AI时代 你不是一个旁观者。文末可领DSL文件及token福利。
定义
变量赋值节点用于向可写入变量进行变量赋值，已支持以下可写入变量：
会话变量
循环变量
用法：通过变量赋值节点，你可以将工作流内的变量赋值到会话变量中用于临时存储，并可以在后续对话中持续引用。
场景示例
你可以将对话过程中的上下文、上传至对话框的文件、用户所输入的偏好信息 等变量，通过变量赋值节点写入至会话变量内，用作后续对话的参考信息。
场景 1
自动判断提取并存储对话中的信息 ，在会话内通过会话变量数组记录用户输入的重要信息，并在后续对话中让 LLM 基于会话变量中存储的历史信息进行个性化回复。
示例：开始对话后，LLM 会自动判断用户输入是否包含需要记住的事实、偏好或历史记录。如果有，LLM 会先提取并存储这些信息，然后再用这些信息作为上下文来回答。如果没有新的信息需要保存，LLM 会直接使用自身的相关记忆知识来回答问题。
配置流程：
设置会话变量
：首先设置一个会话变量数组
memories
，类型为 array[object]，用于存储用户的事实、偏好和历史记录。
判断和提取记忆
：
添加一个条件判断节点，使用 LLM 来判断用户输入是否包含需要记住的新信息。
如果有新信息，走上分支，使用 LLM 节点提取这些信息。
如果没有新信息，走下分支，直接使用现有记忆回答。
变量赋值/写入
：
在上分支中，使用变量赋值节点，将提取出的新信息追加（append）到 memories 数组中。
使用转义功能将 LLM 输出的文本字符串转换为适合存储在 array[object] 中的格式。
变量读取和使用
：
在后续的 LLM 节点中，将 memories 数组中的内容转换为字符串，并插入到 LLM 的提示词 Prompts 中作为上下文。
LLM 使用这些历史信息来生成个性化回复。
图中的 code 节点代码如下：
将字符串转义为 object
import json def main(arg1: str) -> object: try: # Parse the input JSON string input_data = json.loads(arg1) # Extract the memory object memory = input_data.get("memory", {}) # Construct the return object result = { "facts": memory.get("facts", []), "preferences": memory.get("preferences", []), "memories": memory.get("memories", []) } return { "mem": result } except json.JSONDecodeError: return { "result": "Error: Invalid JSON string" } except Exception as e: return { "result": f"Error: {str(e)}" }
将 object 转义为字符串
import json``def main(arg1: list) -> str:``try:``# Assume arg1[0] is the dictionary we need to process``context = arg1[0] if arg1 else {}``# Construct the memory object``memory = {"memory": context}``# Convert the object to a JSON string``json_str = json.dumps(memory, ensure_ascii=False, indent=2)``# Wrap the JSON string in
场景 2
记录用户的初始偏好信息 ，在会话内记住用户输入的语言偏好，在后续对话中持续使用该语言类型进行回复。
示例：用户在对话开始前，在 language 输入框内指定了 “中文”，该语言将会被写入会话变量，LLM 在后续进行答复时会参考会话变量中的信息，在后续对话中持续使用“中文”进行回复。
配置流程：
设置会话变量 ：首先设置一个会话变量 language，在会话流程开始时添加一个条件判断节点，用来判断 language 变量的值是否为空。
变量写入/赋值 ：首轮对话开始时，若 language 变量值为空，则使用 LLM 节点来提取用户输入的语言，再通过变量赋值节点将该语言类型写入到会话变量 language 中。
变量读取 ：在后续对话轮次中 language 变量已存储用户语言偏好。在后续对话中，LLM 节点通过引用 language 变量，使用用户的偏好语言类型进行回复。
场景 3
辅助 Checklist 检查 ，在会话内通过会话变量记录用户的输入项，更新 Checklist 中的内容，并在后续对话中检查遗漏项。
示例：开始对话后，LLM 会要求用户在对话框内输入 Checklist 所涉及的事项，用户一旦提及了 Checklist 中的内容，将会更新并存储至会话变量内。LLM 会在每轮对话后提醒用户继续补充遗漏项。
配置流程：
设置会话变量：
首先设置一个会话变量
ai\_checklist
，在 LLM 内引用该变量作为上下文进行检查。
变量赋值/写入：
每一轮对话时，在 LLM 节点内检查
ai\_checklist
内的值并比对用户输入，若用户提供了新的信息，则更新 Checklist 并将输出内容通过变量赋值节点写入到
ai\_checklist
内。
变量读取：
每一轮对话读取
ai\_cheklist
内的值并比对用户输入直至所有 checklist 完成。
使用变量赋值节点
点击节点右侧 ＋ 号，选择 “变量赋值” 节点，配置需要被赋值的变量与源变量。变量赋值节点支持同时为多个变量赋值。
设置变量
变量： 选择需要被赋值的变量。
设置变量： 选择需要赋值的变量，即指定需要被转换的源变量。
上图的变量赋值逻辑：将用户在初始页面填写的语言偏好 Start/language 变量赋值至系统级会话变量 language 内。
指定变量的写入模式
目标变量的数据类型将影响变量的写入模式。以下是不同变量间的写入模式：
目标变量的数据类型为
String
。
覆盖
，将源变量直接覆盖至目标变量
清空
，清空所选中变量中的内容
设置
，手动指定一个值，无需设置源变量
目标变量的数据类型为
Number
。
覆盖
，将源变量直接覆盖至目标变量
清空
，清空所选中变量中的内容
设置
，手动指定一个值，无需设置源变量
数字处理
，对目标变量进行
加减乘除
操作
目标变量的数据类型为
Object
。
覆盖
，将源变量的内容直接覆盖至目标变量
清空
，清空所选中变量中的内容
设置
，手动指定一个值，无需设置源变量
目标变量的数据类型为
Array
。
覆盖
，将源变量的内容直接覆盖至目标变量
清空
，清空所选中变量中的内容
追加
，在目标的数组变量中添加一个新的元素
扩展
，在目标的数组变量中添加新的数组，即一次性添加多个元素
dify相关资源
如果对你有帮助，欢迎点赞收藏 备用。
回复 DSL 获取公众号DSL文件资源