30分钟给你的 Agent 装上“记忆”：用 n8n + Mem0，把读书助手升级成长期陪伴型 AI
30分钟给你的 Agent 装上“记忆”：用 n8n + Mem0，把读书助手升级成长期陪伴型 AI
你大概率遇到过这种情况：昨天刚告诉 AI“我不喜欢鸡汤书”，今天它又一本正经给你推荐《成功人士的7个习惯》。
表面看，它会聊天、会总结、会推荐，似乎已经很聪明；但只要隔天再来，它就像失忆了一样，一切从头开始。
这不是你 Prompt 写得不够长，而是很多 Agent 其实只有上下文，没有真正意义上的用户记忆。
最近我做了一个读书助手实验：不重写 Agent，不搭复杂后端，只用 n8n + Mem0 做了一套最小可用流程，30 分钟内就让它记住用户阅读偏好。结果很直接——同样是“推荐 3 本适合我的书”，有记忆和没记忆，完全像两个产品。
真正好用的 Agent，不是“当下很聪明”，而是“下次见你时，依然知道你是谁”。
---
为什么你的 Agent 看起来聪明，却始终“不记得你”
很多人第一次做 AI 助手时，都会把“上下文窗口”误以为是“记忆系统”。
但这两者差别很大：
- 上下文：只在当前会话里临时有效
- 记忆：跨会话、跨时间，能持续影响后续回答
- 好的记忆：不是把所有聊天都存下来，而是只保留值得记住的偏好和约束
拿读书助手举例。假设你连续说过这些话：
1. “我更喜欢非虚构，尤其是商业和社会学。”
2. “不要给我太鸡汤的书。”
3. “每次推荐 3 本，最好附理由，不要只列书名。”
如果 Agent 下一次还能延续这三条偏好，它才像一个长期陪伴型助手；如果下次又从零开始，它就只是个一次性聊天工具。
无记忆 vs 有记忆：差别到底有多大
同样一句话：“推荐 3 本适合我的书。”
无记忆版本的典型输出：- 《高效能人士的七个习惯》
- 《穷查理宝典》
- 《思考，快与慢》
问题不是这些书不好，而是过于泛化，像在给所有人推荐。
有记忆版本的典型输出：- 《置身事内》：偏政策与经济运行逻辑，适合喜欢结构化非虚构的读者
- 《金钱心理学》：商业视角强，但不走空泛成功学路线
- 《变量》：适合想理解社会变化的人，兼顾现实观察与趋势判断
并且它会补一句：
“考虑到你不喜欢鸡汤表达，这次我优先避开励志叙事太重的书；同时按你的习惯只推荐 3 本，并附上明确理由。”
这时候，用户感受到的已经不是“一个会回答问题的模型”，而是“一个开始懂我的助手”。
---
为什么我选 n8n + Mem0，而不是自己手搓记忆系统
如果你是工程团队，当然可以自己搭数据库、做向量检索、设计用户画像、写记忆压缩逻辑。
但对大多数想快速验证需求的人来说，这条路太重了。
我最后选这套方案，核心原因只有一句：足够轻，且能跑通。
分工很清楚
- n8n：负责流程编排
- Mem0：负责用户记忆的存储、检索和管理
- 模型层：负责理解问题和生成答案，比如
Claude Sonnet 4.6、Gemini 3.1 Flash、Deepseek R1/V3
你不需要自己做一整套“记忆基础设施”，只要把“读之前先查记忆、答完之后再写记忆”这条链路接起来就行。
30分钟为什么真的够
我这次的耗时拆解大致是：
- 注册和 API 准备：5 分钟
- 搭 n8n 工作流骨架：10 分钟
- 接入 Mem0 读写：10 分钟
- 验证和修正：5 分钟
前提是你别一上来就追求“完美架构”。教程的目标不是做最复杂的 Agent，而是先做出一个真的能记住用户偏好的版本。
对普通用户来说，最重要的不是“架构多优雅”，而是“今天能不能把它跑起来”。
---
30分钟跑通：给读书助手加上“阅读偏好记忆”
先给你看整条调用链，理解后面配置会快很多：
用户输入 → n8n 接收 → 读取 Mem0 用户记忆 → 拼接 Prompt → 调用模型 → 返回答案 → 提取新偏好 → 写回 Mem0第一步：准备账号和环境
你需要三样东西：
- 一个
n8n环境 - 一个
Mem0API - 一个大模型 API
如果你已经有 n8n 和 Mem0 思路，但卡在模型 API 接入、稳定调用或成本控制这一步，可以直接用 api.884819.xyz 统一接入主流模型，省去自己到处配 Key 和改接口的时间。
这里我建议先用响应速度快、调试成本低的模型，比如 Gemini 3.1 Flash 或 Deepseek R1/V3 做联调，跑通后再切到你常用的主力模型。
第二步：搭 n8n 工作流骨架
最小工作流建议是这 5 个节点：
1. Webhook / Trigger
2. HTTP Request：读取 Mem0 记忆
3. Set / Function：拼接 Prompt
4. HTTP Request / 模型节点：调用大模型
5. HTTP Request：写回 Mem0
第三步：先做“读取记忆”
读取记忆的请求可以这样写：
{
"user_id": "reader_001",
"query": "基于这个用户过往阅读偏好，给出适合他的推荐策略"
}
这里最容易犯的错有两个：
user_id没有固定，导致同一个人每次都是新用户- 查询语句太泛，取回来的记忆不稳定
我的建议是：先把用户 ID 体系固定好，再调检索策略。
哪怕你现在只有一个测试用户，也别偷懒用随机值。
（此处建议放：Mem0 请求响应示意截图）第四步：把记忆拼回 Prompt
在 n8n 的 Set 或 Function 节点里，直接把记忆和当前用户输入拼起来：
你是一个读书助手。以下是该用户已知偏好：
{{memory}}
请结合这些偏好回答用户问题：
{{user_input}}
如果你想输出更稳定，可以再加几条硬约束，比如：
- 每次只推荐 3 本
- 每本书必须附一句理由
- 优先避开鸡汤和纯励志表达
- 输出尽量结构化
第五步：回答之后，再写入“值得记住的信息”
写入记忆的请求示例：
{
"user_id": "reader_001",
"messages": [
{
"role": "user",
"content": "我更喜欢非虚构、商业和社会学类书，不喜欢太鸡汤的内容。"
}
]
}
你不应该把所有消息原封不动存进去，而要先做筛选。
最简单的规则可以先这样定：
- 长期稳定偏好：记
- 一次性任务要求：谨慎记
- 明确否定项：优先记
- 敏感信息：不记或脱敏后记
一个完整对话案例
#### 第 1 轮：用户表达偏好
用户说：
我平时更喜欢非虚构，偏商业和社会学，不喜欢太鸡汤的内容。
这时系统应完成两件事：
- 当前轮正常回答
- 把“非虚构 / 商业 / 社会学 / 不喜欢鸡汤”写入长期记忆
#### 第 2 轮：用户补充输出格式偏好
用户说：
以后每次给我推荐就 3 本，最好每本附一句理由。
这条也值得记，因为它是稳定输出习惯。
#### 第 3 轮：隔天再次提问
用户说：
最近有点想读新书，推荐 3 本适合我的。
如果流程配置正确，助手应该会自动延续前面的偏好，而不是重新问你一遍“你平时喜欢读什么类型”。
（此处建议放：最终前后效果对比截图）---
跑通之后，最容易翻车的 5 个坑
教程最值钱的地方，通常不是“怎么搭”，而是“哪里会翻车”。
1. 什么都记，最后一定记忆污染
用户一句“今天随便推荐点轻松的”，这很可能只是临时需求，不是长期偏好。
如果你把它固化成记忆，下次系统就可能误以为用户一直喜欢轻松读物。
这就是典型反例：短期状态，被错误写成长期偏好。
2. 写入时机不对
如果你在模型回答前就直接写记忆，容易把模糊表达、半句偏好一起存进去。
更稳的做法是：先回答，再提取本轮真正值得保留的信息写回去。
3. Prompt 拼太长，反而影响效果
很多人一看到“记忆”，就想把所有历史都塞进 Prompt。
结果是：
- 成本上升
- 响应变慢
- 关键信息被淹没
记忆不是越多越好，而是越准越好。
4. 用户 ID 没隔离
这是最危险的坑。
如果 reader_001 和 reader_002 混用，A 用户讨厌鸡汤，B 用户喜欢励志，最后你的助手会像人格分裂一样。
5. n8n 调试只看结果，不看中间日志
一定要在关键节点看中间数据：
- Mem0 到底读到了什么
- Prompt 最终拼成了什么
- 模型返回后，准备写回的内容是什么
只看最终回答，很难定位问题；看中间链路，才能知道是“没读到记忆”，还是“读到了但没用上”。
---
这不是读书助手技巧，而是一套可复制的 Agent 记忆范式
当你把这套流程跑通后，你会发现它根本不只适合读书助手。
它还可以迁移到：
- 客服机器人：记住用户历史问题和处理偏好
- 知识库助手：记住用户岗位背景和专业程度
- 销售 Agent：记住客户关注点、预算区间、沟通风格
- 内容助手：记住你的写作口吻、结构习惯和禁用表达
这也是我最想强调的一点：
给 Agent 加记忆，不是一个“插件小技巧”，而是让 AI 从一次性工具，变成关系型产品的关键一步。
如果你也想少折腾模型适配，可以把 api.884819.xyz 作为统一模型入口，再把精力放在 Agent 逻辑和记忆设计上。
8848AI 平台支持用户名+密码即可注册，不需要邮箱验证，注册即送 5 元体验额度，平台内置 AI 对话功能，注册后直接能用；国产模型如 Deepseek R1/V3、通义千问 Qwen3、Kimi K2.5、GLM-5 完全免费，没有月租、没有订阅，按量付费。
即日起新注册用户系统自动送50万token，想要更多可以通过工单联系客服申请，再手动赠送200万token。如果你今天就准备动手，我建议按这个顺序来：
1. 先固定 user_id
2. 再打通“读记忆 → 生成回答 → 写记忆”最小闭环
3. 最后才去优化记忆筛选规则
这样你更容易在 30 分钟内看到真实效果，而不是卡死在“完美主义调参”里。
下一篇我会继续把这个读书助手升级：不仅让它记住你的阅读偏好，还要让它学会“记得住、忘得掉、还能纠错”——也就是长期记忆、短期记忆和错误记忆修正。
如果你这次已经跑通了，下一篇大概率会直接帮你把 Agent 从“能用”推到“像产品”。
本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。#AI教程 #n8n #Mem0 #Agent记忆 #人工智能 #8848AI #Prompt技巧 #工作流自动化
