AI_n8n

目次

導入 背景と目的 RAG対応ワークフローの全体像 ベクターストアの設定 AIエージェントノードによる応答フロー Sub Workflow を用いた再検索ロジック フィールド統一による安定化 実行結果 まとめ Appendix. 詳細ステップ

1. 導入

前回までは、

• Slackでボットにメンション → Web検索 → 企業レポートを生成
• スレッド構造を利用して「前回レポート＋追加質問」に文脈応答

という 「一問一答から、スレッド単位の対話」 への進化を扱いました。

本記事ではさらに一歩進めて、RAG（Retrieval-Augmented Generation）を導入した STEP3 のワークフローを解説します。

RAGを導入することで、Botは

• 過去に取得した企業情報を ベクターストア（Vector Store）として蓄積
• 追加質問時には、まずそのDBを検索
• DBになければ追加でWeb検索・スクレイピングを実行し、結果を取り込む

という “継続学習型の企業リサーチBot” へ進化します。

2. 背景と目的

これまでのワークフローにも強みはありましたが、次のような課題が残っていました：

• 同じ企業に複数回質問するたびにフル検索しており、非効率 & コスト高
• 過去の検索結果が 「使い捨て」 になっていた
• 追加質問が増えると、回答の一貫性を保つのが難しい

RAG を導入する STEP3 の目的は：

1. 検索結果を知識ベースとして蓄積（Vector Store 化）
2. 同一スレッド・同一企業に対する質問であれば、まずDBから回答
3. 足りない部分だけ再検索し、LLMに統合させる

これにより、“調べるほど賢くなる企業Bot” を目指します。

3. RAG対応ワークフローの全体像

STEP3 のワークフローは、STEP2までの構成に 「ベクターストア」と「AIエージェント」を追加した形になっています。

● 親スレッドなし（新規企業検索）

1. Slackでボットにメンション（例：@bot 第一三共）
2. Firecrawl でWeb検索 → URL一覧を取得（Split out / Loop Over Items）
3. 各URLをスクレイピング（Firecrawl / Wait / On Error: Continue）
4. スクレイピング結果をまとめて LLM に渡し、企業レポートを生成
5. スクレイピング結果やレポートを Simple Vector Store に保存

● 親スレッドあり（既存企業に対する追加質問）

1. スレッドの親メッセージ（ルートメッセージ）を取得
2. これまでのスレッド情報＆企業情報を RAG用DBとして検索
3. DBに関連情報があれば、それをもとにAIエージェントが回答
4. DBに十分な情報がなければ、Sub Workflowを使って追加検索
5. 回答結果と新規情報を再度 DB に保存

このように、STEP3 では

「新規 → Web検索 → DB保存」
「追加質問 → DB検索 → 不足分だけWeb再検索」

という二段階構造になっています。

4. ベクターストアの設定

RAGの要となるのが Simple Vector Store ノードです。

● 追加ノード

•	ノード名（例）：Simple Vector Store
•	挿入位置：
o	    企業レポートを生成した後
o	    Slackへ返信する直前

● 主な設定項目

•	Model：Embedding Model
o	    small で十分だが、将来的には medium 以上も検討可能
•	Default Data Loader：Default Data Loader
•	Mode：Load Specific Data
•	Data：
o	    Merge ノードから集約した Markdown テキスト全体
o	    スクレイピング結果を結合したフィールド（例：output）

これにより、「スレッド単位の企業情報」が Embedding として蓄積されます。
以降の質問では、このDBを検索することで効率的に回答できます。

5.  AIエージェントノードによる応答フロー

STEP2 までは、通常の OpenAI ノードを使っていましたが、STEP3 では AI Agent ノード に切り替えます。

● Agentノードの設定例

•	Model：OpenAI Chat Model（GPTベース）
•	Memory：Simple Memory
o	    ここで、先ほどの Simple Vector Store を指定
•	Tools：Sub Workflow
o	    後述する「追加Web検索用ワークフロー」を Tool として登録

● 役割

AIエージェントは、以下のように振る舞います：

1. まず Vector Store を検索し、関連コンテキストを取得
2. それだけで十分な回答ができそうなら、そのまま回答生成
3. 不足がありそうなら、Tool（Sub Workflow）を呼び出し、Web再検索
4. 再検索結果と既存DBの情報を統合して回答文を作成

これにより、「ある程度自律的に情報を取りに行くエージェント」が実現します。

6. Sub Workflow を用いた再検索ロジック

今回のポイントは、Firecrawl が Agent の標準ツールとしては提供されていないことです。

そのため、以下のような構成を取ります。

● Sub Workflow の役割

• Agent から渡されたクエリ（企業名や質問文）を受け取る
• Firecrawl でWeb検索 → URL取得
• Loop Over Items + Firecrawl でスクレイピング
• コードブロックで Markdown を結合
• Agent に返すデータを整形して返却

● なぜ Sub Workflow が必要か？

• Agent ノードは「ツール」としてあらかじめ定義された機能しか呼び出せない
• Firecrawl はそのままでは Tool として見えないため、
  Firecrawl を内部に持つ Sub Workflow を Tool として登録 する、というアプローチになります。

7. フィールド統一による安定化

分岐（OpenAI ノード側 / Agent ノード側）ごとに出力フィールド名が異なると、最後の Slack Message ノードで 値を見失う ことがあります。

それを防ぐために、Edit Fields ノード を使用します。

● 設定のポイント

•	両方の経路の直前に Edit Fields を挿入
•	フィールド名を共通の output などに揃える
•	これにより、Slack Message ノードでは
o	    Message Text に {{$json["output"]}} のように一意指定が可能に

こうすることで、「初回投稿（OpenAI 経由）」でも、「スレッド返信（Agent 経由）」でも常に安定して Slack へ返信できるという状態が作れます。

8. 実行結果

STEP3 まで進めると、Slack での体験はかなり“人間味”を帯びてきます。

● 新規企業の調査

1. @bot アステラス製薬
2. → Web検索 + スクレイピング + レポート生成
3. → 同時に、スクレイピング結果が Vector Store に保存

● 追加質問

ユーザー：

「この会社のAI/DXの取り組みをもう少し詳しく知りたい」

Bot（内部処理）：

1. Vector Store を検索し、以前取得した AI/DX の記述を抽出
2. それだけでは足りなければ Sub Workflow で追加検索
3. 既存＋新規の情報を統合して、スレッドに回答

ユーザー側から見ると

「一度調べた企業について、何度質問しても“前回の内容を踏まえた回答”が返ってくる」

という体験になります。

9. まとめ

● STEP3 で実現したこと

本記事（STEP3）では、

• Simple Vector Store による 企業情報のベクターストア化
• AI Agent ノードを用いた RAGベースの応答生成
• Sub Workflow をツールとして利用する 再検索ロジック
• Edit Fields による フィールド名の統一と安定動作

といった実装を通じて、「問い合わせるほど学習する企業リサーチBot」 を形にしました。

● シリーズ最終回として

STEP1〜3を通じて、Slack + n8n + Firecrawl + OpenAI + Vector Store

を組み合わせた ライフサイエンス企業向けリサーチBot の全体像を見てきました。

• STEP1：企業検索の自動化
• STEP2：スレッド文脈を踏まえた質疑応答
• STEP3：RAG による継続学習 & 再検索

これで、実務で使えるレベルの「AI企業アナリスト」がほぼ完成形になります。

本シリーズはここで一区切りですが、今後はこのBotをベースに、

• 特定疾患領域ごとのテーマBot
• 特許・論文・治験情報に特化したリサーチBot
• 社内ナレッジとのハイブリッドRAG

など、用途別の派生も十分狙える構成になっています。

Appendix. 詳細ステップ

STEP3. RAGを実装する

一連の流れ

1. Slack上でボットをメンションすることでワークフローが起動
2. メッセージが親スレッドを持つか否かで条件分岐
   • 親スレッドなし・・・新規企業として新たに情報検索開始
     • 1.Firecrawlを用いてWeb検索を実施し、複数のURLを取得（Firecrawl / Split out）
     • 2.URL群に対してスクレイピングを実施（Loop Over Items / Firecrawl）
     • 3.結果をまとめて企業情報に関するレポートを生成（OpenAI）
   • 親スレッドあり・・・既存企業としてまずはDBを探索（RAG）
     • 1.スレッドの一番親となるルートメッセージを取得
     • 2.メッセージをLLMに読み込ませやすい形に変換
     • 3.エージェントノードにRAGを指示、DBにもない情報なら再度検索
3. LLMが生成したレポートをSlackの返信として送信
4. 今回、Web検索によって収集されたデータをRAG用のデータベースに追加

0. 既存のワークフロー部分は割愛

• 基本的なシステムについてはSTEP0を参照
• Slack返信周りについてはSTEP1,2を参照

1.　最終的な結果をDBに保存するノードの追加

1. Simple Vecoter Storeノードをフローの最後に追加。
   • ModelはEmbedding Modelを選択（smallで十分）

• Default Data Loaderをセット。ModeフィールドではLoad Specific Dataを選択。Dataにはスクレイピングの結果をまとめて追加したいのでMergeノードの結果を書き込み

2.　Reply側のLLMをAI Agentノードに変更。

• Model・・・OpenAI Chat Model
• Memory・・・Simple Memory（先ほど書き込んだもの）
• Tool・・・Sub workflowを設定

3. Sub Workflowについて。

• 必要性・・・Slackスレに記載された企業について深掘りしたい時に情報が存在しない場合もある。そういう時、さらに洗練したクエリで検索をかけたいような場合がある。そこで以下画像のようなSub Workflowを設定。こちらをAgentのToolとして与えることで、Agentが自由に検索機能を使えるようになる。
• SubWorkflowはワークフローの中でワークフローを呼び出したい時などに使える。今回は、FirecrawlというTool候補がAgentには存在しなかったため、直接使えないことが判明。そこでSub Workflowを通じてAgentが自由に検索できるようにした。

4. （追記）LLMの出力の後、フィールド名を合わせてあげるために、「Edit Fields」ノードを配置する。これは上部の分岐（OpenAI Chat Messageの後）にも追加してあげる

• 以下のように設定する。ポイントは「output」という項目名をちゃんと合わせること。これで「初回投稿の場合」「スレッドへの返信の場合」、どちらの分岐においても安定して返信できるようになる。（Edit Fieldsで項目名を合わせてあげないと、SlackMessageを送信する時に、値を見失ってしまうことがある模様）

ヘルツレーベンでは、ライフサイエンス業界に特化したDX・自動化支援を提供しています。
PubMedや学術情報の自動収集をはじめ、Slack・Gmailなどを活用したナレッジ共有の仕組みまで、実務に直結するワークフローを設計・導入いたします。

提供サービスの例

• 製薬・医療機器業界での提案活動や調査業務の自動化支援
• アカデミアや研究者向けの文献レビュー・情報共有フローの最適化
• 医療従事者のキャリア開発を支援するリスキリングプログラム

👉 ご興味をお持ちの方はぜひお気軽にお問い合わせください。
お問い合わせフォームはこちら

目次（STEP2：スレッド対応編）

導入 背景と目的 スレッド対応ワークフローの全体像 Slack App権限設定の追加 n8nフロー構成：条件分岐（IFノード）の設定 スレッド情報の取得（Get Threadノード） OpenAIノードによる文脈応答生成 MergeとSlack返信ノードの設定 実行結果 まとめ Appendix. 詳細ステップ

1. 導入

前回の記事では、Slack上で「@bot 企業名」とメンションするだけで、自動的に企業情報を収集・要約し、スレッドにレポートを返すワークフローを紹介しました。

今回はその発展編として、スレッド上での質問応答が可能な機能を追加します。

これにより、同一スレッド内で追加の質問や深掘り分析ができ、チーム内の議論をよりインタラクティブに進めることができます。

2. 背景と目的

通常、Slackボットは単発のメッセージに反応する構成が多く、文脈をまたいだ応答が難しいという課題がありました。

しかし、n8nとSlack APIを組み合わせることで、スレッド構造を検知し、親メッセージ（ルートメッセージ）を参照した上で、文脈を保持した回答を生成することが可能になります。

この仕組みにより、Slack上で「企業調査→補足質問→AIによる再分析」といった流れを1つのスレッド内で完結できます。

3. スレッド対応ワークフローの概要

ワークフローの基本的な流れは以下の通りです：

1. Slack上でボットをメンション
2. メッセージがスレッドに属するか（親スレッドがあるか）を判定
3. スレッドがなければ、新規企業としてWeb検索を開始
4. スレッドがあれば、ルートメッセージを取得し、会話全体をLLMに入力
5. OpenAIノードが文脈を踏まえた応答を生成
6. 結果をスレッドに返信
7. （発展）Web検索データをRAG用データベースに保存可能

4. Slack権限設定の追加

スレッド情報を取得するため、Slack Appに以下のBot Token Scopesを追加する必要があります：

•	channels:history
•	groups:history
•	im:history
•	mpim:history

これにより、ボットがスレッドの履歴データを取得し、前後文脈を参照可能になります。
権限を変更した場合は、再インストール（Reinstall the App）を忘れずに行います

5. 条件分岐（IFノード）の設定

Slack Triggerノードの直後にIFノードを追加します。

判定条件は以下の通りです：

• 条件：thread_ts が存在するか
  • 存在しない → 新規企業検索（STEP1ワークフローへ）
  • 存在する → スレッド返信（STEP2ワークフローへ）

この分岐によって、n8nがスレッド内返信か新規検索かを自動で判断できます。

6. スレッド情報の取得

リプライ時の分岐では、Slack APIノード「Get a thread of messages posted to a channel」を使用します。

設定項目：

•	Channel：トリガーから受け取ったチャンネルID
•	Thread_TS：スレッドの親メッセージID
•	Limit：1（親スレッドのみ取得する場合）

これにより、ルートメッセージを取得してLLMに読み込ませることができます。

7. LLMノードによる応答生成

次に、OpenAIノードを追加し、以下のプロンプト構成を設定します：

•	system: 企業アナリストとしての役割を指定
•	instruction: ルートメッセージとスレッド全体を参照し、質問に応じた補足説明を生成
•	input: Slackスレッドの本文
•	output: Markdown形式の回答

こうすることで、単発回答ではなく「前回のレポート＋質問内容」を踏まえた整合的な回答を出力できます。

8. 結果統合とSlack返信設定

最後に、Mergeノードで両分岐（新規検索／スレッド返信）を統合し、Slack Messageノードでスレッドに返信します。

設定ポイント：

•	Send Message To: チャンネルID
•	Message Text: OpenAIノードの出力
•	Reply to a Message: メッセージID（ts）

これで、新規検索でもスレッド返信でも安定した出力が可能になります。
リンクエラーを避けるため、フィールド指定は手動入力が推奨です。

9. 実行結果

Slack上での実行イメージ：

•	新規メンション → 企業情報レポートを自動返信
•	スレッド内質問 → 前回レポートを参照し、AIが文脈に沿って回答

この結果、Slack上での「リサーチBotとしての継続的対話」が実現します。
ユーザーは、複数回の検索やブラウザ操作を行わずに、チャット内で知見を深めることができます。

10. まとめ

今回紹介したスレッド対応機能により、Slack連携ボットが「一問一答型」から「文脈理解型」に進化しました。

次回は、STEP3としてRAG（Retrieval-Augmented Generation）を導入し、企業情報のデータベースを活用した高度な再検索・補足分析を実現します。

Appendix. 詳細ステップ

STEP2. スレッドに関する内容は質問応答ができる

一連の流れ

1. Slack上でボットをメンションすることでワークフローが起動
2. メッセージが親スレッドを持つか否かで条件分岐
   • 親スレッドなし・・・新規企業として新たに情報検索開始
     • 1.Firecrawlを用いてWeb検索を実施し、複数のURLを取得（Firecrawl / Split out）
     • 2.URL群に対してスクレイピングを実施（Loop Over Items / Firecrawl）
     • 3.結果をまとめて企業情報に関するレポートを生成（OpenAI）
   • 親スレッドあり・・・スレッドの内容を読み込んで返信する
     • 1.スレッドの一番親となるルートメッセージを取得
     • 2.メッセージをLLMに読み込ませやすい形に変換
     • 3.スレッドの内容も含めてLLMが気レポートを生成（OpenAI）
3. LLMが生成したレポートをSlackの返信として送信
4. 今回、Web検索によって収集されたデータをRAG用のデータベースに追加

1.まずは質問応答を可能にするためには、メンションされたメッセージの内容だけではなく他のメッセージも取得する必要があるので、SlackAppの権限を設定する。Slack通知の際に設定した権限に加えて、さらに4つの権限を追加する。

この時に、OAuth & Permissionsの権限を変更すると組織への再インストールが必要になるので、reinstall the appボタンで再インストールすることを忘れない。

試してみると上記のように、スレッドの親メッセージにある情報なども含めて全て取得できるようになる。

2.Slack Triggerの後ろにifノードを追加する。

IFノードの中は「thread_ts」が存在するか/しないかを判定させる。thread_tsが存在しない = スレッドではなく単なるメッセージである。逆にthread_ts が存在する = リプライである（つまり、前後関係を踏まえる必要がある）

3.リプライ時の分岐を作成する

• まずはメンションされたメッセージ以外のスレッド情報を取得するために、「Get a thread of messages posted to a channel」ノードを配置。

• 中身は以下のようにセット。今回、親スレッドのみ取得することを念頭に置いてLimit = 1に設定。もしスレッドの内容を全て取得したい場合は、Limit を増やすことで取得可能。1件のみ取得の場合はコードブロックは不要

4.AIノードを追加

• 前のSlack MessageもしくはJavascriptコードの結果を使ってLLMに与えるプロンプトを作成

5.Mergeノードをセットして、どちらの分岐であっても回答が送信されるように結果を統合。

• Mergeノードの中は「Append」を設定

• Slack Messageは「スラック返信ワークフロー」と同様に、Add Optionから「Reply to a message」を追加。一番初め、ワークフローのトリガーとなったSlack MessageのユニークなIDであるts をここに入れる。

ヘルツレーベンでは、ライフサイエンス業界に特化したDX・自動化支援を提供しています。
PubMedや学術情報の自動収集をはじめ、Slack・Gmailなどを活用したナレッジ共有の仕組みまで、実務に直結するワークフローを設計・導入いたします。

提供サービスの例

• 製薬・医療機器業界での提案活動や調査業務の自動化支援
• アカデミアや研究者向けの文献レビュー・情報共有フローの最適化
• 医療従事者のキャリア開発を支援するリスキリングプログラム

👉 ご興味をお持ちの方はぜひお気軽にお問い合わせください。
お問い合わせフォームはこちら

目次

導入 背景と目的 Slack連携による自動化の概要 Slack Appの設定手順 n8nでの設定 Webhook認証とイベント設定 Slackメッセージ返信の設定 実行結果 まとめ Appendix. 詳細ステップ

1. 導入

前回の記事では、n8n上でFirecrawlとOpenAIを組み合わせ、企業名を入力するだけでWeb検索からレポート生成まで自動で実行できる企業検索ボットの構築方法を紹介しました。

今回はその発展編として、Slack上から直接ボットを起動できる仕組みを解説します。
Slackで「@bot 企業名」とメンションするだけで、n8nがバックグラウンドで検索・分析を行い、その結果をスレッドに自動返信します。

これにより、リサーチや営業活動の現場で、チャットの中からシームレスに企業情報を取得できるようになります。

2. 背景と目的

Slackは多くのチームで日常的に利用されるコミュニケーション基盤です。
企業調査や提案活動の最中に、気になる企業名が出た瞬間に自動でレポートを返せる仕組みがあれば、情報収集のリードタイムを大幅に短縮できます。

n8nを用いたSlack連携により、コーディング不要で「Slack＝リサーチポータル」のような環境を構築できる点が大きな魅力です。

3. Slack連携による自動化の概要

Slack UIとの連携後は、以下の流れでワークフローが動作します。

1. Slack上でボットにメンション（例：「@bot ｘｘ製薬」）
2. FirecrawlがWeb検索を実施し、複数のURLを取得
3. 各URLをスクレイピングし、企業関連情報を収集
4. OpenAIノードがレポート形式で企業情報を要約・整理
5. SlackスレッドにMarkdown形式で自動返信

この仕組みにより、Slackを起点とした企業分析プロセスが完全自動化されます。

4. Slack Appの設定手順

まずは、Slack Appを新規に作成します。
Slack API（https://api.slack.com/apps）から「Create New App」を選択してください。

アプリ作成後、「App Home」タブにApp Display Nameを入力します。
この入力を忘れると、組織にアプリをインストールできません（最近の仕様変更点です）。

次に、左側メニューの「OAuth & Permissions」を開き、以下のBot Token Scopesを追加します。

•	app_mentions:read
•	chat:write
•	channels:history

設定後、「Install to Workspace」をクリックし、インストールが完了すると OAuth Token が発行されます。

5. n8nでの設定

続いて、n8n側でSlackとの連携を設定します。

1. Slack Credentialsを作成
   　n8nの「Credentials」設定画面で、以下を入力します：
   　- OAuth Token（Slackで発行されたBot Token）
   　- Signing Secret（Slackの「Basic Information」タブで確認）

2. Slack Triggerノードを追加
   　このノードを設置すると、Webhook URLが自動生成されます。
   　このURLを後ほどSlack側に設定します。

6. Webhook認証とイベント設定

Slackの管理画面に戻り、「Event Subscriptions」を開きます。

• 「Enable Events」をONにする
• 「Request URL」にn8nで発行されたWebhook URLを貼り付ける

Slackが自動的に認証テストを行い、成功すると「verified」と表示されます。
これでSlackとn8n間のWebhook連携が確立されます。

次に、「Subscribe to bot events」欄で app_mention を追加します。
これにより、Slack上でボットがメンションされるたびにn8nのワークフローが起動します。

7. Slackメッセージ返信の設定

企業情報をスレッド内に返信するために、n8nの Slack Messageノード を設定します。

項目	内容
Send Message To	返信先のチャンネルID
Message Text	OpenAIノードで生成されたMarkdown形式のレポート
Reply to a Message	メッセージID（ts）

この設定を行うことで、ボットはメンション元のスレッドに自動的に返信します。

また、n8nでは分岐や集約を多用するとデータリンクが途切れる「linking errors」が発生することがあります。
このため、各フィールドを手動で指定することで安定動作を確保します。

8. 実行結果

ここまでの設定が完了すると、Slack上で「@bot 企業名」とメンションするだけで、
企業情報の自動レポートがスレッドに返信されるようになります。

レポートはMarkdown形式で整形され、読みやすく即座に共有可能です。

日常的なコミュニケーションの流れの中で、最新の企業情報を取得できる環境が整います。

@企業情報検索ボット
対象企業：武田薬品工業株式会社（Takeda Pharmaceutical Company Limited）
業種：医薬品

事業概要
武田薬品工業株式会社は、日本を代表する国際製薬企業であり、消化器系疾患、希少疾患、血液系腫瘍、オンコロジー（がん）、ニューロサイエンス（神経精神疾患）、ワクチン領域に焦点を置いた研究開発・販売を行っています。
研究開発は特にがん、希少疾患、免疫、神経、消化器、ワクチンの5領域に集中しており、特にオンコロジーや希少疾患、希少免疫領域では臨床開発の後期段階の製品も有しています。
ビジネスモデルとしては、自社開発製品の販売に加え、買収によるパイプライン強化や、他社製品の導入・提携も積極的に行っています。
かつては一般医薬品部門も保有していましたが、現在は処方薬中心のポートフォリオ構成を保持しています。

売上・業績情報
•	2023年3月期の売上高は約4兆274億円
•	営業利益は約9,059億円
•	直近5年では、持続バランスの取れた事業成長と安定的な収益体質を維持している
•	海外売上比率は約79.9%（2024年上半期データ）でグローバル展開が主体
•	セグメント別では消化器疾患、がん、希少疾患医薬品が売上の大部分を占める
事業規模・組織体制
•	連結従業員数は47,455名（2025年3月31日時点）
•	本社は大阪市中央区および東京都中央区にあり、主要R&D拠点を国内外に配置
•	研究開発拠点として米国ボストン、スイス・チューリッヒ、シンガポール等に展開し、オープンイノベーションを重視
•	グローバル経営体制のもと、多様な人材構成を特徴とするダイバーシティ経営を実践

主力製品・新製品について
主な販売中の製品：
•	エンティビオ（消化管用抗炎症薬）
•	ニンラーロ（多発性骨髄腫治療薬）
•	アディシブ（高血圧治療薬）
•	アルンブリグ（非小細胞肺がん治療薬）
•	テイクカブリ（HIV治療薬）
開発中の注目パイプライン：
•	シャイアー買収により希少疾患・オンコロジー領域で先進的なパイプラインを多数保有
•	Innovent社との共同開発プロジェクトが進行中（2025年10月時点の最新発表）
•	神経疾患・ワクチン領域でも新規開発案件が拡大中

想定される経営課題・事業課題
•	特許切れ（パテントクリフ）への対応
•	グローバル開発コスト・販売コストの上昇による収益性圧迫
•	開発プロセスの長期化およびFDA等の承認遅延リスク
•	欧米市場における価格規制・薬価引き下げリスク
•	プロジェクトマネジメントとコンプライアンスの両立課題
•	AI創薬領域への投資増大に伴うROI不確実性

AI・DXに関する取り組み
•	創薬工程にAIを活用したドラッグ・ディスカバリー技術の導入を推進
•	外部ベンチャーとの協働を通じた創薬AI基盤の構築
•	営業部門ではリモートMRおよびCRMデータ統合による営業効率化を実施
•	ロボティック・プロセス・オートメーション（RPA）導入で業務標準化を推進
•	グローバル本社直轄でAI活用推進部門を新設し、各国子会社間で技術連携を展開

リサーチに関する提案・次のアクション
1.	AI創薬分野の国内外パートナー動向の比較分析
2.	製薬大手におけるパテントクリフ対応策の定量比較
3.	Takedaの主要新薬の地域別収益構造（アジア・北米・欧州）分析
4.	リモートMR導入後の営業効率化とROI検証
5.	オンコロジー領域におけるAI創薬ベンチャーとの共同研究数・投資比率の可視化

備考
本レポートは2025年10月末時点の公情報（プレスリリース・IR資料等）を基に作成されています。

9. まとめ

Slack連携により、n8nで構築した企業検索ボットをチームのワークフローに自然に組み込むことが可能になります。
FirecrawlやOpenAIノードと組み合わせることで、Slackを起点にした軽量な情報収集プラットフォームが完成します。

今後は、スレッド内での追加質問への対応（RAG拡張）や、社内データベースとの統合も視野に入れることで、より高度なリサーチ支援Botへ発展させることができます。

Appendix. 詳細ステップ

STEP1. 企業検索ワークフロー（Slack UI）

一連の流れ

1. Slackからボットにメンションすることでワークフローを起動
2. Firecrawlを用いてWeb検索を実施し、複数のURLを取得（Firecrawl / Split out）
3. URL群に対してスクレイピングを実施（Loop Over Items / Firecrawl）
4. 結果をまとめて企業情報に関するレポートを生成（OpenAI）
5. 結果をSlack上でリプライとして送信

Slackからメンションしてワークフローを起動できるようにする

必要なもの：
Slack Appのアクセストークン
Slack AppのSigning Secret

1.Slack APIのAppsから新しいAppを新規作成する。

（⚠️最近の更新を経てから、「App Home」タブの中にあるApp Display Nameを入力してあげないと、組織に作成したAppをインストールできなくなっているため、まずはここを入力する）

2.左側サイドバーのメニューから「OAuth & Permissoins」を選択しBot Token Scopesの中から以下のScopeを選択（必要なScopesは以下）

3.インストールに成功するとOAuth Tokenが発行される。これをn8nのCredentialsとして登録

4.もう一つ、Signature Secretがn8nの画面では求められるが、このフィールドにはSlack App「Basic Information」タブにあるSigning Secretをコピーして貼り付ける

5.SlackのCredentialsを設定した状態で、「Slack Trigger」ノードを配置してあげると、「Webhook URLs」が発行されている。まずはこのTest URLをコピーする。

6.Slack側の設定をもう一つ追加する前に、まずはExecute Workflowを押して、Listening for test event状態にする。後ほどSlack側で認証テストを行うのだが、この時にListeningしておかないと、Slackとn8nの間で認証が確立されないため、前に進められない

7.Slackからボットをメンションするだけで、n8nのノードを起動できるようにする設定として、もう一度Slack Appのページに戻る。サイドバーから「Event Subscriptions」を開くと以下の画面が表示される。

• まずはEnable EventsをONにする。
• 次にRequest URLに先ほどコピーしたURLを配置する
• 勝手に認証を行ってくれて成功すると verifiedと表示される

8.最後に「Evnet Subscriptions」下部にある「Subscribe to bot events」のフィールドを開き、「Add bot user event」からapp_mentionのScopeを追加する

これで認証が成功したので、Slackからボットをメンションすればワークフローが起動するようになっている。

Slackのスレッドに返信する

1. まずはSlackからのメンションを受けてみる
   • a.先ほど同様にSlack TriggerのブロックをExecute Stepで、メンションを待ち受ける状態にする。その状態でSlack上で botに@をつけてメンション。すると以下のようなスキーマのデータが届いていることがわかる。

2. 質問者のスレッドに返信を返す仕組みを設定する。
   • まずワークフローの一番最後に、Slack Messageブロックを配置する。中に入れていくパラメータを設定していきたいのだが、その前にSlackの「どのチャンネルから問い合わせが来たか」「どのメッセージのスレとして返信すれば良いか」を特定する。
     
     • ts・・・Slackチャンネル内メッセージの一意なID
     • channel・・・お問合せが来たチャンネルのID

• 本来ならドラッグ＆ドロップで画像赤枠の要素を、右側のフィールドに入れれば良いのだが、linking errorsが発生してしまう可能性が高い（通常の直列処理だと、一本のメインストリームの流れをちゃんと記憶したままフローが進行するが、分岐やMerge、Aggregate処理を行うとフローの流れや対応情報が抜け落ちてしまう、n8n特有のエラー）。そこで以下画像のように入力する

• Send Message To・・・これはChannelを指定する。ChannelIDが入るようにしたい。フィールドをクリックすると、現在の接続情報で繋いでいるチャンネルの一覧を見ることもできる。「このチャンネルだけで回答生成したい」といった固定ニーズがあるときは、ここに直接入力しても良い。
• Message Text・・・これはSlackのメッセージとして返却するテキストの本文がはいる。本ワークフローで言えば一つ前のOpenAIブロックが出力するMarkdown形式の回答が入る
• Options >Reply to a Message・・・このOptionsを設定しないと、チャンネルに普通のメッセージとして出力されてしまう。最初のSlack Triggerブロックに含まれているtsカラムが、メッセージのIDになっているので、これを指定する。

ここまでの設定が正しくできていると、以下のようにSlackに返信として企業情報に関するレポートがまとめて帰ってくる。

ヘルツレーベンでは、ライフサイエンス業界に特化したDX・自動化支援を提供しています。
PubMedや学術情報の自動収集をはじめ、Slack・Gmailなどを活用したナレッジ共有の仕組みまで、実務に直結するワークフローを設計・導入いたします。

提供サービスの例

• 製薬・医療機器業界での提案活動や調査業務の自動化支援
• アカデミアや研究者向けの文献レビュー・情報共有フローの最適化
• 医療従事者のキャリア開発を支援するリスキリングプログラム

👉 ご興味をお持ちの方はぜひお気軽にお問い合わせください。
お問い合わせフォームはこちら

目次

導入 ワークフロー全体像 n8n設定の基本構造 FirecrawlによるWeb検索 4.1 検索ノード設定 4.2 結果の分割 スクレイピング設定 スクレイピング結果の整理 OpenAIノードによる企業レポート生成 出力例 最後の出力設定 まとめ 詳細ステップ

1. 導入

ライフサイエンス業界では、製薬・医療機器・バイオテック・ヘルスケアSaaSといった多様なプレイヤーが、急速な技術革新とパートナーシップの変化を続けています。
市場調査・提携分析・営業戦略立案において、「特定企業の最新情報をすぐに調べたい」というニーズは日常的に発生します。

しかし、実際にはニュースサイトやIRページを複数回り、情報を整理して報告書を作るには手間がかかります。
本記事では、そのような課題を解決するために構築した 「企業検索ボット」 の仕組みを紹介します。

このボットは、企業名を入力するだけで自動的にWeb検索→スクレイピング→要約→レポート出力までを実行します。
すべてノーコードで構築できるため、分析者・リサーチャー・営業担当者が誰でも導入可能です。

2. ワークフロー全体像

企業名をフックに、Web検索から企業分析レポートを自動生成する流れは以下の通りです。

3. n8n設定の基本構造

3.1 トリガー設定

最初のノードとして
「When Chat Message Received」 を使用。

これにより、n8n内のチャット画面で企業名を入力するとワークフローが起動します。

4. FirecrawlによるWeb検索

4.1 検索ノード設定

Firecrawlノードで 「Search and optionally scrape search results」 を選択。

ここでLimit = 5に設定すると、上位5件のURLを取得します。テスト時はLimit = 1に設定しておくとコストを抑えられます。

4.2 結果の分割

「Split out」ノードを追加し、
data.webを指定することで、Firecrawlが取得した結果を1件ずつ分割します。スプレッドシートの行のように、URLごとのループ処理が可能になります。

5. スクレイピング設定

「Loop Over Items」ノードを追加し、Batch Size = 1に設定。

Firecrawlで 「Scrape a URL and get its content」 を選び、各URLの本文を自動的に取得します。

• On Error → Continue に変更：
  　スクレイピングに失敗したURLがあってもワークフローが停止しないようにします。
• Waitノード（5秒）を追加：
  　短時間に連続リクエストを送るとエラーが起きやすいため、明示的に待機を入れます。（Firecrawl利用時のマナーとしても有効）

6. スクレイピング結果の整理

複数ページから取得したテキストを1つにまとめるため、以下のようなコードブロックを追加します。

return {
  output: $input.all()
    .map(e => e.json.data?.markdown)
    .filter(markdown => markdown !== undefined)
    .join(',');
};

// 基礎：
// $input.all()という前の処理から流れてきた全てのデータを受け取って
// その中にある$input.all()/data/markdownというコンテンツを読み取り
// 取得できた全てのmarkdownを対象にして、
// ','、つまりカンマで区切って結合していく

// 応用：
// e.json?.markdownで、markdownが存在せずともundefinedという値を返す
// これによりスクレイピングでエラーが起きてデータがなくても
// エラーにならない。

// その後にあるfilter(markdown => markdown !== undefined)
// ⇒ markdownがundefinedじゃないもの（否定）のみ抽出

このスクリプトにより、全てのスクレイピング結果を
カンマ区切りで1つのテキストデータにまとめ、OpenAIに渡せる形式に整形します。

7. OpenAIノードによる企業レポート生成

次にOpenAIノードを追加します。

以下のようにプロンプトを構成することで、製薬・バイオ・医療機器企業に最適化した分析レポートを生成します。

🔧 プロンプト概要

▼ プロンプトの詳細（今日の日付 と スクレイピング結果 を変数として利用）

#syste_role
あなたは優秀な企業アナリストであり、特にライフサイエンス、製薬、バイオテクノロジー業界の企業分析を専門としています。

#instruction
•	ユーザーから提供された企業名（検索対象企業）について、Web検索を行い、最新かつ正確な情報に基づいて詳細な企業分析レポートを作成してください。
•	レポートは、以下の #output_format で指定されたセクションからなる構造で記述してください。アウトプットはMarkdown形式で出力してください。
•	情報が見つからないセクションについては、「情報が見つかりませんでした」と明記してください。ハルシネーションを避けるためにも、存在しない情報から文章を生成しないでください。
•	特に「AI, DXに関する取り組み」と「想定される経営課題・事業課題」は、ライフサイエンス・製薬業界の文脈を踏まえて深く分析してください。
•	分析は #input_data に与えられた事実のみをもとに行ってください。

#output_format
•	会社名（検索対象企業の正式名称を記述）
•	事業概要
　主要な事業領域、ターゲット疾患、研究開発パイプラインのフェーズ
　（例：臨床開発後期が多い、基礎研究中心など）、主要なビジネスモデル
　（例：自社開発・販売、導出中心など）を具体的に記述。
•	売上・営業利益
　直近の会計年度、または公表されている最新の財務実績（売上高、営業利益、前年比成長率など）を記載。
　可能であれば、セグメント別の売上構成にも言及。
•	事業規模・組織体制
　従業員数、拠点（国内・海外）、主要な研究開発（R&D）体制の特徴
　（例：オープンイノベーションへの積極性、特定技術への集中投資など）を記述。
•	主力製品や新製品について
　現在の収益の柱となっている製品名、適応症、および開発中のフェーズの進行している新薬候補（パイプライン）を具体的に記述。
•	想定される経営課題・事業課題
　製薬・ライフサイエンス業界特有の課題（例：パテントクリフ、開発費高騰、規制当局の承認時期、グローバル競争下での技術的遅れなど）を記載。
　企業が直面していると想定される具体的課題を深く分析して記述。
•	AI, DXに関する取り組み
　AIを活用した新薬探索（ドラッグ・ディスカバリー）、臨床開発の効率化、営業・マーケティング領域でのDX（例：リモートMR、デジタルチャネル活用）、RPA導入などの具体的事例を記述。
•	リサーチに関するアイデア
　上記分析を踏まえ、この企業や業界動向についてさらに深掘りして調査すべきリサーチテーマや次のアクションを記述。
　（例：競合他社のAI投資状況比較、特定製品の地域別市場シェア調査などを 3〜5点程度）

#input_data
{{ $json["Join markdown text into a string"].item.json.output }}

#current_date
{{ $now.format('yyyy-MM-dd') }}

8. 出力例

@企業情報検索ボット
対象企業：武田薬品工業株式会社（Takeda Pharmaceutical Company Limited）
業種：医薬品

事業概要
武田薬品工業株式会社は、日本を代表する国際製薬企業であり、消化器系疾患、希少疾患、血液系腫瘍、オンコロジー（がん）、ニューロサイエンス（神経精神疾患）、ワクチン領域に焦点を置いた研究開発・販売を行っています。
研究開発は特にがん、希少疾患、免疫、神経、消化器、ワクチンの5領域に集中しており、特にオンコロジーや希少疾患、希少免疫領域では臨床開発の後期段階の製品も有しています。
ビジネスモデルとしては、自社開発製品の販売に加え、買収によるパイプライン強化や、他社製品の導入・提携も積極的に行っています。
かつては一般医薬品部門も保有していましたが、現在は処方薬中心のポートフォリオ構成を保持しています。

売上・業績情報
•	2023年3月期の売上高は約4兆274億円
•	営業利益は約9,059億円
•	直近5年では、持続バランスの取れた事業成長と安定的な収益体質を維持している
•	海外売上比率は約79.9%（2024年上半期データ）でグローバル展開が主体
•	セグメント別では消化器疾患、がん、希少疾患医薬品が売上の大部分を占める
事業規模・組織体制
•	連結従業員数は47,455名（2025年3月31日時点）
•	本社は大阪市中央区および東京都中央区にあり、主要R&D拠点を国内外に配置
•	研究開発拠点として米国ボストン、スイス・チューリッヒ、シンガポール等に展開し、オープンイノベーションを重視
•	グローバル経営体制のもと、多様な人材構成を特徴とするダイバーシティ経営を実践

主力製品・新製品について
主な販売中の製品：
•	エンティビオ（消化管用抗炎症薬）
•	ニンラーロ（多発性骨髄腫治療薬）
•	アディシブ（高血圧治療薬）
•	アルンブリグ（非小細胞肺がん治療薬）
•	テイクカブリ（HIV治療薬）
開発中の注目パイプライン：
•	シャイアー買収により希少疾患・オンコロジー領域で先進的なパイプラインを多数保有
•	Innovent社との共同開発プロジェクトが進行中（2025年10月時点の最新発表）
•	神経疾患・ワクチン領域でも新規開発案件が拡大中

想定される経営課題・事業課題
•	特許切れ（パテントクリフ）への対応
•	グローバル開発コスト・販売コストの上昇による収益性圧迫
•	開発プロセスの長期化およびFDA等の承認遅延リスク
•	欧米市場における価格規制・薬価引き下げリスク
•	プロジェクトマネジメントとコンプライアンスの両立課題
•	AI創薬領域への投資増大に伴うROI不確実性

AI・DXに関する取り組み
•	創薬工程にAIを活用したドラッグ・ディスカバリー技術の導入を推進
•	外部ベンチャーとの協働を通じた創薬AI基盤の構築
•	営業部門ではリモートMRおよびCRMデータ統合による営業効率化を実施
•	ロボティック・プロセス・オートメーション（RPA）導入で業務標準化を推進
•	グローバル本社直轄でAI活用推進部門を新設し、各国子会社間で技術連携を展開

リサーチに関する提案・次のアクション
1.	AI創薬分野の国内外パートナー動向の比較分析
2.	製薬大手におけるパテントクリフ対応策の定量比較
3.	Takedaの主要新薬の地域別収益構造（アジア・北米・欧州）分析
4.	リモートMR導入後の営業効率化とROI検証
5.	オンコロジー領域におけるAI創薬ベンチャーとの共同研究数・投資比率の可視化

備考
本レポートは2025年10月末時点の公情報（プレスリリース・IR資料等）を基に作成されています。

9. 最後の出力設定

最後に「Respond to Chat」ノードを配置します。

「When Chat Message Received」ノードの設定において、Response Mode → Using Response Nodes を選択しておくことで、n8nのチャット画面上に直接レポートが出力されます。

10. まとめ

本記事で紹介した「企業検索ボット（STEP0）」は、
ライフサイエンス業界のリサーチを圧倒的に効率化できる仕組みです。

今後は、Slack連携やスレッド単位のQ&A、RAGデータベース化へと拡張し、「会話で企業を理解するボット」として進化させていきます。

11. 詳細ステップ

STEP0. 企業検索ボット簡易ワークフロー

一連の流れ

1. メッセージを受信することでワークフローを起動

• When Chat message recievedを最初のノードに設定

• 次にFirecrawlと検索、その中の「Search and optionally scrape search results」を選択

• ノードの設定は以下。
  Limit = 5となっている部分は検索結果として取得するURLの数を示している。
  Limitの数を多くすれば、その分大量のURLを取得することができるが、LLM APIのコストもFirecrawlのコストも嵩む。テストを行う時にはLimit = 1に設定して、1件のみ取得するなど注意が必要である。

• 次に「Split out」ノードを追加する。このノードはFirecrawlが取得したデータを分して、ループ処理できるように変換する役割を持つ。以下のように、data.webと記載するとFirecrawlが取得したデータを分割して、Spreadsheetで言う一行ずつに整形してくれる。

• Loop Over Items を追加。

• 設定のBatch Sizeは1に設定しておく

• 次にもう一度Firecrawlノードを追加するが、今回は「Scrape a url and get its content 」を選択。

• 内部の設定は以下。Urlフィールドに、一つ目のFirecrawlノードで取得したURLを1つずつ入れていく。これにより、10個のURLがあっても1つずつ検索していくことができる

• 追加の設定で「Settings」タブを選択して、On ErrorをデフォルトのStop WorkflowからContinueに変更する。これがないと、スクレイピングできないサイトに遭遇した際に毎回ワークフローが止まってしまい、回答が返ってこない。

• Waitノードを各スクレイピングの後に追加する。Firecrawlは同時に複数回のリクエストを送信するとエラーになってしまうことがある。なので明示的に5秒くらい待機させてエラーを回避する必要がある。また、スクレイピングのマナーとしても最低1秒は待機させることが好ましい。

• 今回は明示的に5秒待機。

• Loopしたスクレイピング結果をまとめてLLMに投げるデータとして準備する必要があるため、コードブロックをセット

• コードブロックでは以下のようなコードを記述

return{
output:$input.all()
    .map(e=>e.json.data?.markdown)
    .filter(markdown=>markdown!==undefined)
    .join(',')
};

// 基礎：
// $input.all()という前の処理から流れてきた全てのデータを受け取って
// その中にある$input.all()/data/markdownというコンテンツを読み取り
// 取得できた全てのmarkdownを対象にして、
// ','、つまりカンマで区切って結合していく

// 応用：
// e.json?.markdownで、markdownが存在せずともundefinedという値を返す
// これによりスクレイピングでエラーが起きてデータがなくても
// エラーにならない・
// その後にあるfilter(markdown => markdown !== undefined)
// でmarkdownがundefinedじゃないもの（否定）のみ抽出

• LLMノードを追加（今回はOpenAIを使用）

▼プロンプトの詳細は以下（今日の日付とスクレイピング結果を変数として利用）

#syste_role
あなたは優秀な企業アナリストであり、特にライフサイエンス、製薬、バイオテクノロジー業界の企業分析を専門としています。

#instruction
-
ユーザーから提供された企業名（検索対象企業）について、Web検索を行い、最新かつ正確な情報に基づいて詳細な企業分析レポートを作成してください。
-レポートは、以下の#output_formatで指定されたセクションからなる構造で記述してください。アウトプットの生成はMarkdown形式で出力してください。
-情報が見つからないセクションについては、「情報が見つかりませんでした」と明記してください。ハルシネーションを避けるためにも存在しない情報からの文章生成を絶対に行わないでください。
-特に「AI,DXに関する取り組み」と「想定される経営課題・事業課題」は、ライフサイエンス・製薬業界の文脈を踏まえて深く分析してください。分析は#input_dataにて与えられた事実のみをもとに行なってください。

#output_format
*会社名*（検索対象企業の正式名称を記述）

*事業概要*（主要な事業領域、ターゲット疾患、研究開発パイプラインのフェーズ（例：臨床開発後期が多い、基礎研究が中心など）、主要なビジネスモデル（例：自社開発・販売、導出中心など）を具体的に記述）

*売上・営業利益*（直近の会計年度、または公表されている最新の財務実績（売上高、営業利益、前年比成長率など）を記述。単位（例：億円）を明記。可能であれば、セグメント別の売上構成にも言及）

*事業規模・組織体制*（従業員数、拠点（国内・海外）、主要な研究開発（R&D）体制の特徴（例：オープンイノベーションへの積極性、特定技術への集中投資など）を記述）

*主力製品や新製品について*（現在の収益の柱となっている製品名、適応症、および開発中のフェーズの進んでいる新薬候補（パイプライン）について具体的に記述）

*想定される経営課題・事業課題*（製薬・ライフサイエンス業界特有の課題（例：**特許の崖（パテントクリフ）**への対応、開発費高騰、規制当局の承認動向、グローバル競争における特定の技術的遅れなど）を念頭に、この企業が直面していると想定される具体的な課題を深く分析して記述）

*AI,DXに関する取り組み*（AIを活用した新薬探索（ドラッグ・ディスカバリー）、____________臨床開発の効率化、営業・マーケティングにおけるDX（例：リモートMR、デジタルチャネルの活用）、RPA導入など、具体的な取り組み事例を記述）

*リサーチに関するアイデア*（上記分析を踏まえ、この企業や業界動向についてさらに深掘りして調査すべき具体的なリサーチテーマや次のアクション（例：競合他社の同様のAI投資状況の比較、特定の主力製品の地域別市場シェア調査など）を3～5点提案）

#input_data
{{$('Join markdown text into a string').item.json.output}}

# current_date
{{$now.format('yyyy-MM-dd')}}

• 最後にRespond to chatノードを追加

• このままだとエラーになるので一番最初のWhen chat message recievedノードの設定を少し変更する。Add OptionsからResponse Modeを選択し、Using Response Nodesにする。これでn8n内のチャット画面からワークフローを起動して、最終的な結果をチャットに返すことができる

ヘルツレーベンでは、ライフサイエンス業界に特化したDX・自動化支援を提供しています。
PubMedや学術情報の自動収集をはじめ、Slack・Gmailなどを活用したナレッジ共有の仕組みまで、実務に直結するワークフローを設計・導入いたします。

提供サービスの例

• 製薬・医療機器業界での提案活動や調査業務の自動化支援
• アカデミアや研究者向けの文献レビュー・情報共有フローの最適化
• 医療従事者のキャリア開発を支援するリスキリングプログラム

👉 ご興味をお持ちの方はぜひお気軽にお問い合わせください。
お問い合わせフォームはこちら