Memory · 让 Agent 记得上次说啥
第 5 章 · 第 3 节
默认情况下，Agent 是”金鱼脑”——每次对话独立，不记得 5 秒前你说了啥。要让它”记得”，挂一个 Memory 子节点就行。这一节讲三种主流 Memory 类型，以及”什么时候该挂哪个”。
没 Memory 的对话长这样
Section titled “没 Memory 的对话长这样” 🐟 no-memory.txt
用户：我叫 Alice。
Agent：你好 Alice，有什么我可以帮你的？
用户：刚才我告诉你我叫什么？
Agent：抱歉，我不知道你的名字。
↑ 没挂 Memory，每次都是新对话
挂上 Window Buffer Memory 后：
🧠 with-memory.txt
用户：我叫 Alice。
Agent：你好 Alice，有什么我可以帮你的？
用户：刚才我告诉你我叫什么？
Agent：你刚才说你叫 Alice。
↑ 因为有 Memory，上一轮对话被自动注入到这次推理的上下文里
三种 Memory 节点
Section titled “三种 Memory 节点”① Window Buffer Memory（最常用）
Section titled “① Window Buffer Memory（最常用）”保留最近 N 轮对话——超出就丢掉旧的。
📦 window-buffer.txt
配置：
Session Key: ={{ $json.sessionId }} 用户标识，区分会话
Context Window Length: 5 保留最近 5 轮
行为：
对话 1-5：全部记得
对话 6 来了：忘掉对话 1，记 2-6
对话 7 来了：忘掉对话 2，记 3-7
适合：短对话场景（客服、问答），不在意远古对话。
② Summary Buffer Memory（长对话省 token）
Section titled “② Summary Buffer Memory（长对话省 token）”保留摘要 + 最近几轮。LLM 自动把”老对话”压缩成摘要，新对话保持原样。
📝 summary-buffer.txt
配置：
Session Key: ={{ $json.sessionId }}
Max Token Limit: 2000 摘要 + 最近对话总 token 数上限
行为：
对话 1-10：占用 1800 token，原样保留
对话 11 来了：超 2000 → 自动调 LLM 总结对话 1-5，变成 200 token 的摘要
接下来：摘要(200) + 对话 6-11(剩余) → 总量回到 2000 以内
适合：长对话、客服多轮排障、追剧式聊天，你不想让最久远的内容彻底丢。
注意：摘要本身要花一次 LLM 调用，比 Window Buffer 贵一点。
③ Postgres / Redis Chat Memory（持久化）
Section titled “③ Postgres / Redis Chat Memory（持久化）”Window/Summary Buffer 默认存内存——workflow 重启就丢。要让”用户一周后回来还能续上”，需要把记忆存到数据库：
🗄 postgres-memory.txt
配置：
Session Key: ={{ $json.userId }} 每个用户独立
Table Name: chat_history Postgres 里的表名
Credential: <Postgres connection>
行为：
每次 Agent 跑完，把对话历史 INSERT 到 chat_history
新会话开始，按 session_key 查最近 N 条
适合：跨会话延续的真实产品（聊天助手 SaaS、AI 角色扮演）。
Redis 版本类似——更适合短期、高频访问、不需要持久。
关键参数：Session Key
Section titled “关键参数：Session Key”每个 Memory 都必须有 Session Key——它是”这是谁的对话”的标识：
🔑 session-key-examples.txt
Telegram bot:
Session Key: ={{ $json.message.from.id }} 用 Telegram 用户 ID
Slack bot:
Session Key: ={{ $json.user }} Slack user ID
Web chat:
Session Key: ={{ $json.userId }} 你前端传的用户 id
测试期间：
Session Key: test-session 固定字符串，所有对话共享
❌ 千万别这么写：
Session Key: 不填 / 留空
→ 所有用户共享同一份记忆！会串台！
三种 Memory 决策树
Section titled “三种 Memory 决策树” 🌳 memory-decision.txt
Q1: 这是单次问答还是多轮对话？
[单次问答 - 用户提一个问题就走] ─→ 不挂 Memory
[多轮对话] → Q2
Q2: 对话长度大概多长？
[< 10 轮的短对话] ──────────→ Window Buffer Memory
[可能很长的对话] ───────────→ Summary Buffer Memory
Q3: 用户回来还要续上之前的吗？
[否，刷新就清] ──────────────→ 用上面的内存版
[是，跨会话/设备续上] ───────→ Postgres / Redis Chat Memory
实战：给 Telegram Bot 加记忆
Section titled “实战：给 Telegram Bot 加记忆” 💬 telegram-with-memory.txt
Workflow:
[Telegram Trigger]
↓
[AI Agent]
Chat Model: [OpenAI Chat Model]
Memory: [Postgres Chat Memory]
Session Key: ={{ $json.message.from.id }}
Table: telegram_chat_history
Tool: ... (按需)
↓
[Telegram - Send Message]
Chat ID: ={{ $('Telegram Trigger').item.json.message.chat.id }}
Text: ={{ $json.output }}
结果：每个 Telegram 用户有独立、持久的对话记忆，重启 n8n 也不丢。
本节要点回顾
Section titled “本节要点回顾”- 默认 Agent 没记忆 —— 挂 Memory 子节点才行
- Window Buffer：最近 N 轮（最常用）
- Summary Buffer：摘要 + 最近几轮（长对话省 token）
- Postgres / Redis Chat Memory：跨会话持久化
- Session Key 必填且必动态——错了会串台
- 别贪心 Window Length，监控 token 成本
下一节Vector Store + Embedding——给 Agent 装”长期记忆”。