# 变量赋值
## 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](https://legacy-docs.dify.ai/zh-hans/guides/key-concept#hui-hua-bian-liang)
* [循环变量](https://docs.dify.ai/zh-hans/guides/workflow/node/loop)
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：**
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。
3. **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。
4. **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
```python
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)}"
}
```
2. 将 object 转义为字符串
```python
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 tags
result = f"{json_str}"
return {
"result": result
}
except Exception as e:
return {
"result": f"Error: {str(e)}"
}
```
### 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：
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
2. 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
3. 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
4. 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