对话式 Agent 能记住用户偏好吗？记忆机制如何定制体验？

“你上次不是说喜欢冰美式？”——为什么你的对话 Agent 总在“失忆”？

上周帮一家精品咖啡连锁店搭建自动点单助手时，老板气急败坏地问我：“为什么顾客上周刚说过‘不要糖、双份浓缩’，今天再问又从零开始推荐焦糖玛奇朵？这哪是智能客服，根本是金鱼客服！”

这正是对话式 Agent 最常被吐槽的痛点：缺乏记忆。用户被迫像对待新同事一样，每次都要重复自我介绍。而真正的好体验，应该像老友记里的咖啡馆老板 Gunther——记得你的一切偏好，甚至在你开口前就递上那杯“老样子”。

记忆不是魔法，而是数据结构 + 触发逻辑。Agent 的“记住”，本质是在合适时机调用历史上下文的能力。

记忆机制三层次：从“便签纸”到“私人档案库”

很多人以为“记忆”就是存个聊天记录，其实远不止如此。我在设计系统时，会把记忆拆成三个层级，像洋葱一样层层包裹：

1. 短期对话记忆（Session Memory）：像便利贴，只在单次对话中有效。比如用户说“我要一杯热的”，下一句问“加糖吗？”系统能关联上下文。n8n 中可用 Set 节点临时存储变量，配合 Function Item 动态拼接上下文。
2. 中期用户画像（User Profile）：像会员卡，跨会话持久化。记录“用户偏好拿铁、周三常点、讨厌香菜”。这需要连接数据库（如 PostgreSQL 或 Airtable），在用户首次交互时创建 ID，并在后续每次触发时读取/更新。
3. 长期行为模式（Behavioral Pattern）：像心理分析师笔记，通过历史数据挖掘规律。例如“该用户每月 25 号发薪日后必点贵价手冲”。这层需结合数据分析工具（如 Metabase）或自定义 Python 脚本做聚类分析。

实战：用 n8n 搭建“有记性”的咖啡点单 Agent

我们以刚才的咖啡店为例，手把手构建一个能记住偏好的点单助手。核心思路：用 Webhook 接收用户消息 → 查询/创建用户档案 → 根据历史推荐 → 更新偏好记录。

// 在 Function Item 节点中动态组装上下文
const userId = $input.item.json.userId;
const userPrefs = await $http.get(`https://your-db.com/users/${userId}`);

return {
  ...$input.item.json,
  context: `用户偏好：${userPrefs.data.drink}，${userPrefs.data.sugar ? '加糖' : '无糖'}，备注：${userPrefs.data.note || '无'}`
};

关键节点配置：

• Webhook：接收用户输入（如“我要喝咖啡”）。
• HTTP Request：查询用户数据库，若无记录则触发 Create User Profile 分支。
• IF 条件分支：判断是否为新用户，决定走“建档流程”还是“推荐流程”。
• AI Completion (如 OpenAI)：传入用户历史偏好作为 prompt 上下文，生成个性化推荐语句。
• Update Database：在用户确认订单后，异步更新其偏好字段（如最近一次饮品、糖度）。

类比教学：把用户记忆系统想象成图书馆。短期记忆是“正在阅读的书签”，中期画像是“借阅证上的基本信息”，长期模式则是“馆员根据你借书记录猜你喜欢的新书”。

避坑指南：别让“记忆”变成“骚扰”

记忆是把双刃剑。我曾见过一个电商 Agent，在用户买完婴儿尿布后，连续三个月推送奶粉广告——哪怕用户已明确表示“孩子送人了”。定制体验的核心是“克制”与“授权”：

总结：记忆是体验的骨架，温度才是灵魂

对话式 Agent 的终极目标不是成为百科全书，而是成为“懂你”的伙伴。记忆机制让你避免重复劳动，但真正的魔法在于如何用这些数据创造惊喜——比如在用户生日当天主动送上电子优惠券，或在雨天推荐“热巧克力+免费升级大杯”。

现在轮到你了：你的业务场景中，最希望 Agent 记住用户的哪个细节？是购买频率？沟通语气？还是特殊忌口？在评论区告诉我，我会挑三个案例，手把手帮你设计记忆架构！