为什么你的 AI 助手聊了 100 轮，还是像第一天认识你：用 n8n 搭一套真正有用的 Agent 记忆层

你可能也遇到过这种情况：

昨天刚告诉 AI：“以后写产品分析，先给结论，再展开，少一点营销味。”

今天它又一本正经地输出一篇“全面赋能、行业领先、颠覆体验”的稿子。

你继续纠正，下一轮它似乎记住了；再过几轮，又忘了。

很多人会把这个问题归结为：模型不够强，或者上下文窗口不够大。

但真相往往更简单，也更扎心——你给 AI 的只是聊天记录，不是可复用的“记忆”。

会记住你说过什么，不稀奇；会记住你真正偏好什么，才是 Agent 开始变得有用的分水岭。

这篇文章想讲清一件事：Agent 的记忆层，不是“把历史对话全存起来”，而是把用户偏好、任务状态、规则约束结构化注入工作流。

而这件事，用 n8n + 分层 Prompt 就能做出来。

---

为什么很多人把 Agent 记忆层理解错了？

现在不少关于 Agent 的教程，一谈“记忆”，就是两种做法：

• 把历史消息全塞进 Prompt
• 把聊天记录存进数据库，调用时再检索回来

这当然不是错，但它只解决了最浅的一层：延续上下文。

问题在于，延续上下文，不等于理解用户。

比如同样是“帮我写一篇科技产品测评”，用户真正稳定关心的，可能是这些：

• 风格要理性、克制
• 标题控制在 18 字内
• 先结论后分析
• 少空泛形容词，多成本、体验、适用人群
• 不要臆测没有依据的市场趋势

这些内容，并不需要每次都从几百轮对话里重新“猜”。

它应该被提炼成结构化偏好，在每次任务开始前自动注入。

这里有一个特别容易被拆错的认知：

• 对话记录，解决“刚刚发生了什么”
• 用户偏好，解决“这个人通常想要什么”

如果只做前者，Agent 会显得“有记性但不稳定”；

如果加上后者，它才开始像一个长期协作的助理。

从成本上看，差别也很明显。全量塞历史记录，token 消耗会越来越高，而且噪声越来越多。很多经验型测试里，历史消息超过 20~30 轮后，模型输出稳定性往往不升反降，因为无关信息太多。相反，结构化偏好通常只需要几十到几百字，却能持续发挥作用。

---

记忆层到底该记什么？一套适合 n8n 的分层设计

真正可用的记忆，不该“全存”，而该“分层”。

下面这张分层图，建议你直接作为设计 Agent 的认知锚点。

记忆层分层图

用户输入
│
├─ 短期记忆（Session Memory）
│   当前会话上下文、刚提到的信息、最近追问
│
├─ 长期记忆（Preference Memory）
│   用户偏好、口吻习惯、输出格式、关注重点
│
├─ 任务记忆（Task State Memory）
│   当前任务状态、已完成步骤、待确认信息、执行进度
│
└─ 规则记忆（Rule Memory）
业务规则、合规要求、禁区、风控限制
│
↓
Prompt 组装后调用模型

1. 短期记忆：解决“当前聊到哪了”

这是最常见的一层。

它通常包括：

• 当前会话里的关键信息
• 最近几轮问答
• 临时补充说明

适合存放在：

• n8n 执行上下文
• Redis
• 会话级数据库表

它的特点是：更新频繁、生命周期短。

2. 长期偏好记忆：解决“这个用户通常喜欢怎样的结果”

这是最有价值、也最容易被忽略的一层。

适合保存：

• 语气偏好：专业、克制、简洁
• 格式偏好：先结论后展开、分点、不写长段落
• 内容偏好：更关注成本、原理、落地性
• 反感模式：少营销词、少夸张判断、少空泛描述

这部分非常适合存结构化 JSON，而不是原始文本堆叠。

{
"user_id": "u123",
"tone_preference": "专业、克制、少营销感",
"output_format": "先结论后展开，使用小标题，避免长段落",
"content_focus": ["技术原理", "实际成本", "可执行建议"],
"disliked_patterns": ["空泛形容词", "过度夸张", "无依据预测"],
"last_updated": "2025-02-15T10:30:00Z"
}

3. 任务状态记忆：解决“这件事做到哪一步了”

如果你的 Agent 不只是聊天，而是要完成任务，这层就很关键。

比如写一篇文章时，任务状态可能包含：

• 选题是否已确认
• 大纲是否生成
• 是否拿到参考资料
• 初稿是否已输出
• 用户是否要求二次改写

这类记忆决定了 Agent 不会每次都从头问一遍。

4. 规则记忆：解决“哪些事不能做、必须怎么做”

这一层更像系统护栏。

比如：

• 客服不能承诺退款结果
• 内容助手不能编造数据来源
• 销售 Agent 不能泄露底价规则
• 涉及隐私和敏感信息默认不存储

它通常来自业务方，而不是用户本人，所以和“用户偏好”必须分开。

---

用 n8n 实现“用户偏好感知”工作流：从 Prompt 到节点编排

说方法论不难，真正难的是：怎么放进工作流里跑。

这里我用一个最容易理解的场景来演示：AI 内容助手。

目标是让它长期服务同一个创作者，自动记住其写作偏好。

工作流总流程

用户输入
↓
检索用户偏好（DB / Sheet / Notion / Redis）
↓
读取任务状态
↓
拼装系统 Prompt
↓
调用模型
↓
输出结果
↓
判断是否出现“新偏好”
↓
满足条件则更新偏好库

如果你在 n8n 里搭，通常会用到这些节点：

• Webhook 或聊天入口节点
• 数据库查询节点：按 user_id 拉取偏好
• Function / Code 节点：清洗与合并变量
• 模型调用节点
• IF 条件节点：判断是否更新偏好
• 数据库写入节点：更新长期记忆

第一步：先取偏好，再问模型

很多人把偏好写进系统提示词里，但没有先做检索。

结果就是：所有用户用一个 Prompt，当然不可能“更懂你”。

在 n8n 里，正确顺序应该是：

1. 接收用户输入

2. 根据 user_id 查询长期偏好

3. 查询该任务当前状态

4. 再拼装 Prompt

第二步：Prompt 重点不是文案，而是变量槽位

下面这版模板，你可以直接用：

你是一个为特定用户提供持续服务的 AI 助手。

在回答前，请优先遵守以下用户长期偏好：
{{user_preferences}}

当前任务背景：
{{task_context}}

当前用户输入：
{{user_input}}

请按以下原则输出：
1. 优先符合用户偏好的表达方式
2. 若偏好与任务目标冲突，以任务目标为准
3. 若信息不足，不要臆测，先提出澄清问题
4. 输出格式遵循以下要求：
{{output_rules}}

真正值得学的，不是这几句中文本身，而是它的变量槽位设计：

• {{user_preferences}}：长期偏好
• {{task_context}}：当前任务态
• {{user_input}}：本轮输入
• {{output_rules}}：输出规则与约束

也就是说，Prompt 不是一段静态说明书，而是一个动态拼装接口。

第三步：什么时候写入记忆，决定系统会不会越用越歪

很多人做记忆层，最大的问题不是“记不住”，而是“乱记”。

建议你用这几条规则控制写入：

• 用户明确表达偏好时才写入
• 同一偏好多次出现后再提升权重
• 临时要求不要直接覆盖长期偏好
• 敏感信息默认不存
• 和任务无关的情绪化表达，不进入长期记忆

比如用户说：

• “以后都用简洁一点的风格” → 可写入长期偏好
• “这一次写得活泼点” → 更适合写入临时任务态
• “我今天心情不好” → 不建议进入偏好库

n8n 里可以先用轻量规则判断，再决定是否更新数据库：

return [
{
json: {
user_id: $json.user_id,
extracted_preference: $json.message.includes("以后都用简洁一点的风格")
? { tone_preference: "简洁" }
: null
}
}
];

这段代码不复杂，但很重要：它说明记忆不是“自动全收”，而是选择性沉淀。

---

一个前后对比案例：同样写测评，为什么结果像换了个助手

任务：帮用户生成一篇科技产品测评文章

没有偏好记忆时

模型只能根据当轮指令输出，常见结果是：

• 开头铺垫很多，迟迟不给结论
• 喜欢用“惊艳”“颠覆”“全面升级”这类词
• 结构随机，有时像新闻，有时像广告稿
• 重点不稳定，忽略成本和适用人群

示例输出片段：

这款产品凭借出色的设计理念和强大的功能配置，为用户带来了前所未有的使用体验，在当前市场中展现出极强的竞争力……

看起来没毛病，但没有“用户味”。

有偏好记忆后

假设系统已保存这位用户的长期偏好：

• 先结论后分析
• 理性表达，少营销词
• 标题不超过 18 字
• 重点讲技术原理、实际成本、是否值得买

这时输出会明显不同：

结论：如果你更看重稳定性和长期使用成本，它值得买；如果你只追求参数表上的极致性能，这款并不是最优解。

接下来分三部分看：性能是否过剩、真实使用成本高不高、它适合哪类人。

区别就在这里：

前者像“会写”；后者像“懂你以后再写”。

---

成本、效果和维护：哪种记忆方案更适合长期用？

下面这个表，基本可以概括三种常见方案的优劣。

为什么“结构化偏好记忆”最值得做？

• 它比全量历史更省 token
• 它比纯上下文更稳定
• 它可被工作流复用，不依赖某一轮聊天
• 它适合和任务状态、规则约束一起协作

如果你在 n8n 里做自动化，这一点尤其关键。因为工作流系统真正追求的不是“偶尔灵感爆发”，而是每次都大差不差地交付对的结果。

---

这套 Prompt 思路为什么值得学？它不只是 n8n 技巧

很多人学 Prompt，只学“怎么问模型”。

但成熟的 Agent 设计，关注的是三件事：

1. 输入前拿到什么信息

2. 模型中遵守什么规则

3. 输出后沉淀什么记忆

一旦你按这个框架理解 Prompt，很多场景都能迁移：

• 销售跟进：记住客户关注价格还是交付周期
• 知识库问答：记住提问者的专业程度和偏好深度
• 内容创作：记住作者风格、栏目结构、禁用表达
• 内部流程自动化：记住审批节点与字段要求
• 跨渠道客服：记住同一用户在不同入口的历史偏好

换句话说，这不是一个 n8n 小技巧，而是一种Agent 设计模式。

---

如果你想自己搭，这样开始最省时间

如果你也想把这套“偏好记忆 + Prompt 拼装 + 工作流自动更新”的思路真正跑起来，建议先别一上来就追求最复杂的架构，而是先跑通最小闭环：

1. 用 n8n 接一个用户输入入口

2. 建一个最简单的偏好表，至少有 user_id、tone_preference、output_format

3. 做一次“读取偏好 → 拼 Prompt → 输出结果”

4. 再补上“识别新偏好 → 条件写回”的逻辑

模型接入层，尽量选稳定、方便实验的方式，这样你可以把精力放在工作流设计本身。

如果你准备自己做这类 Agent 工作流测试，可以用 api.884819.xyz：

• 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
• 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
• 平台内置 AI 对话功能，注册后直接能用

如果你要在 n8n 里做不同 Prompt 结构和记忆策略的对比实验，这种低门槛环境会省掉很多前期折腾。

---

结尾：未来 Agent 的分水岭，不只是模型强不强

接下来一两年，大家还会继续讨论模型参数、上下文长度、RAG 效果。

这些都重要，但真正会拉开差距的，可能是另一件更“朴素”的事：

模型再强，如果每次都像第一次认识你，它就始终停留在“会回复”。

只有当它开始稳定调用你的偏好、约束、任务习惯，它才进入“会做事”的阶段。

会记住你说过什么，不稀奇；会记住你真正偏好什么，才是 Agent 开始变得有用的分水岭。

下一篇我们接着讲：Agent 有了记忆还不够，怎么让它“记得住、用得对、不会乱改”？我们会拆一套适合 n8n 的记忆更新策略，重点解决“错误偏好被写进长期记忆”这个最常见的坑。

#AI教程 #n8n #Agent #Prompt技巧 #工作流自动化 #8848AI #人工智能 #AI应用