LifeScience

目次

ワークフローの全体イメージ 8. Send a message: ⽣成された回答をSlackに返信 9. Convert to File1ノードでCSVファイルに変換 10. Upload a fileノードでSlackにCSVファイルをアップロード 拡張案：GoogleスプレッドシートやMicrosoft Excelへの出⼒

ワークフローの全体イメージ

		検索	結果	UI
Part 1	⾃然⾔語からAPI検索を実施	単語	要約	Slack
Part 2	⾃然⾔語からAPI検索を⾏い⽣成AIが要約を実施	⽂章	要約	Slack
Part 3	検索結果の⼀覧からcsvファイルと要約を⽣成する	⽂章	要約 + csvファイル	Slack

Part3.  検索結果の⼀覧からCSVファイルと要約を⽣成する

◆⼊⼒と回答のゴールイメージ

1. Slack上でボット宛てに質問を⾏う

2. Slack上にAPI検索結果の要約とcsvが送信される

＜ワークフローの流れ＞

1. Slack Trigger: Slackへのメンションをトリガーにワークフローを開始。
2. Information Extractor: ユーザーの質問から、AIがClinicalTrials.govの検索クエリパラメータを抽出。
3. Code in JavaScript6: 抽出されたパラメータから空の項⽬を削除しJSONを整形。
4. HTTP Request: 整形されたクエリパラメータを⽤いてClinicalTrials.gov APIを検索。
5. Code in JavaScript: 取得した臨床試験データを整形し、AI向けに要約テキストを⽣成。
6. Code in JavaScript1: 取得した臨床試験データを整形し、CSV⽤の構造化データを⽣成。
7. Message a model: Geminiモデルが要約されたデータとユーザーの質問に基づき回答を⽣成。
8. Send a message: ⽣成された回答をSlackに返信。
9. Convert to File1: Code in JavaScript1で⽣成された構造化データをCSVファイルに変換。
10. Upload a file: 変換されたCSVファイルをSlackにアップロード。

◆ワークフローの説明

🚨   Part1,2の拡張版なので従来通りのブロックについては詳解せず、新規追加されたブロックのみ説明します。🚨

1. Slack Triggerノードでワークフロー起動
   （前回同様なので割愛）

2. Information  Extractorノードで検索条件を抽出
   （前回同様なので割愛）

3. Code in JavaScript6ノードでクエリを整形
   （前回同様なので割愛）

4. HTTP RequestノードでAPIを検索
   （前回同様なので割愛）

5. Code in JavaScriptノードでデータを整形（要約テキスト⽤）
   （前回同様なので割愛）

6. Message a modelノードでAIが回答を⽣成
   （前回同様なので割愛）

7. Send a messageノードでSlackに返信
   （前回同様なので割愛）

8. Send a message: ⽣成された回答をSlackに返信

HTTP Requestノードで取得した⽣のJSONデータを、CSVファイル⽣成⽤に構造化します。
このノードは、HTTP Requestノードの出⼒を直接参照して処理を⾏います。
下記のコードは全てコピペで大丈夫です。

return $('HTTP Request').all()[0].json.studies.map(study ⇒ { 
const idMod = study.protocolSection.identificationModule; 
const status = study.protocolSection.statusModule;
const condMod = study.protocolSection.conditionsModule; 
const design = study.protocolSection.designModule;
const arms = study.protocolSection.armsInterventionsModule;
const contacts = study.protocolSection.contactsLocationsModule

return { 
 json : {
  NCTId : idMod.nctId, 
  title : idMod.briefTitle,
  status : status.overallStatus, 
  type : design.studyType,
  phase: (design.phases || []).join('|'), 
  conditions : (condMod.conditions || []).join('|'),
  interventions : (arms.interventions || []).map(i ⇒ i.name).join('|'), 
  enrollment : design.enrollmentInfo.count,
  start_date : status.startDateStruct.date,
  end_date : status.completionDateStruct.date,
  locations : [...new Set((contacts.locations || []).map(loc ⇒ loc.country))].join('|'), 
  url : `https://clinicaltrials.gov/study/${idMod.nctId}`
  }
 }
})

• 役割: APIから返された複数の試験データ（ studies ）をループ処理し、各試験の情報を構造化されたオブジェクトとして抽出します。各試験は独⽴したアイテムとして出⼒され、次のConvert to File1ノードでCSV形式に変換されます。
• 出力形式:  各試験が以下のようなデータに整形された状態で出⼒されます。

{
  "NCTId": "NCT01234567",
  "title": "試験のタイトル", 
  "status": "RECRUITING",
  "type": "INTERVENTIONAL", 
  "phase": "PHASE2|PHASE3",
  "conditions": "条件1|条件2",
  "interventions": "介⼊1|介⼊2",
  "enrollment": 100,
  "start_date": "2024-01-01",
  "end_date": "2025-12-31",
  "locations": "United States|Japan",
  "url": "<https://clinicaltrials.gov/study/NCT01234567>"
}

• ポイント（応⽤）:
  • locations フィールドでは、 […new Set(…)] を使⽤して重複する国名を除去しています。
  • interventions フィールドでは、介⼊情報の配列から name プロパティを抽出して結合しています。
  • phase フィールドでは、複数のフェーズがある場合は| で区切って結合しています。
• 格納先: 構造化されたオブジェクトの配列が、次のConvert to File1ノードに渡されます。

9. Convert to File1ノードでCSVファイルに変換

Code in JavaScript1ノードで生成された構造化データを、CSV形式のファイルに変換します。

設定項⽬	値	役割
File Format	csv	出⼒ファイル形式をCSVに指定します。

• 役割: 構造化されたJSONデータの配列を、ExcelやGoogleスプレッドシートなどで開けるCSV形式のファイルに変換します。
• ⼊⼒: Code in JavaScript1ノードから渡された、各試験を表すオブジェクトの配列
• 出⼒: CSV形式のファイルオブジェクト（次のUpload a fileノードで使⽤可能な形式）

10. Upload a fileノードでSlackにCSVファイルをアップロード

Convert to File1ノードで⽣成されたCSVファイルを、元のメッセージが投稿されたチャンネルとスレッドにアップロードします。

設定項⽬	値	役割
Resource	file	ファイルをアップロードするという宣⾔です。
Channel ID (Options)	={{$(‘Slack Trigger’).item.json.channel }}	元のメッセージが投稿されたチャンネルのIDを取得し、アップロード先とします。
Thread TS (Options)	={{$(‘Slack Trigger’).item.json.ts }}	元のメッセージのタイムスタンプ（ ts ）を取得し、スレッドへの返信としてファイルをアップロードします。

• 役割: CSVファイルを、ユーザーがメンションしたSlackチャンネル内の元のメッセージのスレッドに添付ファイルとして投稿します。これにより、ユーザーは検索結果の⼀覧をスプレッドシート形式でダウンロード‧分析することができます。
• その他:
  •  Options > Thread Timestampを追加しないと、チャンネルにそのまま普通のメッセージとして送信されてしまいます。最初にユーザーが質問をしたメッセージのts (タイムスタンプ)を挿⼊してあげることで、メッセージのリプライとして送信が可能です。

お疲れ様でした。ここまでで文章で検索するClinicalTrials.govワークフローは完成です。

拡張案：GoogleスプレッドシートやMicrosoft  Excelへの出⼒

本ワークフローでは、CSVファイルをSlackに直接アップロードする⽅式を採⽤していますが、以下のような拡張も可能です。
各ツール（Google Cloud / Microsoft Online）の認証情報が必要なため、今回は利⽤を控えましたが、ビジネスでの実⽤性を考えるとSpreadsheetやExcelへの出⼒もチャレンジする価値はあると思います。

Googleスプレッドシートへの出⼒

1. Google Sheetsノードを使⽤して、Code in JavaScript1の出⼒データを直接スプレッドシートに書き込みます。
2. スプレッドシートの共有URLを⽣成し、そのURLをSlackメッセージに含めます。

Microsoft Excel（.xlsx）ファイルの⽣成

1. Microsoft   Excelノードを使⽤して、構造化データを直接Excelファイルとして⽣成します。
2. ⽣成されたExcelファイルをSlackにアップロードします。

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

ワークフローの全体イメージ 1. Slack Triggerノードでワークフロー起動 2. Information Extractorノードで検索条件を抽出 3. Code in JavaScriptノードでクエリを整形 4. HTTP RequestノードでAPIを検索 5. Code in JavaScriptノードでデータを整形 6. Message a modelノードでAIが回答を⽣成 7. Send a messageノードでSlackに返信

ワークフローの全体イメージ

		検索	結果	UI
Part 1	⾃然⾔語からAPI検索を実施して要約	単語	要約	Slack
Part 2	⾃然⾔語からAPI検索を⾏い、⽣成AIが要約まで実施	⽂章	要約	Slack
Part 3	検索結果の⼀覧からcsvファイルと要約を⽣成する	⽂章	要約 + csvファイル	Slack

赤文字でハイライトされた箇所が、本記事で解説している部分です

Part2. ⽂章で質問すると情報を抽出して詳細なAPI検索を実施し、要約を返す

◆⼊⼒と回答のゴールイメージ

Slack上での質問

得られる回答のイメージ

@ボットのメンション ⼩児喘息を対象とした第2相または第3相で、現在参加者を募集している治験のうち、最新のものから15件

ご質問ありがとうございます。「糖尿病」に関連するClinicalTrials.govに登録されている臨床試験について、取得したデータに基づいてご説明いたします。提供されたデータによると、糖尿病に関連する様々な側⾯（診断、治療、合併症など）を対象とした複数の試験が実施されていることがわかります。これらには、観察研究と介⼊研究の両⽅が含まれており、中には既に完了したものや、これから参加者募集を開始する予定の試験もあります。 以下に、抽出された疾患名や条件をもとに、具体的な試験内容を要約してご紹介します。 ### 1. 糖尿病性⼼⾎管合併症に関する研究* **Diabetic Cardiovascular Complications: Multi-Omics Analysis** (ID: NCT06824233) * **概要**: 糖尿病患者における⼼⾎管合併症について、マルチオミクス解析を⽤いて研究する観察研究です。糖尿病が⼼⾎管系に与える影響を多⾓的に解析することを⽬指しています。 * ** ステータス**: 2025年3⽉1⽇から募集開始予定 （NOT_YET_RECRUITING）です。 * **詳細**: ⾎管系に与える影響を多⾓的に解析することを⽬指しています。 * ** ステータス**: 2025年3⽉1⽇から募集開始予定 （NOT_YET_RECRUITING）です。 * **詳細**: [https://clinicaltrials.gov/study/NCT06824233] (https://clinicaltrials.gov/study/NCT06824233) **Genetic Markers of Coronary Heart Disease in Type 2 Diabetes** (ID: NCT00078052) * **概要**: 2型糖尿病患者における冠状動脈性⼼臓病の遺伝⼦マーカーを特定するための観察研究です。⼤規模な参加者 （12万⼈）を対象として実施されました。 * **ステータス**: 完了済み （COMPLETED）です。 * **詳細**: [https://clinicaltrials.gov/study/NCT00078052] (https://clinicaltrials.gov/study/NCT00078052) ### 2. 糖尿病性合併症の治療に関する研究 … (中略) ### まとめ 現在、ClinicalTrials.govには、糖尿病の診断、様々な合併症（⼼⾎管疾患、⾜潰瘍、網膜症、神経障害など）の治療法開発、特定の糖尿病タイプ（1型、2型、前糖尿病）への介⼊、および⾎糖モニタリング技術の評価など、多岐にわたる研究が登録されています。ほとんどの試験は既に完了していますが、「Diabetic Cardiovascular Complications: Multi-Omics Analysis (ID: NCT06824233)」は2025年3⽉から募集開始予定です。 これらの情報が、糖尿病に関する臨床試験の理解の⼀助となれば幸いです。

＜ワークフローの流れ＞

1. Slack Trigger: Slackへのメンションをトリガーにワークフローを開始。
2. Information Extractor:  ユーザーの質問から、AIがClinicalTrials.govの検索クエリパラメータを抽出。
3. Code in JavaScript6: 抽出されたパラメータから空の項⽬を削除しJSONを整形。
4. HTTP Request: 整形されたクエリパラメータを⽤いてClinicalTrials.gov APIを検索。
5. Code in JavaScript: 取得した臨床試験データを整形し、AI向けに要約。
6. Message a model: Geminiモデルが要約されたデータとユーザーの質問に基づき回答を⽣成。
7. Send a message: ⽣成された回答をSlackに返信。

1. Slack Triggerノードでワークフロー起動

このノードは、ワークフローの起点となる部分です。

設定項⽬	値	役割
Trigger	app_mention	Slack上でこのn8nボットにメンションがあったときにワークフローを起動します。
Watch Whole Workspace	true(緑色になっている状態が正しい状態)	ワークスペース全体のメンションを監視します。
Name	Sack Trigger	–

• 役割: Slack上にインストールされたn8nボットアカウントに対してメンションを⾏うことで、ワークフローを起動します。
• 期待するメッセージ形式:

@ボットのアカウント名
⼩児喘息を対象とした第2相または第3相で、現在参加者を募集している治験のうち、最新のものから15件

• 注意点:
  • メンションの後、必ず改⾏を⼊れてから検索したい疾患名（条件）やその他の検索指⽰を⼊⼒してください。
  • 前記事と同じで「Watch Whole Workspace」はONにしておいてください。

2. Information  Extractorノードで検索条件を抽出

ここが本記事で最も重要なノードになります。文章形式で自然言語を投げてあなたの意図を読み取ってAPI検索を行うための土台になるノードです。

このノードは、ユーザーの⾃然⾔語の質問を、ClinicalTrials.gov API が理解できる厳密なクエリパラメータに変換します。

• ⼊⼒テキスト: ={{$('Slack Trigger').item.json.text.split('\n')[1] }}
  • Slackメッセージの改⾏以降（2⾏⽬）のテキストが⼊⼒されます。
• 役割: ユーザーの質問（例: 「第3相の治験を15件、⽇本で」）から、疾患名（ query.cond ）、件数（ pageSize ）、並び順（ sort ）、⾼度なフィルタ（ filter.advanced など）といった複数の要素をAIが解析し、次のノードへJSON形式で出⼒します。

以下の「項⽬」「必須」「抽出指⽰」をそれぞれInformation Extrractorのフィールドに抽出してください。

以下は全てコピペで大丈夫です。

項⽬名 (Name)	必須 (Required)	Description (抽出指⽰)
query.cond	必須	Extract only the formal disease or condition names in the userʼs input suitable for the “ConditionSearch Area” in Essie expression syntax. Return as valid Essie expressions (e.g. diabetes, (lung OR breast) AND cancer). If in Japanese, translate to English.
sort	必須	Extract sorting preferences and output as a comma- or pipe-separated string of ClinicalTrials.gov field names, with optional :asc or :desc , and without brackets or array syntax. Example: “@relevance” , “EnrollmentCount:desc,NumArmGroups” , “LastUpdatePostDate” . Return as a plain string, not a JSON array.
pageSize	必須	If the user specifies the number of results desired, extract and return as pageSize(e.g., “一覧で10件” → pageSize: 10). Default to 10 if unspecified.
query.term	任意	Extract other relevant search terms (e.g., symptoms,findings, study context) for “BasicSearch Area” in Essiesyntax. Return as valid Essie expressions (e.g., AREA[LastUpdatePostDate]RANGE[2023-01-01,MAX] ). If in Japanese, translate as needed.
query.locn	任意	Extract location (country, region, city, etc.) relevant for “LocationSearch Area” in Essie syntax. Return as AREA expressions (e.g., AREA[LocationCountry]Japan AND AREA[LocationStatus]Recruiting ). Translate to English.
query.intr	任意	Extract intervention/treatment names, medical devices,or substance keywords from user input for “InterventionSearch Area”. Return as AREA expressions (e.g., AREA[InterventionName]Liraglutide ). Translate toofficial English values.
query.id	任意	Extract study IDs (NCT numbers, aliases), return as IDs or AREA expressions as appropriate. E.g., NCT01234567 or AREA[NCTIdAlias]JP12345
filter.overallStatus	任意	Extract specific recruitment statuses (e.g., “募集中”, “完了” etc.), map to allowed API status codes and return asarray, e.g., RECRUITING, COMPLETED. Use official allowedvalues: ACTIVE_NOT_RECRUITING, COMPLETED, ENROLLING_BY_INVITATION, NOT_YET_RECRUITING, RECRUITING, SUSPENDED, TERMINATED, WITHDRAWN, AVAILABLE, NO_LONGER_AVAILABLE, TEMPORARILY_NOT_AVAILABLE, APPROVED_FOR_MARKETING, WITHHELD, UNKNOWN.
filter.advanced	任意	Extract any advanced area+operator expressions from the user’s input and return as valid Essie expressions for ClinicalTrials.gov API. For any field that uses enumeratedvalues (such as trial phase), always translate user input (e.g., “第3相”) to the enum value from this list: NA, EARLY_PHASE1, PHASE1, PHASE2, PHASE3, PHASE4, output in the format AREA[Phase]PHASE3.

3. Code in JavaScriptノードでクエリを整形

Information Extractorノードの出⼒には、ユーザーが指定しなかった空の検索パラメータも含まれます。このノードは、それらの不要な空のパラメータを削除し、APIリクエスト⽤のクリーンなJSONオブジェクトを作成します。この作業をしないとHTTP RequestノードでAPI検索を⾏う時に、どうしてもエラーが発⽣してしまいます。

let output = $json.output||{};
let results = {
  'query.cond':output['query.cond']||"",
// ... 他のパラメータの初期化 ...
};

const filtered = Object.fromEntries(
  Object.entries(results).filter(([k,v])=>
    v!==""&&v!=null
);

return{json:filtered};

• 役割: Information Extractorノードから受け取ったデータから、値が空でない（ “” や null ではない）パラメータだけを抽出します。
• ⽬的: 必要な検索条件のみを次のHTTP Requestノードに渡すことで、APIへのリクエストを最適化し、正確な検索結果を得るための前処理を⾏います。

4.  HTTP RequestノードでAPIを検索

Code in JavaScript6ノードで整形されたクエリパラメータを⽤いて、「ClinicalTrials.gov」のAPIを呼び出し、臨床試験データを取得します。

設定項⽬	値	役割
URL	https://clinicaltrials.gov/api/v2/studies	ClinicalTrials.govのAPIエンドポイントです。
Send Query	true	クエリパラメータを付けてリクエストを送信します。
Specify Query	json	前のノードから渡されたJSONオブジェクト全体をクエリとして使⽤することを指定します。
JSON Query	={{$json.toJsonString()}}	Code in JavaScript6ノードから受け取った動的な検索パラメータ（JSON）を⽂字列化して、リクエストに含めます。

• 役割: AIが抽出した複雑で動的な検索条件を⼀括でAPIに渡し、最新の臨床試験データ（JSON形式）を取得します。

5. Code in JavaScriptノードでデータを整形

HTTP Requestノードで取得した⽣のJSONデータを、次のAIノードが処理しやすいように、また最終的な回答に含めるために必要な情報だけを抽出‧整形します。

const studies = $input.all()[0].json.studies;
// ... (中略) ... 
return `
▼ ${idMod.briefTitle} 
ID: ${idMod.nctId}
Status: ${status.overallStatus} / Type: ${design.studyType} / Phase: ${(design.phases || []).join('|')} 
Conditions: ${(condMod.conditions || []).join('|')}
// ... (後略) ...
`.trim();
}).join('\n\n');

return [{json: {summary: textSummary}}];

• 役割: APIから返された複数の試験データ（studies）をループ処理し、各試験のタイトル、ID、ステータス、フェーズ、条件、登録者数、期間、URLなどの主要情報を抽出し、読みやすいテキスト形式に結合します。
• 出力形式: 以下の形式で、各試験の要約が\n\nで区切られて連なります。

▼ [試験のタイトル]
ID: [NCT ID]
…
URL: https://clinicaltrials.gov/study/[NCT ID]

• 格納先: 整形されたテキストは、 summary というキーを持つJSONオブジェクトとして次のノードに渡されます。

6. Message a modelノードでAIが回答を⽣成

整形された臨床試験データとユーザーの元の質問に基づき生成AIが専⾨家として回答⽂を⽣成します。

設定項⽬	値	役割
Model ID	models/gemini-2.5-flash	使⽤するAIモデルを指定します。
Messages	2つのプロンプトを設定	AIへの指⽰と⼊⼒データを渡します。

◆プロンプト（AIへの指⽰とデータ）の詳細

1. システムプロンプト (役割と指⽰):

#Role
あなたは医療‧臨床試験の専⾨家です。

#Instruction
これからユーザーの質問内容とClinicalTrials.gov  APIから取得した試験データを渡します。
ユーザーの疑問やニーズに対して、取得したデータを根拠に、分かりやすく丁寧に答えてください。
回答では、抽出された疾患名や条件をもとにClinicalTrials.govの試験内容を要約し、質問に沿って解説してくださ
い。
与えられた情報以外の情報は絶対に含めないでください。専⾨家として確実に正しい根拠のある情報のみを提出してください。
仮に、与えられたデータで回答することが困難な場合は、ユーザーに別の質問⽅法を促してください。
⽂章は必ず⽇本語で⽣成してください。
治験のタイトルなども⽰しながら、どのような治験が存在するかを説明してください。

AIに医療‧臨床試験の専⾨家としての役割を与え、与えられたデータのみに基づき、分かりやすく根拠のある回答を⽣成するように厳しく指⽰しています。

2. ユーザープロンプト (入力データ):

#input_data
{{ $('Code in JavaScript').item.json.summary }}

URLを使って根拠を⽰す場合は以下を⽤いる
（#input_data内に⽰されたnctIdとURL接尾辞のIDが対応しているため、
根拠を⽰す場合は必ずこの対応関係を⽤いる。誤った根拠の提供は決しておこなわない）

#user_query
{{ $('Slack Trigger').item.json.text.split('\n')[1]}} 

7. Send a messageノードでSlackに返信

AIが⽣成した回答を、元のメッセージが投稿されたチャンネルとスレッドに返信します。

設定項⽬	値	役割
Send Message to	channel	投稿先としてチャンネルを指定します。
Channel ID	={{$(‘SlackTrigger’).item.json.channel }}	元のメッセージが投稿されたチャンネルのIDを取得し、返信先とします。
Text	={{$json.content.parts[0].text }}	AIノード（Message a model）で⽣成された回答テキストを取得します。
thread_ts (Reply Values)	={{$(‘Slack Trigger’).item.json.ts }}	元のメッセージのタイムスタンプ（ ts ）を取得し、スレッドへの返信として投稿します。

• 役割: AIによって⽣成された最終回答を、ユーザーがメンションしたSlackチャンネル内の元のメッセージのスレッドに投稿し、会話を完結させます。

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

ワークフローの全体イメージ 1. Slack Triggerノードでワークフロー起動（Use Cases in Life Sciences） 2. HTTP RequestノードでAPIを検索 3. Code in JavaScriptノードでデータを整形 4. Message a modelノードでAIが回答を⽣成 5. Send a messageノードでSlackに返信

ワークフローの全体イメージ

		検索	結果	UI
Part 1	⾃然⾔語からAPI検索を実施して要約	単語での検索	要約	Slack
Part 2	⾃然⾔語からAPI検索を⾏い、⽣成AIが要約まで実施	⽂章での検索	要約	Slack
Part 3	検索結果の⼀覧からcsvファイルと要約を⽣成する	⽂章での検索	要約 + csvファイル	Slack

Part1. 打ち込んだ症例に関連する治験情報10件分を要約して返す

◆⼊⼒と回答のゴールイメージ

Part1で目指すゴールは「単語で検索」して「単語に紐づく症例の論文を検索する」までです。

文章での検索や論文リスト（csv）の作成はPart2以降で解説します。

Slack上での質問

得られる回答のイメージ

@ボットのメンション diabetes

ご質問ありがとうございます。「糖尿病」に関連するClinicalTrials.govに登録されている臨床試験について、取得したデータに基づいてご説明いたします。提供されたデータによると、糖尿病に関連する様々な側⾯（診断、治療、合併症など）を対象とした複数の試験が実施されていることがわかります。これらには、観察研究と介⼊研究の両⽅が含まれており、中には既に完了したものや、これから参加者募集を開始する予定の試験もあります。 以下に、抽出された疾患名や条件をもとに、具体的な試験内容を要約してご紹介します。 ### 1. 糖尿病性⼼⾎管合併症に関する研究 Diabetic Cardiovascular Complications: Multi-Omics Analysis (ID: NCT06824233) 概要: 糖尿病患者における⼼⾎管合併症について、マルチオミクス解析を⽤いて研究する観察研究です。糖尿病が⼼⾎管系に与える影響を多⾓的に解析することを⽬指しています。 ステータス: 2025年3⽉1⽇から募集開始予定 （NOT_YET_RECRUITING）です。 詳細:  https://clinicaltrials.gov/study/NCT06824233 Genetic Markers of Coronary Heart Disease in Type 2 …(中略) ### まとめ 現在、ClinicalTrials.govには、糖尿病の診断、様々な合併症（⼼⾎管疾患、⾜潰瘍、網膜症、神経障害など）の治療法開発、特定の糖尿病タイプ（1型、2型、前糖尿病）への介⼊、および⾎糖モニタリング技術の評価など、多岐にわたる研究が登録されています。ほとんどの試験は既に完了していますが、「Diabetic Cardiovascular Complications: Multi-Omics Analysis (ID: NCT06824233)」は2025年3⽉から募集開始予定です。 これらの情報が、糖尿病に関する臨床試験の理解の⼀助となれば幸いです。

＜ワークフローの流れ＞

1. Slack Trigger: Slackへのメンションをトリガーにワークフローを開始。
2. HTTP Request: Slackから受け取った疾患名でClinicalTrials.gov APIを検索。
3. Code in JavaScript: 取得した臨床試験データを整形し、AI向けに要約。
4. Message a model: Geminiモデルが要約されたデータとユーザーの質問に基づき回答を⽣成。
5. Send a message: ⽣成された回答をSlackに返信。

1. Slack Triggerノードでワークフロー起動

このノードは、ワークフローの起点となる部分です。

設定項⽬	値	役割
Trigger On	Bot / App Mention	Slack上でこのn8nボットにメンションがあったときにワークフローを起動します。
Watch Whole Workspace	true（スライダーを緑にしておく）	このスイッチをONにしておくことで、どのSlackチャンネルでボットをメンションしてもn8nのワークフローが動く様になります。

• 役割: Slack上にインストールされたn8nボットアカウントに対してメンションを⾏うことで、ワークフローを起動します。
• 期待するメッセージ形式:

@ボットのアカウント名 
diabetes

• 注意点:
  • メンションの後、必ず改⾏を⼊れてから検索したい疾患名（条件）を⼊⼒してください。
  • ClinicalTrials.govの検索条件となるため、症例‧条件は英語で⼊⼒する必要があります。
    • Part2以降は、日本語で検索可能となります。

2. HTTP RequestノードでAPIを検索

Slackから受け取った疾患名を使い、「ClinicalTrials.gov」のAPIを呼び出し、臨床試験データを取得します。

設定項⽬	値	役割
URL	https://clinicaltrials.gov/api/v2/studies	ClinicalTrials.govのAPIエンドポイントです。
Send Query	true	クエリパラメータを付けてリクエストを送信します。
Query Parameters	2つのパラメータを設定	–

◆クエリパラメータの詳細

Name	Value	役割
query.cond	={{$json.text.split(‘\n’)[1] }}	検索条件となる疾患名（Conditions）を指定します。Slack Triggerノードから渡されたメッセージ（ $json.text ）を改⾏⽂字（ \n ）で分 割し、2番⽬の要素（インデックス [1] 、つまり改⾏以降の⽂字）を抽出して検索クエリとします。
pageSize	10	取得する試験結果の数を10件に制限します。

•  役割: Slackで⼊⼒された疾患名（例: diabetes ）をAPIの検索クエリに変換し、最新の臨床試験データをJSON形式で取得します。
• ポイント: ここで、前述のSlackメッセージ形式の注意点（改⾏と2⾏⽬に条件）が活かされています。

3. Code in JavaScriptノードでデータを整形

以下はコードブロックにてJavascriptを使っていますが、ワークフローの稼働を優先したい方はコードをそのままコピー&ペーストしてください。

HTTP Requestノードで取得した⽣データを、AIが処理しやすいように、また最終的な回答に含めるために必要な情報だけを抽出‧整形します。

const studies = $input.all()[0].json.studies; 
const textSummary = studies.map(study ⇒ {
const idMod  = study.protocolSection.identificationModule;
const status = study.protocolSection.statusModule;
const condMod = study.protocolSection.conditionsModule; 
const design = study.protocolSection.designModule;

return `
▼ ${idMod.briefTitle} 
ID: ${idMod.nctId}
Status: ${status.overallStatus} / Type: ${design.studyType} / Phase: ${(design.phases || []).join('|')} 
Conditions: ${(condMod.conditions || []).join('|')}
Enrollment: ${design.enrollmentInfo.count}
Dates: ${status.startDateStruct.date} 〜 ${status.completionDateStruct.date} 
URL: https://clinicaltrials.gov/study/${idMod.nctId}
`.trim();
}).join('\n\n');

return [{json: {summary: textSummary}}];

• 役割: APIから返された複数の試験データ（ studies ）をループ処理し、各試験のタイトル、ID、ステータス、フェーズ、条件、登録者数、期間、URLなどの主要情報を抽出し、読みやすいテキスト形式に結合します。
• 出⼒形式:

▼ [試験のタイトル]
ID: [NCT ID]
Status: [全体ステータス] / Type: [研究タイプ] / Phase: [フェーズ]
Conditions: [条件1|条件2…]
Enrollment: [登録者数]
Dates: [開始日] 〜 [完了予定日]
URL: https://clinicaltrials.gov/study/[NCT ID]

… (次の試験データへ続く)

• 格納先: 整形されたテキストは、 summary というキーを持つJSONオブジェクトとして次のノードに渡されます。

4.  Message a modelノードでAIが回答を⽣成

整形された臨床試験データとユーザーの元の質問に基づき、Google Geminiモデルが専⾨家として回答⽂を⽣成します。

設定項⽬	値	役割
Model ID	models/gemini-2.5-flash	使⽤するAIモデルを指定します。
Messages	2つのプロンプトを設定	AIへの指⽰と⼊⼒データを渡します。

◆ プロンプト（AIへの指⽰とデータ）の詳細

1. システムプロンプト (役割と指⽰):

#Role
あなたは医療‧臨床試験の専⾨家です。

#Instruction
これからユーザーの質問内容とClinicalTrials.gov APIから取得した試験データを渡します。
ユーザーの疑問やニーズに対して、取得したデータを根拠に、分かりやすく丁寧に答えてください。
回答では、抽出された疾患名や条件をもとにClinicalTrials.govの試験内容を要約し、質問に沿って解説してくださ
い。
与えられた情報以外の情報は絶対に含めないでください。専⾨家として確実に正しい根拠のある情報のみを提出してください。
仮に、与えられたデータで回答することが困難な場合は、ユーザーに別の質問⽅法を促してください。
⽂章は必ず⽇本語で⽣成してください。
治験のタイトルなども⽰しながら、どのような治験が存在するかを説明してください。

AIに医療‧臨床試験の専⾨家としての役割を与え、与えられたデータのみに基づき、分かりやすく根拠のある回答を⽣成するように厳しく指⽰しています。

2. ユーザープロンプト (⼊⼒データ):

#input_data
$('Code in JavaScript').item.json.summary }}

URLを使って根拠を⽰す場合は以下を⽤いる
（#input_data内に⽰されたnctIdとURL接尾辞のIDが対応しているため、
根拠を⽰す場合は必ずこの対応関係を⽤いる。誤った根拠の提供は決しておこなわない）

#user_query
$('Slack Trigger').item.json.text.split('\n')[1]}}

• #input_data : 前のノードで整形された臨床試験の要約テキストを渡します。
• #user_query : Slack Triggerから受け取った元のメッセージから、ボットのメンション部分
  • split(ʼ\nʼ) で改⾏を起点に単語を分割し、2つ⽬の要素を取得
• 役割: AIが専⾨的な知識と具体的なデータ（ClinicalTrials.govの結果）を組み合わせて、ユーザーの質問に対する質の⾼い回答を⽣成します。

5. Send a messageノードでSlackに返信

AIが⽣成した回答を、元のメッセージが投稿されたチャンネルとスレッドに返信します。

設定項⽬	値	役割
Send Message To	Channel	投稿先としてチャンネルを指定します。
Channel By ID	={{$(‘SlackTrigger’).item.json.channel }}	元のメッセージが投稿されたチャンネルのIDを取得し、返信先とします。
Message Text	={{$json.content.parts[0].text }}	AIノード（Message a model）で⽣成された回答テキストを取得します。
Reply To a Message	={{$(‘Slack Trigger’).item.json.ts }}	まずは、画面下部にあるAdd Optionから「Reply To a Message」を追加します。 その後、一番最初のメッセージのタイムスタンプ（ ts ）を取得し、スレッドへの返信として投稿します。

• 役割: AIによって⽣成された最終回答を、ユーザーがメンションしたSlackチャンネル内の元のメッセージのスレッドに投稿し、会話を完結させます。

ここまで作成すると、Slackから単語で検索するだけでClinicalTrials.govで治験情報の検索を行う簡単なワークフローが完成します。

Part2では「文章でボットに質問をするだけで、文章からパラメータを抽出して治験情報を検索する」ワークフローについて解説します

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

背景・目的 ライフサイエンスでの使用例（Use Cases in Life Sciences） n8nとは Clinical Trials.govとは Clinical Trials.govのAPI ClinicalTrials.gov検索フローの全体像 ⼊出⼒イメージ

1. 背景・目的

新薬開発や医療機器の臨床研究において、「世界中でどのような試験が実施されているのか」を俯瞰することは、競合分析・仮説探索・KOL調査・市場性評価において非常に重要です。

しかし、臨床試験の情報は複数の国や組織に分散しており、手作業での収集には膨大な時間がかかります。そこで研究者や製薬・医療機器企業が最も多く利用するデータベースClinicalTrials.gov です。

これは NIH（米国国立衛生研究所）と NLM（国立医学図書館）が運営する世界最大級の臨床試験レジストリであり、誰でも無料で利用できます。日本の臨床試験情報も多数掲載され、企業のリサーチ実務に欠かせない存在です。

本シリーズでは、この ClinicalTrials.gov の API を活用し、生成AIや n8n と組み合わせて 臨床試験の情報収集を完全自動化するワークフローを紹介していきます。

2. ライフサイエンスでの使用例（Use Cases in Life Sciences）

ClinicalTrials.gov は、製薬企業・医療機器メーカー・研究者・コンサルティング会社など、多様な現場で活用されます。ここでは、HerzLeben がコンサルティングでよく扱う代表的なユースケースをまとめます。

① 競合分析（Pipeline & Study Landscape）

• 競合他社がどの疾患でどのフェーズの試験を実施しているか
• 試験の規模、被験者数、介入方法、地域分布
• 開発トレンドの把握（例：ASO、mRNA、細胞治療など）

② KOL（Key Opinion Leader）探索

• 各試験のPI（Principal Investigator）や研究拠点から主要研究者を特定
• 特定領域で強い病院・国・研究グループの把握

③ 市場性評価（Market & Feasibility Assessment）

• 特定疾患領域での試験件数の推移
• 治療法の成熟度、未充足ニーズの可視化
• 新規薬剤クラスの実装状況の把握

④ メディカルアフェアーズやRWEの事前調査

• Evidence gap の分析
• 臨床研究計画の競合性チェック
• Academic 主導研究のトレンド把握

⑤ 投資・新規事業のスクリーニング

• 特定領域で世界的に試験が増えているテーマの探索
• 有望なバイオベンチャーの間接的な調査（治験主体から把握可能）

ClinicalTrials.gov は、単なる「試験検索ツール」ではなく、ライフサイエンス領域の情報収集全体を支える エビデンス・インフラとして機能します。

3. n8nとは

n8n は、プログラミング不要でワークフローを自動化できる オープンソースのオートメーションツールです。Zapier や Make.com に近いツールですが、下記の点でライフサイエンス企業や医療DXに向いています。

■ n8nの特徴

• ノーコード/ローコードで複雑なAPI接続が可能
• 自社サーバーにインストールできる セルフホスト対応
• プライバシー・セキュリティ要件の厳しい医療系でも採用しやすい
• OpenAI や Gemini などの LLM 連携が簡単
• JSON や API パラメータの加工が得意
• 分岐処理・ループ処理も直感的に構築可能

■ ClinicalTrials.gov API × n8n の相性が良い理由

ClinicalTrials.gov API は

• query.cond（疾患）
• filter.advanced（フェーズ）
• query.locn（地域）

など複数のパラメータを組み合わせる必要があり、通常は Python/JavaScript を使ったプログラミングが必要です。

この「複数パラメータの条件処理」を n8n はノー/ローコードで扱えるため、

“Slackで文章を送る → n8nがパラメータを抽出 → ClinicalTrials API検索 → AIが要約 → CSV生成 → 結果をSlackに返信”

といったワークフローを、誰でも簡単に構築できるのが大きな魅力です。

■ 医療・製薬企業が n8n を導入する主なメリット

• 定型リサーチ作業の自動化（毎週の治験調査など）
• RPAよりも構築が簡単で柔軟
• データ分析基盤とAPIをつなぐ中間層として使いやすい
• LLMと相性がよく、生成AIアプリを内製化できる

HerzLebenでも、メディカルアフェアーズ・RWE・企画部門向けの 自動調査BotやAIアプリ開発にn8n を頻繁に利用しています。

4. Clinical Trials.govとは

ClinicalTrials.govは、⽶国国⽴衛⽣研究所（NIH）の国⽴医学図書館（NLM）が運営する世界最⼤級の臨床試験登録データベースです。

誰でもアクセス可能で、世界200か国以上からの臨床試験に関する情報（⽬的や参加条件、募集状況、実施機関など）を提供します。

新薬や治療法の安全性‧有効性を検証する試験が中⼼で、試験の実施者が情報を登録‧更新する仕組みです。⽇本を含む各国の試験も多数掲載されています。

5.  Clinical Trials.govのAPI

ClinicalTrials.govは、世界中の臨床試験情報を機械的に取得できるAPIを提供しています。このAPIを使うことで、治験の病名や介⼊、地域、フェーズなどの条件を指定して、⼤量のデータを⾃動で抽出することが可能です。

APIは主に「query.cond」や「filter.advanced」などのパラメータで検索条件を指定します。例えば、⽇本における糖尿病の第3相試験を検索するには以下のように記述してコードを書いてリクエストを送る必要があります。

パラメータ	例	説明
query.cond	diabetes	対象疾患名（英語）
filter.advanced	AREA[Phase]PHASE3	試験フェーズ（第3相）
query.locn	Japan	対象地域（英語）
filter.overallStatus	RECRUITING	募集状況（募集中）

このように検索条件を決めれば機械的に取得が可能になるため、定期的な検索や⼤量検索において便利な⼀⽅で、システム開発やプログラミングの知識が必要です。PythonやJavaScriptなどでHTTPリクエストを送信し、返ってきたJSONデータを解析する必要があります。そのため、⼿軽に利⽤したい場合や、⾮エンジニア向けには、APIを直接使うのはハードルが⾼いです。

そこで、本記事は、n8nのワークフローを⽤いて、APIの利⽤をより簡単に⾃動化する⽅法を紹介します。

6. ClinicalTrials.gov検索フローの全体像

今回、3つの記事にわたってステップごとに構築するワークフローは以下の流れで構成されます。

1. Slackで⾃然な⽂章を⽤いてボットに質問を送信
2. ⽂章から、⽣成AIが⾃動で検索⽤のパラメータを抽出
3. ClinicalTrials.govを使ったAPI検索を実施
4. 検索結果を⽤いた要約を⽣成AIが作成
5. 検索結果をcsv形式で⼀覧化
6. AIによる要約と作成したcsvをSlackに返信

7. ⼊出⼒イメージ

Slack⼊⼒例

Slack返信例

◆要約の返信

◆csvの返信

csvとしても検索結果が保存されるので、単なるようやくにとどまらないリサーチ業務に繋げていくことが可能です。

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 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