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：

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。

变量赋值节点 - 图1

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。

变量赋值节点 - 图2

配置流程：

  1. 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。

  2. 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。

  1. 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。

  1. 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：

  1. 将字符串转义为 object
  1. import json
  3. def main(arg1: str) -> object:
  4.     try:
  5.         # Parse the input JSON string
  6.         input_data = json.loads(arg1)
  8.         # Extract the memory object
  9.         memory = input_data.get("memory", {})
  11.         # Construct the return object
  12.         result = {
  13.             "facts": memory.get("facts", []),
  14.             "preferences": memory.get("preferences", []),
  15.             "memories": memory.get("memories", [])
  16.         }
  18.         return {
  19.             "mem": result
  20.         }
  21.     except json.JSONDecodeError:
  22.         return {
  23.             "result": "Error: Invalid JSON string"
  24.         }
  25.     except Exception as e:
  26.         return {
  27.             "result": f"Error: {str(e)}"
  28.         }
  1. 将 object 转义为字符串
  1. import json
  3. def main(arg1: list) -> str:
  4.     try:
  5.         # Assume arg1[0] is the dictionary we need to process
  6.         context = arg1[0] if arg1 else {}
  8.         # Construct the memory object
  9.         memory = {"memory": context}
  11.         # Convert the object to a JSON string
  12.         json_str = json.dumps(memory, ensure_ascii=False, indent=2)
  14.         # Wrap the JSON string in <answer> tags
  15.         result = f"<answer>{json_str}</answer>"
  17.         return {
  18.             "result": result
  19.         }
  20.     except Exception as e:
  21.         return {
  22.             "result": f"<answer>Error: {str(e)}</answer>"
  23.         }

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。

变量赋值节点 - 图3

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。

变量赋值节点 - 图4

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。

变量赋值节点 - 图5

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：

  1. 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

  1. 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

  1. 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

  1. 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