饼干哥哥：我用n8n+AI记忆系统 MemOS，给SHEIN 搭了个销售Agent

饼干哥哥：我用n8n+AI记忆系统 MemOS，给SHEIN 搭了个销售Agent 饼干哥哥：我用n8n+AI记忆系统 MemOS，给SHEIN 搭了个销售Agent Modified January 20 我把整个工作流拆解成了三个核心模块，大家跟着做就行。 模块一：监听邮件与智能识别 避免一些垃圾邮件干扰我们处理了。 1. Gmail Trigger (监听) ： ◦ 设置 Poll Times 为每分钟一次。 ◦ Filters 设置为 Label: INBOX 和 UNREAD （只看未读邮件）。 2. AI Agent ： ◦ 这里接一个小模型（比如 gpt 4o mini 或 Qwen ）就够了，省钱。 ◦ 核心任务 ：判断这封邮件是不是客户咨询。 • System Prompt ： Code block Plain Text Copy 我们是电商公司，你是邮件内容判断助手。 请判断当前邮件内容是否为客户的售前、售后咨询。 如果是，回复 {"客户邮件":"是"}；否则回复 {"客户邮件":"否"}。 3. If (分流) ： ◦ 只有当 客户邮件 == 是 时，才进入后续流程。 模块二：知识库+记忆+上下文 —— 开启上帝视角 这是最核心的处理部分。 1. Set Context Variables (清洗身份) ： ◦ MemOS 需要一个 user id 来认人。 ◦ 我们用正则表达式提取发件人邮箱： {{ $json.from.match(/<(.+) /)?.[1] || $json.To }} 。 ◦ 提取 threadId 作为 conversation id ，这是串联多轮对话的关键。 2. 双路并行检索 (Parallel Retrieval)： 通过 http请求 节点跟 MemOS 交互。 • 上路：检索记忆 (Search Memory) ◦ 调用 MemOS /search/memory 接口。 ◦ 作用 ：查静态文档（尺码表、退货政策）+ 查长期记忆（用户身高体重、喜好）。 • 下路：获取上下文 (Get Context) ◦ 调用 MemOS /get/message 接口。 ◦ 作用 ：查最近 10 条对话。比如用户说“那我就要这个了”，AI 必须通过历史记录知道“这个”指的是刚才推荐的牛仔裤。 3. 合并上下文 (Merge) ： ◦ 设置 Combine By 为 Position 。 ◦ 这一步把“过去记忆”和“当下语境”合二为一，输送给最终的大脑。 模块三：注入灵魂回复 & 记忆闭环 最后一步，不仅是回复，更是为了让 AI 记住 这次交互，这是越用越好用的关键。 1. AI 回复生成器 (Injecting Soul) ： ◦ 这是最关键的 Prompt。 Code block Plain Text Copy Role 你不是机器人，你是 SHEIN 专属时尚顾问 (Style Bestie) 。 目标：用温暖、专业且带时尚感的语气解决问题。 Context Data 1. 记忆与知识库: {{ $('检索记忆').item.json.data.memory detail list }} 2. 对话历史: {{ $('获取历史').item.json.data.message detail list }} Guidelines 拒绝机械感 ：禁止说“根据数据库显示”。 显式记忆 ：如果发现用户身高体重（如 170cm），必须在回复中显式提及（"考虑到您 170cm 的高挑身材..."）。 情绪价值 ：适当夸赞用户眼光，使用 Emoji 😊。 我把整个工作流拆解成了三个核心模块，大家跟着做就行。 模块一：监听邮件与智能识别 避免一些垃圾邮件干扰我们处理了。 1. Gmail Trigger (监听) ： ◦ 设置 Poll Times 为每分钟一次。 ◦ Filters 设置为 Label: INBOX 和 UNREAD （只看未读邮件）。 ◦ 设置 Poll Times 为每分钟一次。 ◦ Filters 设置为 Label: INBOX 和 UNREAD （只看未读邮件）。 2. AI Agent ： ◦ 这里接一个小模型（比如 gpt 4o mini 或 Qwen ）就够了，省钱。 ◦ 核心任务 ：判断这封邮件是不是客户咨询。 ◦ 这里接一个小模型（比如 gpt 4o mini 或 Qwen ）就够了，省钱。 ◦ 核心任务 ：判断这封邮件是不是客户咨询。 • System Prompt ： 3. If (分流) ： ◦ 只有当 客户邮件 == 是 时，才进入后续流程。 ◦ 只有当 客户邮件 == 是 时，才进入后续流程。 模块二：知识库+记忆+上下文 —— 开启上帝视角 这是最核心的处理部分。 1. Set Context Variables (清洗身份) ： ◦ MemOS 需要一个 user id 来认人。 ◦ 我们用正则表达式提取发件人邮箱： {{ $json.from.match(/<(.+) /)?.[1] || $json.To }} 。 ◦ 提取 threadId 作为 conversation id ，这是串联多轮对话的关键。 ◦ MemOS 需要一个 user id 来认人。 ◦ 我们用正则表达式提取发件人邮箱： {{ $json.from.match(/<(.+) /)?.[1] || $json.To }} 。 ◦ 提取 threadId 作为 conversation id ，这是串联多轮对话的关键。 2. 双路并行检索 (Parallel Retrieval)： 通过 http请求 节点跟 MemOS 交互。 • 上路：检索记忆 (Search Memory) ◦ 调用 MemOS /search/memory 接口。 ◦ 作用 ：查静态文档（尺码表、退货政策）+ 查长期记忆（用户身高体重、喜好）。 ◦ 调用 MemOS /search/memory 接口。 ◦ 作用 ：查静态文档（尺码表、退货政策）+ 查长期记忆（用户身高体重、喜好）。 • 下路：获取上下文 (Get Context) ◦ 调用 MemOS /get/message 接口。 ◦ 作用 ：查最近 10 条对话。比如用户说“那我就要这个了”，AI 必须通过历史记录知道“这个”指的是刚才推荐的牛仔裤。 ◦ 调用 MemOS /get/message 接口。 ◦ 作用 ：查最近 10 条对话。比如用户说“那我就要这个了”，AI 必须通过历史记录知道“这个”指的是刚才推荐的牛仔裤。 3. 合并上下文 (Merge) ： ◦ 设置 Combine By 为 Position 。 ◦ 这一步把“过去记忆”和“当下语境”合二为一，输送给最终的大脑。 ◦ 设置 Combine By 为 Position 。 ◦ 这一步把“过去记忆”和“当下语境”合二为一，输送给最终的大脑。 模块三：注入灵魂回复 & 记忆闭环 最后一步，不仅是回复，更是为了让 AI 记住 这次交互，这是越用越好用的关键。 1. AI 回复生成器 (Injecting Soul) ： ◦ 这是最关键的 Prompt。 ◦ 这是最关键的 Prompt。 注意这里我让 AI 返回的 HTML 格式 ，确保客户收到的邮件也是富文本格式的，提高阅读体验。这是简略版，完整版见文末原文。 1. 存入记忆 (Memory Loop) ： ◦ 调用 /add/message 接口。 ◦ 关键操作 ：把用户的 User Query 和 AI 生成的 Output 一次性存回去。 ◦ 这样，MemOS 会自动分析这次对话，提取新的用户偏好（比如“用户觉得 M 码紧”），下次对话时 AI 就会自动避坑。 ◦ 调用 /add/message 接口。 ◦ 关键操作 ：把用户的 User Query 和 AI 生成的 Output 一次性存回去。 ◦ 这样，MemOS 会自动分析这次对话，提取新的用户偏好（比如“用户觉得 M 码紧”），下次对话时 AI 就会自动避坑。 2. 发送邮件 (Gmail Send) ： ◦ 记得开启 HTML 模式，把 AI 生成的漂亮排版发给客户。 ◦ 记得开启 HTML 模式，把 AI 生成的漂亮排版发给客户。 这一套下来，你不仅拥有了一个能秒回邮件的客服，更拥有了一个 能不断自我进化 的用户数据资产库。 每一封邮件，都在让你的企业大脑更聪明一点。 从「回复邮件」到「经营关系」 这套 n8n + MemOS 的打法，直接把跨境电商的客服水平拉高了一个维度。 它不是在做“问答”，它是在做 “关系管理” 。 这套系统的核心价值，不在于它省了多少人工（虽然它确实省了），而在于它能 留存客户资产 。 以前，最有经验的客服离职了，他对客户的了解也就带走了。 现在，所有的记忆、偏好、习惯，全部沉淀在 MemOS 的记忆层里。哪怕你换了 10 批运营，AI 依然记得那个喜欢穿宽松牛仔裤、住在深圳、对运费敏感的老客户。 这就是 数据资产 。 这套逻辑还能怎么用？ 既然 MemOS 能做大脑，n8n 能做手脚，那这个“超级销售”就不应该只活在邮箱里。 1. WhatsApp / Telegram 私域玩法： 对于做高客单价（如假发、珠宝、3D打印机）的卖家，私域是命脉。 把这套逻辑接入 WhatsApp Business API，AI 能记得客户上个月说了“想给女儿买生日礼物”，并在生日前一周自动推送新品。 这转化率，比群发广告高 100 倍。 2. 独立站 AI 导购 (Chatbot)： 别再用那种只会弹优惠券的智障弹窗了。 把 MemOS 接入网站右下角的聊天窗，当用户浏览商品时，AI 能主动提示：“这件大衣和你上次买的靴子超搭哦！” 2026 年的红利，属于那些敢把 AI 塞进业务心脏里的人。 MemOS 2.0 现在的门槛极低，我已经把最难的“路”给探完了 。 有兴趣的小伙伴可以去项目里面玩玩看 目前项目已经全面开源 github.com/MemTensor/MemOS github.com/MemTensor/MemOS 别观望了，去注册个账号，把你的文档扔进去试试。 哪怕只跑通一个场景，你的业务效率都能像滚雪球一样飞起来。 完整n8n工作流源码 关注公众号「饼干哥哥AGI」 后台回复「 邮件Agent 」即可 🔗 原文链接： https://mp.weixin.qq.com/s/qm4Av7Ki... https://mp.weixin.qq.com/s/qm4Av7Ki... 原创 饼干哥哥 饼干哥哥 饼干哥哥AGI2026年1月20日 18:01 广东 2025 做了很多场线下AI 跨境电商的沙龙交流，给我一个非常割裂的感觉。 现在AI领域已经迭代的很好了，但跨境电商大多都很传统，别说AI，连自动化数字化都还没做到。 所以如果用AI去升级会是一个超级大的机会，预判到2026年会有一个大爆发。 但这波爆发不是比谁更会铺货、不是谁的亚马逊生图更好看、不是谁的TK UGC 视频更真实 而是比谁更懂 精细化运营 。 其中，最典型的就是 邮件回复 。 现在大多都是用人工、或者用规则、最多上个知识库索引。 效果不用想都知道很差， 没有灵魂。 因为AI没有记忆，记不住用户的画像。 记住了又有什么用呢？ 能把单纯是「客服」性质的回答，升级生成「促销转化」的销冠。 例如根据用户的身高三围推荐尺码、根据喜好推荐产品，甚至可以做连带销售的推荐提高客单价。 成本极低，ROI直接拉满。 这样的AI Agent你真的不想要吗？ 今天就教你怎么做这样一个 n8n+知识库 RAG+AI 记忆的 AGENT！！ 这个邮件Agent 是一个典型，搞懂了这个逻辑之后，去跑别的 AI 数字员工，就很丝滑了。 为什么传统的 RAG 不行？ 在开始搭建之前，我必须先说一个残酷的 通用 事实： 市面上90%的 AI 客服都是“一次性”的。 你搭了一个基于 RAG（检索增强生成）的知识库，把几万字的退换货政策扔进去。客户问：“怎么退货？” AI 回答得滴水不漏。 但下一秒，客户问：“那我上次买的那件 M 码穿着紧，这次我是不是该换 L 码？” 这时候，你的 AI 傻了。 因为它 没有记忆 ，或者说它的记忆在每轮对话结束后就清零了 。 它不知道客户“上次”买了什么，也不知道客户“上次”反馈过 M 码紧。它只能冷冰冰地回复：“请提供您的订单号。” 这就是 无状态 的痛点。 要解决这个问题，我们需要一个能 读写记忆 的系统，而不仅仅是一个静态的文档库。 最近我挖到了一个王炸级的开源项目 —— MemOS 2.0「星尘 Stardust」 。 https://memos.openmem.net/cn/ 它不仅仅是能存数据，它直接把 “企业知识库”和“用户动态记忆” 打通了。看看下面这张图，MemOS 是怎么思考的： 它帮我们解决了三个最核心的问题： 1. 静态知识库 ： 企业的 S.O.P、尺码表、物流政策，支持 PDF/Markdown/TXT 直接上传，扔进去就能查，这是底层的 业务规范 。 2. 动态记忆（用户的画像） ： 这是最关键的。用户说过的话（“我喜欢宽松点”）、用户的属性（“170cm/60kg”）、用户的历史行为，它会自动抓取并存储为 长期记忆 。 这就相当于给你的 AI 装了一个 会自动记笔记的海马体 。 使用上，MemOS 支持把文件和 URL 直接导入知识库。 对话过程中记忆会持续更新并随着增长逐渐形成偏好记忆，并且能把文本、图片、文件、工具调用等信息统一记忆，必要时还能使用自然语言对已有记忆做纠错和清理。 而且，在配置的过程中，我发现了一个华点： 系统会根据对话内容自动演化并更新记忆层，从而推动知识库的持续自进化。 • 用户说：“我不吃辣” MemOS 自动写入偏好。 • 用户说：“最近搬去上海了” MemOS 自动更新地区信息。 卧槽？？这不就是一直在困扰我的知识库动态更新的问题吗？ 原本要手动去插入、更新之类的，现在你跟我说，直接对话就能自动更新了？？ 那我以前熬夜搭的流程算什么？？ 行吧，下面，直接上实操。 超级福利！！完整n8n工作流源码放 文末 了。 真的开箱即用了朋友们！！ 落地场景 智能客服对于服装企业来说需求是很大的，几万个SKU能用 AI来管理的话，效率和产出都是成指数增长的。 我们就拿 SHEIN 为例。 当然我没有SheIn的内部资料，我让GPT老师给我生成了好几个文档，涵盖售前的尺码推荐、物流、售后的退换货、洗护等政策。 工作流实操！！ 开始前先给大家看下整个流程是什么样的。 整套系统的核心逻辑在于 “身份锚定 + 双重检索 + 记忆闭环” 。 首先，n8n 利用 Gmail 的 threadId 锁定会话上下文，提取发件人邮箱作为唯一身份标识 user id 接着，系统执行 双路并行检索 ： 一路调用 /search/memory 获取业务文档（如尺码表、退货政策）及用户长期画像（如身高体重）； 另一路调用 /get/message 拉取当前邮件往来的短期历史记录。 AI 将这些“静态规则”与“动态偏好”融合，生成兼具专业度与情绪价值的回复。 最后，通过 /add/message 将本次交互回写至 MemOS ，让 AI 的记忆随着每一次沟通自动进化，越用越懂客户。 这套逻辑的效果非常惊喜！！ 因为前面的资料都是 AI 生成的，所以我把全部东西都扔到 Gemini 里，让它来给我们判断一下这个工作流的精准度如何。 1、知识库、上下文与短期记忆 测试 这是第一次邮件，这里关键就看知识库是否能精准击中需求。 这里我介绍了我的数据，问选型之类的售前问题。 直接看回复 Gemini 老师的评价是很好： 接下来测试一下短期记忆。 这是第二轮了 此时，通过 conversation id 能成功获取前面邮件的对话记录，也就是说成功把两封独立的邮件串起来了，完成了多次连续对话的能力。 再看下回复效果： Gemini 老师表示满分： 2、长期记忆 测试 这次，我没有说自己的数据就直接让它推荐一条牛仔裤 Hi, 我这次想买 "SHEIN High Waist Straight Leg Jeans"。 还是以前的身材数据没变，请问这款牛仔裤我该选什么码？ 我看评论说这个没有什么弹性，我很怕卡裆或者腰太紧。 回复效果： Gemini老师评价是依然发挥稳定哈哈哈： 看来效果针不戳，但背后操作其实特别简单！！ 相信我！！有手就行！！ 接下来，我们逐个模块来看下。 1、MemOS知识库 到MemOS后台，进入知识库页面，直接右上角点 添加知识库 https://memos dashboard.openmem.net/cn/knowledgeBase 如图按要求输入名称就好了： 接着把之前GPT老师给的资料，也就是公司客服相关的文件扔进去。 这里不需要做任何配置，默认效果就不错了。 在如图这个位置拿到 知识库ID MemOS 的接口文档在这里，基本上读写记忆等常规API 都有了，备用： https://memos docs.openmem.net/cn/api docs/core/add message 至此 MemOS 部分的设置就结束了，简单的令人发指。 2、n8n工作流 接下来就到n8n工作流的部分。主要是用它把 Gmail、MemOS 和 AI 连接起来。