用n8n搭建带记忆的Gemini AI智能体：Postgres全程实战

为什么要给AI智能体加上「记忆」

大多数人用n8n搭建AI工作流时，往往只做到了「问一句、答一句」的简单对话。但真正的智能体（Agent）需要具备上下文记忆能力——能记住此前的交流内容，才能进行连贯的多轮对话。本文基于一个YouTube教程案例，拆解如何在n8n中集成Google Gemini作为对话模型，并用Postgres数据库持久化保存聊天记录。

整套方案最大的特点在于完全运行在Docker容器之上：n8n的智能体服务跑在一个独立容器中，Postgres数据库则运行在另一个独立容器中。这种解耦架构让部署、迁移和维护都更为清晰，也更贴近生产环境的实际做法。

n8n是一款开源的低代码工作流自动化平台，定位类似Zapier或Make（前身Integromat），但支持自托管部署。它通过可视化节点拼接的方式连接各类API和服务，近年来随着AI节点的引入，逐渐成为搭建轻量级AI智能体的热门选择。Docker则是目前最主流的容器化技术，能将应用及其依赖打包进一个隔离环境（容器）中运行，实现「一次构建、到处运行」。两者结合意味着：整套AI工作流系统可以在任意安装了Docker的机器上一键启动，无需在宿主机上手动安装n8n或Postgres，也不必担心版本冲突。

工作流的整体架构

整个工作流的核心目标很直接：用户在聊天入口发送消息，智能体接收后交由Gemini处理并返回答案，同时将用户与模型之间的对话历史写入Postgres数据库。

从组件分工来看，这套系统主要由三部分构成：

• Chat Trigger（聊天触发器）：作为工作流的入口，接收用户输入的消息；
• AI Agent（智能体节点）：核心调度器，负责把消息转交给大模型，并自主决定如何响应；
• Chat Model + Memory（模型与记忆）：Gemini负责生成回答，Postgres负责存储上下文。

教程演示时提出的第一个测试问题是「世界上有多少个国家」，模型给出的回答是「这取决于你如何计算，大约195个，其中193个是联合国成员国」——这是一个标准且准确的回答，验证了基础链路的畅通。

配置Gemini模型节点

要让智能体用上Gemini，需要在Chat Model环节选择Google Gemini，并配置对应的API Key。创建流程大致如下：

1. 点击AI Agent节点下的Chat Model，向下滚动找到Gemini选项；
2. 填入事先在Google AI Studio生成的API密钥；
3. 选择具体的模型版本。

教程中特别演示了切换模型的灵活性。当使用较老的模型询问「印度现任反对党领袖是谁」时，模型返回的是基于旧数据的答案（提到2024年的信息）；换成更新的Gemini模型后，才给出了更准确的时效性结果。这个细节提醒我们：模型的知识截止时间会直接影响涉及时事类问题的回答质量，选型时需要留意。

Google AI Studio是Google提供的免费在线平台，开发者可以在此申请Gemini系列模型的API Key，并测试不同版本模型的能力。Gemini目前有多个版本在迭代，不同版本在知识截止时间、上下文窗口长度和推理能力上存在差异。「知识截止时间」（Knowledge Cutoff）是指大语言模型训练数据的最后更新时间点，模型对该时间之后发生的事件一无所知，这是当前所有静态训练模型的共同限制。若要获取实时信息，通常需要为智能体额外接入搜索工具（如Google Search API或Tavily）作为补充，仅靠切换模型版本只能缓解但无法根本解决时效性问题。

用Postgres实现持久化记忆

这是整套方案中技术含量最高的部分。在Memory环节选择「Postgres Chat Memory」，然后配置数据库连接凭据——包括数据库名、主机名（Host）、用户名和密码。

但在连接之前，有一个容易被忽略的关键步骤：需要修改Postgres的配置文件，才能让n8n容器从外部连接到数据库。具体要改动两处：

• 在postgresql.conf中设置listen_addresses = '*'，表示允许任意外部地址访问；
• 在pg_hba.conf中添加对应的子网授权规则。

作者提醒这里设置为全局监听意味着任何人都可能连接到该数据库，生产环境中应当收紧权限范围。完成修改后，通过docker ps可以看到两个容器正在运行——一个是n8n服务，一个是Postgres数据库。此时主机名直接填容器名postgres即可，用户名同样是postgres。

验证记忆是否真正落库

配置完成后，作者进入Postgres查看是否生成了n8n_chat_histories表。随着几轮对话的进行，表中确实记录下了用户与模型之间的交互历史。这意味着智能体不再是「金鱼记忆」，而是能够基于历史对话上下文持续工作。

PostgreSQL（简称Postgres）是一款功能强大的开源关系型数据库，以可靠性和SQL标准兼容性著称。在AI智能体场景中，用数据库而非内存存储对话历史有明显优势：内存中的上下文会随容器重启或进程退出而消失，而写入数据库的记录可以跨会话、跨重启持续保留。postgresql.conf是Postgres的主配置文件，控制服务器级别的运行参数，其中listen_addresses决定数据库监听哪些网络接口；pg_hba.conf（Host-Based Authentication）则是客户端认证规则文件，逐条定义哪些IP、以哪个用户、用何种方式才能连接到数据库。两个文件都需要修改，是因为前者控制「是否接受外部网络请求」，后者控制「谁有权限通过认证」，缺一不可。在Docker网络中，同一compose网络下的容器可以用容器名作为主机名互相访问，这就是为什么Host直接填postgres即可生效。

实测对话效果

搭建完成后，教程进行了一系列真实测试，Gemini的表现如下：

• 「印度有多少个邦」→ 回答28个邦加8个联邦属地；
• 「印度当前GDP是多少」→ 回答约3.?万亿美元规模；
• 「印度反对党领袖是谁」→ 旧模型答Mallikarjun Kharge，新模型补充了Rahul Gandhi等更新信息。

每一轮问答，用户输入与模型输出都会被同步写入Postgres。此外，输出格式也支持灵活调整，可以是纯文本、表格形式，甚至导出为文件，按需求自由切换。

这套方案的价值与局限

这个教程的实用价值在于，它用一套可复现的容器化流程，把「低代码自动化平台 + 大模型 + 持久化记忆」三者打通，适合希望快速搭建带状态AI客服或问答机器人的开发者。Docker化部署也让这套环境具备良好的可移植性。

不过也要清醒看待其局限：教程侧重操作演示，对安全性（如全局监听带来的风险）、性能优化、以及Memory的窗口长度管理只是一笔带过。真正要上生产，还需要在凭据管理、访问控制和模型成本上做更细致的工程化处理。

对于想入门AI工作流自动化的读者，这套Gemini + Postgres + n8n的组合，是理解「有记忆的智能体」如何落地的一个清晰起点。