Menggunakan node Memory yang disediakan n8n secara langsung akan membuat AI Agent Anda mampu “mengingat” percakapan atau interaksi sebelumnya, menghasilkan jawaban yang lebih relevan dan kontekstual. n8n memisahkan opsi memori menjadi dua kategori utama: Simple Memory (untuk pemula dan kasus sederhana) dan Other Memories (untuk kebutuhan lebih lanjut dengan penyimpanan eksternal).

1. Simple Memory (Memori Sesi Internal n8n)

Ini adalah opsi memori paling dasar dan termudah untuk digunakan, cocok untuk percobaan atau kasus di mana Anda hanya perlu AI mengingat dalam satu alur eksekusi (session) tanpa perlu penyimpanan eksternal.

• Deskripsi: “Stores in n8n memory, so no credentials required.” Ini berarti data percakapan akan disimpan sementara dalam memori n8n selama workflow berjalan. Data ini tidak akan persisten setelah workflow selesai atau di-reset.
• Kapan Digunakan:
  • Pengujian awal AI Agent.
  • Skenario di mana riwayat percakapan tidak perlu dipertahankan setelah sesi interaksi berakhir (misalnya, chatbot sederhana untuk satu kali pertanyaan).
  • Anda tidak ingin atau tidak bisa menyiapkan database eksternal.
• Cara Pakai:
  1. Tarik node “Simple Memory” ke kanvas workflow Anda.
  2. Hubungkan node ini di antara input pengguna dan node AI Model Anda (misalnya, OpenAI Chat).
  3. Node “Simple Memory” akan secara otomatis mengelola penambahan pesan ke riwayat dan meneruskannya ke node AI Model yang terhubung. Anda tidak perlu mengkonfigurasi kredensial atau struktur data yang kompleks.
  4. Pastikan node AI Model Anda dikonfigurasi untuk menerima input dari node “Simple Memory”.

2. Other Memories (Memori Jangka Panjang Eksternal)

Untuk kebutuhan yang lebih kompleks, di mana Anda ingin AI mengingat konteks lintas sesi, lintas waktu, atau bahkan lintas pengguna, Anda perlu menggunakan opsi memori eksternal. Node-node ini memerlukan kredensial dan konfigurasi untuk terhubung ke layanan penyimpanan yang Anda pilih.

Ini adalah pilihan untuk memori jangka panjang yang saya jelaskan sebelumnya, namun kini Anda bisa melakukannya dengan node khusus yang lebih mudah.

• MongoDB Chat Memory:
  • Deskripsi: “Stores the chat history in MongoDB collection.”
  • Kapan Digunakan: Jika Anda sudah memiliki atau berencana menggunakan MongoDB sebagai database NoSQL Anda. Sangat fleksibel untuk menyimpan data percakapan yang bervariasi.
  • Cara Pakai:
    1. Tarik node “MongoDB Chat Memory” ke workflow.
    2. Anda perlu membuat kredensial MongoDB di n8n yang menunjuk ke instance MongoDB Anda (host, port, database, koleksi, username, password).
    3. Konfigurasi node ini untuk menentukan koleksi mana yang akan digunakan untuk menyimpan riwayat chat.
    4. Pastikan untuk meneruskan ID pengguna/sesi yang unik agar riwayat dapat diidentifikasi dan diambil dengan benar.
• Motorhead:
  • Deskripsi: “Use Motorhead Memory.” Motorhead adalah layanan memori AI khusus yang dirancang untuk AI Agent, seringkali menawarkan fitur lebih canggih seperti “long-term memory” yang terkompresi.
  • Kapan Digunakan: Jika Anda membutuhkan solusi memori yang canggih dan spesifik untuk AI, yang mungkin lebih efisien dalam mengelola riwayat percakapan yang panjang.
  • Cara Pakai: Anda perlu membuat akun Motorhead dan mendapatkan kredensial API-nya. Kemudian, konfigurasikan node “Motorhead” di n8n dengan kredensial tersebut.
• Postgres Chat Memory:
  • Deskripsi: “Stores the chat history in Postgres table.”
  • Kapan Digunakan: Jika Anda sudah menggunakan PostgreSQL sebagai database relasional Anda. Sangat cocok jika Anda ingin menyimpan data percakapan bersama dengan data aplikasi lainnya dalam skema terstruktur.
  • Cara Pakai:
    1. Tarik node “Postgres Chat Memory” ke workflow.
    2. Buat kredensial PostgreSQL di n8n yang menunjuk ke database Anda (host, port, database, username, password).
    3. Konfigurasi node ini untuk menentukan tabel mana yang akan menyimpan riwayat chat dan kolom apa saja yang akan digunakan.
• Redis Chat Memory:
  • Deskripsi: “Stores the chat history in Redis.”
  • Kapan Digunakan: Jika Anda membutuhkan penyimpanan memori yang sangat cepat untuk caching atau untuk mengelola sejumlah besar sesi yang aktif secara bersamaan. Redis adalah penyimpanan data dalam memori (in-memory data store).
  • Cara Pakai:
    1. Tarik node “Redis Chat Memory” ke workflow.
    2. Buat kredensial Redis di n8n yang menunjuk ke instance Redis Anda.
    3. Konfigurasi node ini sesuai kebutuhan.
• Xata:
  • Deskripsi: “Use Xata Memory.” Xata adalah platform data serverless yang menggabungkan database, pencarian, dan analitik.
  • Kapan Digunakan: Jika Anda mencari solusi database modern, serverless, dan terintegrasi untuk aplikasi Anda, termasuk penyimpanan memori AI.
  • Cara Pakai: Anda perlu membuat akun Xata dan mengkonfigurasi node ini dengan kredensial dan detail proyek Xata Anda.
• Zep:
  • Deskripsi: “Use Zep Memory.” Zep adalah platform memori AI open-source yang dirancang untuk membangun aplikasi AI yang stateful.
  • Kapan Digunakan: Mirip dengan Motorhead, Zep menyediakan fungsionalitas memori AI yang canggih, termasuk pemrosesan memori yang lebih dalam untuk konteks yang lebih kaya.
  • Cara Pakai: Anda perlu menginstal dan menjalankan Zep (biasanya sebagai layanan terpisah) dan kemudian mengkonfigurasi node n8n untuk terhubung dengannya.

Alur Kerja Umum Menggunakan Node Memori ini:

1. Pemicu (Trigger): Mulai workflow Anda dengan node pemicu (misalnya, Webhook, Telegram Trigger, atau Email Receiver) yang menerima input dari pengguna.
2. Node Memori:
   • Tarik salah satu node memori di atas (sesuai pilihan Anda, Simple Memory atau salah satu “Other Memories”).
   • Hubungkan input pengguna ke node memori. Node memori akan secara otomatis mengelola penambahan pesan pengguna ke riwayat dan mengambil riwayat yang ada.
   • Untuk “Other Memories”, pastikan Anda mengkonfigurasi kredensial dan ID sesi/pengguna agar memori dapat diakses dengan benar.
3. AI Model:
   • Hubungkan output dari node memori ke node AI Model Anda (misalnya, OpenAI Chat, Google Gemini).
   • Node memori akan meneruskan riwayat percakapan yang sudah diformat ke input messages atau chat_history dari node AI Model. Anda mungkin perlu sedikit penyesuaian di node AI Model untuk memastikan ia menerima input memori dengan benar (seringkali sudah diatur secara default).
4. Respons:
   • Ambil respons dari node AI Model.
   • Hubungkan respons AI kembali ke node memori. Ini penting agar respons AI juga disimpan dalam riwayat memori untuk interaksi selanjutnya.
   • Kirim respons tersebut kembali ke pengguna melalui node output yang sesuai (misalnya, Telegram, Email, HTTP Response).

Dengan node-node memori khusus ini, n8n membuat implementasi memori AI menjadi jauh lebih intuitif dan langsung, mengurangi kebutuhan akan skrip kustom yang kompleks. Pilih node memori yang paling sesuai dengan kebutuhan proyek dan infrastruktur Anda.