第 13 期：赋予长期记忆 — Window Buffer Memory 与对话状态持久化

为什么 AI Agent 需要记忆？

大模型本身是无状态的——每次调用都是全新的，它不记得上一秒你说了什么。如果不引入 Memory，你的 AI 对话将变成：

sequenceDiagram
    participant User as 👤 用户
    participant AI as 🤖 无记忆 Agent
    
    User->>AI: 我叫张三
    AI-->>User: 你好张三！有什么需要帮助的？
    User->>AI: 我刚才告诉你我叫什么？
    AI-->>User: 抱歉，我不知道你叫什么。😅
    Note over AI: 完全失忆！每次对话都是独立的

Memory 节点的作用就是在每次 LLM 调用前，把历史对话注入到 Prompt 中，让模型"看起来"记得之前说过的话。

1. Window Buffer Memory

最常用的记忆策略。它维护一个固定大小的"滑动窗口"，只保留最近 N 条消息。

graph TB
    subgraph "Window Buffer Memory (窗口大小 = 6)"
        direction LR
        
        subgraph "第1轮"
            M1["👤 你好"]
            M2["🤖 你好！"]
        end
        
        subgraph "第2轮"
            M3["👤 天气如何？"]
            M4["🤖 北京今天晴"]
        end
        
        subgraph "第3轮"
            M5["👤 明天呢？"]
            M6["🤖 明天多云"]
        end
        
        subgraph "第4轮 (窗口滑动!)"
            M7["👤 后天呢？"]
            M8["🤖 后天有雨"]
        end
    end
    
    M1 -.->|"❌ 被移出窗口"| Trash[🗑️]
    M2 -.->|"❌ 被移出窗口"| Trash
    
    style Trash fill:#ef4444,stroke:#dc2626,color:#fff

// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
// Window Buffer Memory 配置详解
// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

// 📝 参数说明:
// - Context Window Length: 10
//   含义: 保留最近 10 条消息 (= 5 轮对话，每轮 1 问 + 1 答)
//   ⚠️ 窗口太大 → Token 消耗高，成本增加
//   ⚠️ 窗口太小 → Agent 很快忘记上文

// - Session ID Key: sessionId
//   含义: 用于隔离不同用户/不同聊天窗口的记忆
//   引用: {{ $json.sessionId }}
//   效果: 用户 A 的记忆不会泄露给用户 B

// - Session ID: {{ $json.sessionId }}
//   来源: 通常从 Chat Trigger 的输出中获取

窗口大小选择指南

2. Session 隔离机制

graph TB
    subgraph "多用户场景的 Session 隔离"
        CT[💬 Chat Trigger]
        
        CT -->|"sessionId: user_alice"| Agent
        CT -->|"sessionId: user_bob"| Agent
        CT -->|"sessionId: user_carol"| Agent
        
        Agent[🤖 AI Agent]
        Agent --> Memory[💾 Window Buffer Memory]
        
        Memory --> S1["📂 Session: user_alice
[你好, 查天气, ...]"]
        Memory --> S2["📂 Session: user_bob
[帮我写代码, ...]"]
        Memory --> S3["📂 Session: user_carol
[产品报价, ...]"]
    end
    
    style Memory fill:#22c55e,stroke:#16a34a,color:#fff

// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
// Session ID 的生成策略
// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

// 策略 1: 使用 Chat Trigger 自动生成的 ID (最简单)
// {{ $json.sessionId }}

// 策略 2: 基于用户身份 (适合多渠道)
// {{ $json.platform + '_' + $json.userId }}
// 例: "telegram_12345" 或 "web_67890"

// 策略 3: 基于对话主题 (适合工单系统)
// {{ $json.ticketId }}
// 同一工单的所有对话共享记忆

3. Memory 在 LLM 调用中的实际效果

理解 Memory 的本质：它只是在每次调用 LLM 时，把历史消息注入到消息数组中。

// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
// 无 Memory 时，发给 LLM 的消息:
// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
const messagesWithoutMemory = [
  { role: "system", content: "你是一个 AI 助手" },
  { role: "user", content: "明天天气怎么样？" }    // 只有当前消息
];
// → 模型不知道用户之前问的是北京还是上海

// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
// 有 Memory 时，发给 LLM 的消息:
// Memory 自动注入历史对话到消息数组中
// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
const messagesWithMemory = [
  { role: "system", content: "你是一个 AI 助手" },
  
  // ↓↓↓ Memory 自动注入的历史 ↓↓↓
  { role: "user", content: "帮我查一下北京的天气" },     // 历史消息 1
  { role: "assistant", content: "北京今天晴，28°C" },     // 历史消息 2
  // ↑↑↑ Memory 注入结束 ↑↑↑
  
  { role: "user", content: "明天呢？" }                   // 当前消息
];
// → 模型看到完整上下文，知道"明天呢"指的是"北京明天的天气"

4. 记忆清除与管理

// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
// 在工作流中主动清除某个 Session 的记忆
// 适用场景: 用户说"重新开始" / 工单关闭时清理
// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

// 方法: 在 Code 节点中通过 n8n 内部 API 操作
// 或者在 Agent System Prompt 中定义:
// "当用户说'重新开始'时，回复'好的，让我们重新开始吧！'并忽略之前的对话内容。"

// ⚠️ 注意: Memory 默认存储在 n8n 的内存中
// 容器重启后所有 Memory 会丢失！
// 生产环境建议使用外部存储 (如 Redis)

Memory 类型对比

下一步

在 Ep 14 中，我们将给 Agent 配备真正的外部工具 (Tools)——让它不仅能"说"，还能"做"：计算、搜索、调用 API。