大模型“对话记忆” 是实现自然交互的核心 —— 没有记忆的 AI 只能单次应答，而带记忆的 AI 能理解上下文、连贯回应。本文将以 n8n 为可视化工具，分步骤教你用 LangChain+Google Gemini 构建具备对话记忆功能的自定义 AI 助手，全程实操可复现。
工作流整体思路与效果
本次实现的AI助手工作流包含四个核心节点，形成完整的对话处理闭环：
- 对话触发节点：监听用户输入的聊天消息
- 记忆存储节点：负责保存和管理对话历史记录
- LLM模型节点：集成Google Gemini模型提供AI推理能力
- 逻辑执行节点：构建提示词模板并执行对话链逻辑
二、分步搭建工作流
步骤 1：添加对话记忆节点（存储历史记录）
- 添加节点：搜索 “chat”，选择chat trigger。
- 配置参数：保持默认（无需额外设置，该节点默认以滑动窗口机制存储对话历史，自动管理上下文长度）。
- 关键作用：该节点是 “记忆核心”，会自动保存每轮用户与 AI 的对话，为后续交互提供上下文支持。
步骤 2：集成 Google Gemini 模型节点（提供 AI 推理能力）
- 添加节点：搜索 “gemini”。
- 配置 credentials：点击 “Add Credential”，选择 “create new credential”，输入在https://aistudio.google.com/app/api-keys申请到的 API 密钥，保存凭证。
- “Parameters” 中 “Options” 留空（使用默认模型参数，如温度值 0.7，可后续根据需求调整）。
步骤 3：构建核心逻辑节点（提示词 + 对话链执行）
此节点需要用到langchain code，要求不可在n8n云端使用，只可在本地部署使用，核心原因是：
- 云端 Code 节点有严格沙箱限制，禁止安装 / 引入 LangChain 等非预装第三方依赖；
- 网络访问、执行时长 / 内存有严格管控，无法适配 LangChain 对接外部 LLM / 向量库、资源占用较高的特性；
- 禁用文件读写等底层操作，与 LangChain 部分功能（如文档加载、缓存）冲突；
- 云端优先保障多租户稳定性，未预装迭代快的 LangChain。
步骤：
- 添加节点：在AI里搜索 【langchain code】。
- 配置输入输出：
- “Inputs” 需添加三类输入：“main”（接收触发节点的用户输入）、“ai_languageModel”（关联 Gemini 模型）、“ai_memory”（关联记忆节点），均设置 “Required” 为 true，“Max Connections” 为 1。
- “Outputs” 保留默认 “output”（输出 AI 回复）。
- 编写核心代码：
代码关键：通过{chat_history}变量引入对话记忆，ConversationChain将模型、记忆、提示词串联，实现上下文感知。
步骤 4：连接节点，形成完整工作流
整体工作流如下：
无论做到哪一步都要记得手动点save保存工作流。
四、小记
给大模型添加了对话记忆，可以更好的做好“助手”的工作。我一开始测试的时候用的deepseek，但是转半天都没个回复，我就换了个google gemini，一下就出来了，网络换过了也不行，不知道什么原因。。
从coze那边过来的，感觉coze在大模型的配置上更方便，都给我们封装好了，大模型的选择、回复长度等直接勾勾点点，人设与逻辑用中文写就行了，n8n还要用js代码，感觉对不会js的学者不太友好。
