变量赋值节点

【变量赋值】节点用于在工作流中向可写入变量（如会话变量、循环变量或自定义变量）进行赋值。
它通常用于在流程运行过程中动态更新变量的值，以便后续节点能够基于最新的数据进行计算或判断。

适用场景

在循环次数节点中更新循环变量（如计数器或中间结果）；
在条件判断后，为不同路径设置统一变量；
处理 LLM 输出，提取并写入结构化字段；
在流程中缓存中间结果或标志位；
向会话变量写入信息，实现对话记忆。

节点结构

变量赋值节点包含以下配置项：

配置项	说明	示例
目标变量	选择要写入的目标变量，可为全局变量、会话变量或自定义变量	`user_name`、`count`、`summary`
赋值内容	输入固定值或引用上游节点输出	`{{ LLM.output }}`、`count + 1`
数据类型	自动识别或手动指定（String、Number、Object、Array、File）	-
覆盖方式	决定是否覆盖原值或追加	覆盖：替换旧值；追加：拼接至数组或字符串末尾

建议

若变量为数组或对象类型，可使用 Jinja 表达式 对其字段或元素进行更新。

使用场景示例

通过 变量赋值节点，你可以将会话过程中的上下文、上传至对话框的文件、用户输入的偏好信息等写入会话变量，并在后续对话中引用这些已存储的信息，导向不同的处理流程或进行个性化回复。

场景 1：自动提取并存储对话信息

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，则直接使用已有记忆知识进行回答。

配置流程：

设置会话变量
创建一个会话变量数组 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
- 添加条件判断节点，使用 LLM 判断用户输入是否包含新信息。
- 如果有新信息，使用 LLM 节点提取这些信息。
- 如果没有新信息，直接使用现有记忆回答。
变量赋值/写入
- 在有新信息的分支中，使用变量赋值节点将新信息追加（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 LLM 节点中，将 memories 数组内容转换为字符串，并插入 LLM 的提示词中作为上下文。
- LLM 使用这些历史信息生成个性化回复。

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:
        input_data = json.loads(arg1)
        memory = input_data.get("memory", {})
        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 <answer> tags
        result = f"<answer>{json_str}</answer>"
        
        return {
            "result": result
        }
    except Exception as e:
        return {
            "result": f"<answer>Error: {str(e)}</answer>"
        }

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。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 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_checklist 内的值并比对用户输入，直至所有 Checklist 完成。