Ressources · Intégration n8n

Nœud Postgres Chat Memory n8nConfigurer Postgres Chat Memory dans n8n.

Un agent IA repart de zéro à chaque message tant que rien ne conserve la conversation. Le nœud Postgres Chat Memory n8n écrit cet historique dans une table Postgres et le relit à l'exécution suivante. Deux paramètres à régler, un port mémoire où se brancher, et la table se crée toute seule.

Tester le nœud Postgres Chat Memory sur n8nVoir les 2 paramètres

Avis vérifiés sur Trustpilot · Agence IA, automatisation & growth

Pourquoi automatiser

À quoi sert le nœud Postgres Chat Memory n8n ?

Postgres Chat Memory est un sous-nœud, c'est-à-dire un nœud qui n'a pas d'entrée principale et ne s'exécute jamais seul. On le raccroche au port mémoire d'un nœud racine comme l'AI Agent, et chaque échange de la conversation atterrit alors dans une table Postgres. Au message suivant, l'agent relit cette table au lieu de redémarrer à vide. La mémoire, côté IA, c'est exactement ça : le contexte des messages qu'un outil garde d'une interaction à l'autre.

Premier terrain de jeu : l'assistant de prise de rendez-vous d'un cabinet de kiné. Sans mémoire, le patient qui répond « plutôt jeudi alors » s'adresse à un agent qui a déjà tout oublié. Branche le sous-nœud sur le port mémoire de l'AI Agent, renseigne Table Name, et la discussion tient debout d'un message à l'autre, y compris après un redémarrage du workflow.

Deuxième cas, l'assistant partagé par toute une équipe. Chaque conversation a besoin de son casier, et c'est le rôle de Session ID : soit le sous-nœud récupère le champ sessionId envoyé par un Chat Trigger directement connecté, soit tu construis la clé toi-même avec une expression, ces petits calculs n8n de la forme {{ $json.userId }} qui vont chercher une valeur dans un nœud précédent. Deux personnes en ligne en même temps, deux clés, deux historiques qui ne se mélangent pas.

Troisième usage, l'agent interne branché sur les données maison. Un modèle de chat Google Gemini côté raisonnement, quelques outils qui interrogent tes propres API, et l'historique dans Postgres pour qu'un collègue puisse relancer sa question une heure plus tard sans tout réexpliquer. Le même sous-nœud sert aussi un AI Agent Tool quand l'agent est lui-même appelé par un autre workflow.

Quand vaut-il mieux autre chose ? Dès qu'il s'agit de lire, modifier ou vider les messages stockés au lieu de simplement les accumuler, le travail revient au nœud racine Chat Memory Manager. Et si ton workflow repose sur une chaîne IA plutôt que sur un agent, la question ne se pose même pas : les nœuds agent de n8n acceptent une mémoire, les chaînes non.

Deux limites à connaître avant de construire. Plusieurs nœuds Postgres Chat Memory dans un même workflow pointent par défaut sur la même instance de mémoire, donc une action destructrice à un endroit écrase ce qu'un autre nœud avait rangé ; des session IDs distincts les séparent. Et le nœud expose 2 paramètres de tête en version 1, pas un de plus : tout ce qui dépasse le stockage et la relecture d'un fil se joue autour de lui. La Formation n8n montre ce montage en détail, et l'Avis n8n situe l'outil avant de s'y engager.

Connexion

Que faut-il brancher avant que ça tourne ?

  1. 01

    Créer le credential Postgres

    Direction le menu Credentials de n8n pour ajouter un credential Postgres. Il attend un Host, un nom de Database, un User et un Password, plus un Port, un mode SSL et, seulement si la base est derrière un, un SSH Tunnel. Une fois créé, il sert dans tous les workflows de l'instance, sur n8n Cloud comme en auto-hébergé. Tu le remplis une fois, tu le sélectionnes dans le nœud, et c'est réglé.

  2. 02

    Raccrocher le sous-nœud à un port mémoire

    Ce nœud n'a pas d'entrée principale : posé seul sur le canvas, il ne fait rien du tout. Tire son connecteur vers le port mémoire d'un nœud racine qui l'accepte, à savoir AI Agent, AI Agent Tool, Chat Memory Manager ou Chat Trigger. C'est ce trait qui indique à n8n de quelle conversation la table parle. Tant qu'il manque, l'agent continue de traiter chaque message comme s'il était le premier.

  3. 03

    Nommer la table et la clé de session

    Remplis Table Name avec la table qui accueillera l'historique. Si elle n'existe pas, n8n la crée : un nom tout neuf est donc une réponse parfaitement valable au premier lancement. Choisis ensuite la façon de construire Session ID : fromInput pour réutiliser le champ sessionId venu d'un Chat Trigger directement connecté, ou customKey pour définir la valeur toi-même, par expression ou en texte fixe.

Connexions

Sur quel port ce sous-nœud se branche-t-il ?

Un workflow IA n8n s'organise autour d'un nœud racine qui reçoit les items, entouré de sous-nœuds accrochés à ses ports, un type de sous-nœud par port.

Sortie (où il se branche)

  • Memoryai_memory
01MemoryPostgres Chat Memory ne propose qu'une sortie mémoire, et c'est le seul endroit où il a sa place. Le nœud racine choisi décide de la conversation qui sera conservée.

Postgres Chat Memory ne propose qu'une sortie mémoire, et c'est le seul endroit où il a sa place. Le nœud racine choisi décide de la conversation qui sera conservée.

Paramètres clés

  • Optional : un nœud racine tourne sans mémoire, il répond simplement à chaque message sans aucun souvenir du précédent.
  • AI Agent et AI Agent Tool : les hôtes habituels, pour un assistant qui suit un fil de discussion.
  • Chat Memory Manager et Chat Trigger : les deux autres nœuds racines qui acceptent ce port.
Cas d'usage
un agent de support qui retrouve tout seul la référence de commande citée trois messages plus tôt, sans qu'on lui renvoie la conversation entière.
Paramètres

Quels paramètres règle-t-on vraiment ?

Le nœud Postgres Chat Memory compte 2 paramètres. Pour chacun : le nœud tel que tu le configures dans n8n, ce que le paramètre change, et nos notes de terrain.

01

Session ID

sessionIdType

Ce que tu vois dans n8n

Notes & cas d'usage

Ce paramètre répond à une seule question : sous quelle clé cette conversation est-elle rangée ? Mal réglé, deux utilisateurs partagent le même historique, ou la même personne repart de zéro à chaque message.

Paramètres clés

  • Connected Chat Trigger Node (fromInput) : cherche un champ d'entrée nommé sessionId qui vient d'un Chat Trigger directement connecté.
  • Define below (customKey) : une expression qui pointe vers les données des nœuds précédents, ou un texte fixe.
  • Key (sessionKey) : la clé utilisée pour stocker l'identifiant de session dans la mémoire.
Cas d'usage
un chatbot ouvert à toute une équipe, où {{ $json.userId }} donne à chacun son fil privé.
02

Table Name

tableName

Ce que tu vois dans n8n

Notes & cas d'usage

Ici, on nomme la table Postgres qui stocke l'historique de conversation. Rien à préparer côté base : si la table n'existe pas, elle est créée au premier passage.

Paramètres clés

  • Table Name (tableName) : le nom de la table où stocker l'historique, créée automatiquement si elle manque.
Cas d'usage
une table par assistant, pour que le bot commercial et le bot support gardent leurs échanges à part tout en lisant la même base.
Besoin d'aide

Besoin d'aide pour automatiser Postgres Chat Memory avec n8n ?

L'équipe te répond directement.

Chaque message est lu par une personne.

FAQ

Les questions qui viennent ensuite

01Le nœud Postgres Chat Memory est-il inclus dans n8n ?
Oui. Il fait partie du paquet IA de n8n, @n8n/n8n-nodes-langchain, qui est livré avec n8n. Rien à installer, aucun surcoût côté n8n, et le comportement est le même sur n8n Cloud et sur une instance auto-hébergée en Community Edition sous licence Sustainable Use. Le seul coût possible se situe ailleurs : le fournisseur du modèle de chat branché sur l'agent facture ses propres appels d'API selon ses conditions, et n8n n'ajoute rien par-dessus. Le nœud mémoire, lui, ne parle qu'à ta base Postgres : son coût, c'est celui de cette base.
02Que faut-il pour que le nœud fonctionne ?
Deux choses. Un credential Postgres, créé une fois dans le menu Credentials de n8n et réutilisable dans tous les workflows ; la documentation du nœud renvoie à la page du credential Postgres pour les détails d'authentification. Et un nœud racine où se brancher, puisqu'il s'agit d'un sous-nœud sans entrée principale, qui ne s'exécute jamais seul. Le port mémoire d'un AI Agent, d'un AI Agent Tool, d'un Chat Memory Manager ou d'un Chat Trigger fait l'affaire. Restent Table Name et Session ID à renseigner, et c'est terminé. La table n'a pas besoin d'exister avant.
03Quelles sont les limites du nœud Postgres Chat Memory n8n ?
En version 1, le nœud expose 2 paramètres de tête, Session ID et Table Name, et rien d'autre. Il stocke et rejoue un historique de conversation, point. Lire, modifier ou écraser les messages déjà stockés relève du nœud racine Chat Memory Manager. Il ne sert pas non plus une chaîne IA, puisque les nœuds agent de n8n acceptent une mémoire alors que les chaînes non. Dernier écueil : plusieurs nœuds Postgres Chat Memory dans un workflow visent par défaut la même instance de mémoire, donc une action destructrice écrase ce qu'un autre a écrit tant que chaque nœud n'a pas son propre session ID.
04Que faut-il brancher au minimum sur un agent IA ?
Un modèle de chat. Un agent sans modèle connecté n'a rien pour raisonner, et c'est le credential du fournisseur qui lui ouvre la porte. La mémoire arrive juste après, et ce nœud est un choix raisonnable quand Postgres tourne déjà chez toi : l'historique survit aux redémarrages et reste dans une base que tu maîtrises. Commence sobre : un nœud racine, un modèle de chat, ce sous-nœud mémoire avec Session ID laissé sur l'option du Chat Trigger connecté, et un nom de table inventé sur le moment. Les outils viennent après, quand la conversation se tient déjà.
05n8n ou Make pour un assistant IA avec mémoire ?
Ça dépend surtout de l'endroit où tes données doivent vivre. Make est hébergé par Make, sans option d'auto-hébergement, et facturé à l'opération. n8n tourne sur n8n Cloud ou sur tes propres serveurs via Docker ou npm, avec un workflow identique dans les deux cas, ce qui pèse quand les transcriptions de conversation atterrissent dans une base dont tu réponds. Stocker l'historique dans ton Postgres suppose d'ailleurs de pouvoir l'atteindre, donc l'auto-hébergement change la donne. Les modèles de coût diffèrent aussi : à l'opération d'un côté, à l'hébergement de l'autre. Les deux se construisent visuellement, le canvas tranche rarement.
Hack'celeration Lab

Reçois nos tips intégration chaque semaine.

Pas de spam. Désinscription à tout moment.

Même plateforme

Autres docs utiles sur ce stack.

Voir toutes les intégrations