schwierig werden könnte (wenn überhaupt) und was umsetzbar ist. Erstelle mir dann auch eine Textgrafische Übersicht, wie der Workflow im einzelnen in N8N aufgebaut sein muss um alle Funktionen zu haben.

  2. Assistant

    Absolut! Das ist ein ambitioniertes, aber sehr typisches und leistungsstarkes Automatisierungsprojekt für n8n. Hier ist eine detaillierte Analyse Ihres Vorhabens.

    Zusammenfassung vorab

    Das Projekt ist vollständig umsetzbar. Die grössten Herausforderungen liegen nicht in der technischen Machbarkeit, sondern in der Zuverlässigkeit der KI-Ergebnisse und der sauberen Logik zur Fehlerbehandlung. n8n ist das perfekte Werkzeug dafür, da es die nötige Flexibilität für die Verzweigungen und externen API-Anbindungen bietet.


    1. Machbarkeitsanalyse

    Analysieren wir die einzelnen Schritte auf ihre Umsetzbarkeit:

    AnforderungMachbarkeit in n8nBenötigte Nodes / Methode
    Dateien von Dropbox abrufenSehr hochDropbox Trigger Node. Dieser kann einen Ordner auf neue Dateien überwachen.
    Text aus textbasierten PDFs extrahierenSehr hochRead PDF Node. Dieser kann Text direkt aus PDFs extrahieren, sofern vorhanden.
    OCR für Bilder & gescannte PDFsHochHTTP Request Node. Es gibt keinen direkten "Mistral OCR" Node. Sie müssen die Mistral API (oder eine andere OCR-API wie Google Vision AI, AWS Textract) über einen HTTP-Request ansteuern. Das ist ein Standardvorgehen.
    KI-Analyse (Klassifizierung & Datenextraktion)HochMistral / OpenAI Chat Model / Anthropic Node. Hier füttern Sie den extrahierten Text in die KI und geben ihr über einen präzisen Prompt (Anweisung) vor, welche Daten sie im JSON-Format extrahieren soll.
    Passendes Buchungskonto (Kategorie) findenHochZweistufiger Prozess:1. HTTP Request: Alle verfügbaren Kategorien von Lexoffice abrufen (GET /v1/voucherlist/categories).2. AI Node oder Code Node: Die KI schlägt eine Kategorie vor, und Ihr Workflow sucht die exakte ID aus der abgerufenen Liste.
    Passenden Kontakt finden / zuordnenHochZweistufiger Prozess:1. HTTP Request: Alle Kontakte von Lexoffice abrufen (GET /v1/contacts).2. Code Node oder IF Node: Den von der KI extrahierten Lieferantennamen mit der Kontaktliste abgleichen (z.B. nach exaktem Namen oder Ähnlichkeit).
    Neuen Kontakt erstellenHochHTTP Request Node. Wenn kein Kontakt gefunden wird, wird ein POST-Request an den /v1/contacts-Endpunkt gesendet, um einen neuen Kontakt mit den von der KI extrahierten Daten zu erstellen.
    Beleg in Lexoffice hochladenSehr hochHTTP Request Node. Senden eines POST-Requests an den /v1/files-Endpunkt mit den aufbereiteten Daten und der Originaldatei.
    Ergebnis "Zu Prüfen" in LexofficeSehr hochDas ist das Standardverhalten der Lexoffice API. Ein über die API hochgeladener Beleg landet automatisch im Bereich "Belege" und muss manuell geprüft und verbucht werden. Ihr Ziel wird also standardmässig erreicht.

    2. Herausforderungen und kritische Punkte

    Obwohl alles technisch machbar ist, gibt es einige Punkte, die sorgfältige Planung erfordern:

    1. Qualität der OCR-Ergebnisse:

      • Problem: Geringe Auflösung, schlechte Scans, Knicke im Papier oder unübliche Schriftarten können zu fehlerhaftem Text führen.
      • Lösung: Eine gute Fehlerbehandlung ist entscheidend. Wenn die KI keine sinnvollen Daten extrahieren kann, sollte die Datei in einen "Manuell prüfen"-Ordner in Dropbox verschoben und eine Benachrichtigung (z.B. per E-Mail) gesendet werden.
    2. Zuverlässigkeit der KI-Datenextraktion (Prompt Engineering):

      • Problem: Das Herzstück des Workflows. Die KI muss extrem zuverlässig sein. Wenn sie das Datum falsch interpretiert (z.B. 01.12.2023 statt 12.01.2023) oder den Netto- und Bruttobetrag verwechselt, entstehen Buchungsfehler.
      • Lösung:
        • Exzellentes Prompt Design: Geben Sie der KI klare Anweisungen und Beispiele (Few-Shot-Prompting). Sagen Sie ihr, dass sie die Daten immer als strukturiertes JSON zurückgeben soll.
        • Validierung: Bauen Sie nach dem KI-Schritt Prüfungen ein. Ist Bruttobetrag = Nettobetrag + Steuerbetrag? Ist das extrahierte Datum plausibel?
    3. Matching von Kontakten und Kategorien:

      • Problem: Die KI extrahiert vielleicht "Schraubenhandel Meier GmbH", aber in Lexoffice ist der Kontakt als "Meier Schrauben-Handel GmbH & Co. KG" gespeichert. Ein einfacher Textvergleich schlägt fehl. Dasselbe gilt für Kategorien ("Büromaterial" vs. "Bürobedarf").
      • Lösung:
        • Fuzzy Matching: Nutzen Sie einen Code Node in n8n, um eine Ähnlichkeitssuche (z.B. mit der Levenshtein-Distanz) durchzuführen, anstatt auf eine 100%ige Übereinstimmung zu prüfen.
        • KI zur Vorselektion nutzen: Geben Sie der KI im Prompt die vollständige Liste Ihrer Lexoffice-Kategorien mit und weisen Sie sie an, eine davon auszuwählen. Das erhöht die Trefferquote dramatisch.
    4. Logik zur Kontakterstellung:

      • Problem: Wann genau soll ein neuer Kontakt erstellt werden? Wenn die KI durch einen OCR-Fehler einen Namen falsch liest, könnte sie unnötigerweise einen doppelten Kontakt anlegen.
      • Lösung: Setzen Sie eine hohe Schwelle für die Erstellung. Nur wenn die Ähnlichkeitssuche (siehe Punkt 3) einen Score unter z.B. 80% ergibt, wird ein neuer Kontakt angelegt. Der Rest landet zur manuellen Prüfung.

    3. Textgrafische Übersicht des N8N-Workflows

    So würde der Workflow in n8n strukturell aussehen. Jeder Block repräsentiert einen oder mehrere n8n-Nodes.

    ========================= START: TRIGGER & TEXT EXTRACTION =========================
    
    [Dropbox Trigger]
     "Neues Dokument im Ordner 'Inbox'"
         |
         v
    [IF Node: Dateityp prüfen]
     "Ist die Datei eine PDF?"
         |
         +-----> [JA] ----> [Read PDF Node]
         |                     |
         |                     v
         |                [IF Node: Text vorhanden?] --[NEIN (gescannte PDF)]-->+
         |                     |                                                |
         |                     +----[JA (textbasiert)]------------------------->+
         |                                                                      |
         +-----> [NEIN] --> [HTTP Request: Mistral OCR]  <----------------------+
                              "Bild in Text umwandeln"
                                    |
                                    v
    ========================= PHASE 2: AI ANALYSIS & DATA FETCHING =========================
                                    |
                                    v
    [AI Node: Mistral/OpenAI]
     "Extrahiere Rechnungssteller, Datum, Beträge etc. als JSON aus dem Text"
         |
         v
    [HTTP Request: Lexoffice]
     "GET: Lade ALLE Kontakte"
         |
         v
    [HTTP Request: Lexoffice]
     "GET: Lade ALLE Kategorien"
         |
         v
    ========================= PHASE 3: LOGIC & DECISION MAKING ==========================
         |
         v
    [Code Node: Kontakt-Matching]
     "Vergleiche extrahierten Lieferantennamen mit der Kontaktliste (Fuzzy Search)"
         |
         v
    [IF Node: Kontakt gefunden?]
         |
         +-----> [JA] ----> (Kontakt-ID für später merken) ----->+
         |                                                      |
         +-----> [NEIN] ---> [HTTP Request: Lexoffice]           |
                               "POST: Erstelle neuen Kontakt"     |
                                    |                             |
                                    v                             |
                              (Neue Kontakt-ID merken) --------->+
                                                                  |
                                                                  v
    [Code Node: Kategorie-Matching]
     "Finde die passende Kategorie-ID für die von der KI vorgeschlagene Kategorie"
         |
         v
    ========================= PHASE 4: FINAL UPLOAD & CLEANUP ============================
         |
         v
    [Set Node: Payload erstellen]
     "Baue das finale JSON für den Lexoffice-Upload zusammen (inkl. Datei, IDs, Beträge)"
         |
         v
    [HTTP Request: Lexoffice]
     "POST: /v1/files - Lade Beleg mit allen Daten hoch"
         |
         v
    [IF Node: Upload erfolgreich?]
         |
         +-----> [JA] ----> [Dropbox Node]
         |                   "Verschiebe Datei nach 'Processed/Success'"
         |
         +-----> [NEIN] ---> [Dropbox Node]
                             "Verschiebe Datei nach 'Processed/Error'"
                             |
                             v
                           [Email/Slack Node]
                            "Sende Fehlerbenachrichtigung"
    
    ======================================= END =======================================
    

    Dieser Workflow ist komplex, aber jeder einzelne Schritt ist klar definiert und mit den Bordmitteln von n8n (plus externen API-Calls) umsetzbar. Der größte Aufwand wird im Fine-Tuning der KI-Prompts und der Matching-Logik im Code Node liegen.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.