n8n + AI + MCP 整合流程 - Part 4：配置 AI Memory 記憶系統

前言

在前一篇文章中，我們已經完成了 AI Model 的建立。今天我們要繼續下一個步驟：為 AI Agent 建立 Memory 功能。Memory 的作用是讓 AI 能夠記住之前的對話和操作記錄，這對於 Code Review 等需要上下文連貫性的任務特別重要。

步驟一：選擇 Memory 類型

1. 在 n8n 介面中點選 Memory 旁的「+」按鈕
2. 系統會顯示可用的 Memory 選項
3. 我們選擇 Simple Memory，因為它直接存儲在 n8n 內部，使用起來比較方便

步驟二：配置 Memory Node 設定

基本設定項目

1. Session ID 模式

• 可選擇「Chat Trigger Node」或「Define below」兩種模式
• 由於我們要做的是自動化流程而非即時聊天，選擇 Define below

2. Key 識別值

• 為這個 Code Review 流程設定一個唯一識別值
• 建議使用有意義的名稱，例如：code-review-project-name
• 注意避免與其他流程的 Key 重複

3. Context Window 設定

• 這是 AI 模型運作時的上下文窗口大小
• 根據 Code Review 的需求，建議設定範圍為 5-50
• 本文範例設定為 5
• 實際數值需根據您的機器配置和專案規模調整

關於上下文窗口的技術說明

不同 AI 模型的 Token 支援範圍

目前主流 AI 模型的 Token 支援數量差異很大，大部分落在 128,000 到 1,000,000 之間：

• Gemini 2.5 Pro（Google） - 支援大規模上下文處理
• GPT-5.0（OpenAI） - 提供彈性的上下文配置
• Claude Sonnet 4 - 優秀的長文本理解能力

重要提醒

更大的上下文支援並不等於 AI 理解能力更強
選擇適合的上下文大小比盲目追求最大值更重要

步驟三：驗證 Memory 功能

執行流程後，您可以在 Memory 介面中查看執行記錄，確認資料已正確儲存：

Memory 功能的優勢

1. 上下文延續性

• AI 能記住之前的 Code Review 結果
• 當程式碼有更新時，AI 會基於之前的記錄進行比較和分析

2. 提升 Review 品質

• 避免重複指出相同問題
• 能夠追蹤程式碼改善的進度

3. 成本考量

如果您希望節省記憶體成本，也可以選擇不使用 Memory 功能，但會失去上述優勢。

小結

今天我們成功在 AI Agent 中建立了 Memory 功能，並將執行記錄正確儲存。這個功能大大提升了 Code Review 的連貫性和效率。當程式碼有修改時，AI 會根據之前的上下文記錄，提供更精準的檢視建議。

下一篇預告： 我們將介紹如何在 n8n 中建立 MCP Client，並成功連接到 MCP Server。

💡 提示： 根據實際需求調整 Context Window 大小，找到效能與成本的最佳平衡點。