n8n给AI Agent加持久记忆：Redis短期+pgvector长期+Claude提炼

原文要点

原模板是免费n8n工作流：聊天webhook或手动触发后校验userId、sessionId、message；Redis存会话历史和查询向量缓存；Voyage AI生成embedding；PostgreSQL加pgvector做相似度检索并按相似度、重要性、新近度重排；Claude生成回复并后台提炼可持久记忆，去重upsert；每日任务衰减重要性并清理过期记忆；forget webhook按UUID或用户删除并清会话。原文只给结构，不给可导入JSON。

这次做成什么

在本站练成一个可自测的最小记忆闭环：聊天入口校验输入，短期上下文走Redis，长期记忆走向量库，Claude只负责回复与提炼，后台任务做衰减和遗忘；所有界面参数以原模板为准，本站提供独立练习数据与配置。

准备什么

• 可登录的自建或云端n8n，并能创建webhook、schedule、HTTP Request、Postgres、Redis节点
• 已启用pgvector的PostgreSQL，且有建表、插入、更新、删除权限
• 可写TTL的Redis实例，练习时使用隔离前缀aiplay:demo:*
• Anthropic的x-api-key与Voyage AI的Authorization Bearer测试凭据，分开保管
• 可信调用方会提供userId，禁止把浏览器匿名输入直接当可信身份

具体怎么做

1. 建库与配置

   在Postgres执行本站练习SQL建agent_memories，维度先填你的embedding模型维度；在n8n新建Set节点保存model、embed_model、embed_dim、session_ttl_sec、embed_cache_ttl_sec、top_k、sim_threshold、dedupe_threshold、decay_rate，字段名与原模板不一致时以原模板为准。

2. 聊天入口校验

   创建Webhook节点POST /aiplay/chat，接JSON；用IF节点要求body.userId、body.sessionId、body.message均非空且userId匹配受信调用方头；不合格直接Respond 400，合格写入Set字段user_id、session_id、message、ts。

3. 取短期与向量缓存

   Redis GET aiplay:demo:sess:{{$json.user_id}}:{{$json.session_id}}得到recent_turns；再对message做哈希（用Crypto节点的Hash操作或Code节点生成）得到缓存键aiplay:demo:emb:<哈希值>并GET。分支：命中缓存跳过；未命中用HTTP Request调嵌入提供方，Header选Authorization Bearer凭据，成功后SETEX写回缓存并保留vector。

4. 检索并重排长期记忆

   Postgres节点用参数化查询：SELECT id,content,importance,last_accessed_at,1-(embedding<=>{{vector}}::vector) AS sim FROM agent_memories WHERE user_id={{user_id}} AND (embedding<=>{{vector}}::vector)<(1-{{sim_threshold}}) ORDER BY embedding<=>{{vector}}::vector LIMIT {{top_k}}；Code节点按score=0.55*sim+0.30*importance+0.15*recency重排，并UPDATE命中的last_accessed_at与access_count。

5. 回复与后台写回

   把recent_turns、memories、message拼进Claude提示词生成reply并Respond；后台分支不阻塞响应：SETEX保存追加后的会话，调用提炼提示词得到memory_candidates，逐条embed后用embedding<=>阈值查近重复，近重复则更新原记忆，否则INSERT。

6. 维护与遗忘

   Schedule每日执行UPDATE importance=importance*decay_rate，再DELETE expires_at<now()或importance低于下限且久未访问；forget Webhook按mode=one删UUID、mode=all删user_id全部行，并DEL对应Redis sess键，返回删除计数。

可直接复制的材料

{"model":"请替换为你的Claude模型名","embed_model":"请替换为你的Voyage模型名","embed_dim":1024,"session_ttl_sec":86400,"embed_cache_ttl_sec":604800,"top_k":8,"sim_threshold":0.72,"dedupe_threshold":0.92,"decay_rate":0.98,"stale_days":30,"redis_prefix":"aiplay:demo"}

你是长期记忆提炼器。输入是最近对话和本轮用户消息。只输出JSON数组，不要解释。每条记忆对象字段：content为可在未来对话复用的事实、偏好或约束，不超过60字；importance为0到1；expires_in_days为null或7到365的整数；memory_type只能取profile、preference、project、constraint、episode。丢弃寒暄、一次性指令、敏感凭据和无法核实的猜测。若无可持久内容输出[]。

CREATE EXTENSION IF NOT EXISTS vector;
CREATE TABLE IF NOT EXISTS agent_memories (
  id uuid PRIMARY KEY DEFAULT gen_random_uuid(),
  user_id text NOT NULL,
  content text NOT NULL,
  memory_type text NOT NULL,
  embedding vector(1024) NOT NULL,
  importance real NOT NULL DEFAULT 0.5,
  access_count integer NOT NULL DEFAULT 0,
  last_accessed_at timestamptz NOT NULL DEFAULT now(),
  created_at timestamptz NOT NULL DEFAULT now(),
  expires_at timestamptz NULL
);
CREATE INDEX IF NOT EXISTS agent_memories_user_idx ON agent_memories(user_id);
CREATE INDEX IF NOT EXISTS agent_memories_emb_idx ON agent_memories USING ivfflat (embedding vector_cosine_ops);

{"userId":"u_demo_001","sessionId":"s_alpha_9","message":"以后给我推荐耳机时，优先考虑降噪，预算不超过1500元。","clientTraceId":"trace-demo-20260929-01"}

输入与输出示例

本站虚构演示，未调用真实Claude、Voyage、Redis或Postgres；数字与字段与上方测试输入对应。

输入

POST /aiplay/chat 正文：{"userId":"u_demo_001","sessionId":"s_alpha_9","message":"以后给我推荐耳机时，优先考虑降噪，预算不超过1500元。"}

对应输出

webhook响应示意：{"reply":"已记住：推荐耳机优先降噪，预算上限1500元。","memory_debug":[{"content":"推荐耳机优先降噪且预算不超过1500元","importance":0.86,"memory_type":"preference","dedupe":"inserted"}]}；Redis键aiplay:demo:sess:u_demo_001:s_alpha_9追加本轮，agent_memories新增1行且access_count=0。

做完检查这些

• 无效payload缺少sessionId时必须返回400，且不写Redis、不查向量库、不调Claude
• 同一message第二次进入时embedding应命中Redis缓存，HTTP嵌入节点执行次数不增加
• 检索结果不足sim_threshold时回复不得假装记起长期偏好，只能使用recent_turns
• 提炼输出非JSON或含敏感凭据时必须丢弃并记录，不进入embedding与upsert
• forget按UUID删除后，同一会话再问该偏好不得从长期记忆复现

容易卡住的地方

• userId若由前端任意填写，会把别人的记忆串到当前用户，需服务端签发或头鉴权
• embed_dim与表vector维度不一致会直接插入失败，改模型后必须重建或迁移列
• 重排公式是本站练习权重，不是原模板承诺，调参前备份阈值并做小样本回放
• 后台写回若同步阻塞webhook，聊天延迟会上升，应响应后再提炼
• Redis TTL过短会让短期上下文断层，过长又会混入旧会话，需按会话生命周期设置