> ## Documentation Index
> Fetch the complete documentation index at: https://enterprise-docs.dify.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# 変数代入
### 定義
変数代入ノードは、書き込み可能な変数に他の変数を代入するために使用されます。現在、サポートされている書き込み可能な変数：
* [会話変数](/ja/3.6.x/use/build-app/flow-app/concepts)
使用方法：このノードを使用することで、ワークフローの中で変数の値を会話変数に一時的に保存し、後続の会話でその値を参照することができます。
***
### 使用シナリオの例
変数代入ノードを活用することで、会話中の**コンテキスト、ダイアログにアップロードされたファイル（近々配布予定）、ユーザーの好みの情報**などを会話変数に書き込み、保存された情報は後続の会話で参照され、異なる処理フローに誘導したり、返答を行ったりすることができます。
**シナリオ 1**
**会話中の記録を自動的に抽出し保存します**、会話変数配列を使用してユーザーの重要な情報を記録します。その後の会話ではこれらの記録を活用し、個別の返信を行います。
例えば：会話が始まると、LLMはユーザーの入力に必要な情報や好み、またはチャット履歴が含まれているかを自動的に判断します。情報が存在する場合、LLMはそれを先に抽出して保存し、コンテキストとして利用して応答します。もし新しい情報を覚える必要がない場合、LLMは以前の関連する記録を用いた応答を出力します。
**設定手順：**
1. **会話変数を設定**：まず、会話変数配列 `memories` を設定し、array\[object]型を持たせてユーザーの事実、好み、会話記録を保存します。
2. **記録の判断と抽出**：
* 条件判断ノードを追加し、LLMを使用してユーザーの入力に新しい情報が含まれているかを判断します。
* 新しい情報がある場合は上流に進み、LLMノードを使用してこれらの情報を抽出します。
* 新しい情報がない場合は下流に進み、既存の記憶を直接使用して返答します。
3. **変数の代入と書き込み**：
* 上流に進んだ後、変数代入ノードを用いて抽出した新しい情報を `memories` 配列に追加(append)します。
* LLMの出力テキスト文字列を適切な array\[object] 形式に変換するためにエスケープ機能を使用します。
4. **変数の読み取りと利用**：
* 後続のLLMノードで、`memories` 配列の内容を文字列に変換し、LLMのプロンプトにコンテキストとして挿入します。
* LLMはこれらの記憶を使用して個別の返信を生成します。
図中のcodeノードのコードは以下の通りです：
1. 文字列をオブジェクトに変換する
```python theme={null}
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. オブジェクトを文字列に変換する
```python theme={null}
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)}"
}
```
**シナリオ 2**
**ユーザーの初期の好み情報を記録**し，会話中にユーザーが入力した言語の好みを記憶し、後続の会話でその言語を使用して返信します。
例：ユーザーが会話を始める前に、`language`入力欄に「日本語」と指定した場合、その言語は会話変数に書き込まれ、LLMは後続の返信時に会話変数の情報を参照し、継続的に「日本語」を使用して返信します。
**設定手順：**
**会話変数の設定**：まず、会話変数 `language` を設定し、会話の開始時にこの変数の値が空かどうかを判断する条件分岐ノードを追加します。
**変数の書き込み/代入**：最初の会話が開始された際、 `language` 変数の値が空であれば、LLMノードを使用してユーザーの言語入力を抽出し、その言語タイプを会話変数 `language` に書き込みます。
**変数の読み取り**：後続の会話ラウンドでは、`language` 変数にユーザーの好みの言語が保存されています。以降の会話では、LLMノードがこの変数を参照し、ユーザーの好みの言語タイプを用いて返信します。
**シナリオ 3**
**Checklistのチェックを補助**し、会話中に会話変数にユーザーの入力項目を記録し、Checklistの内容を更新し、後続の会話で抜け漏れを確認します。
例：会話を始める際、LLMはユーザーにチェックリストに関連するアイテムの入力を求めます。ユーザーがチェックリストの内容を一度述べると、その内容は会話変数に更新及び保存されます。LLMは各会話の後に、ユーザーに不足しているアイテムの追加を促します。
**設定手順：**
* **会話変数の設定**：最初に会話変数 `ai_checklist` を設定し、これをLLM内でチェックのコンテクストとして参照します。
* **変数の書き込み/代入**：各会話のラウンドごとに、LLMノード内の `ai_checklist` の値を確認し、ユーザーの入力と比較します。ユーザーが新しい情報を提供した場合、チェックリストを更新し、変数代入ノードを使用して出力内容を `ai_checklist` に書き込みます。
* **変数の読み取り**：`ai_checklist`の値を読み取り、すべてのチェックリストアイテムが完了するまで、各会話のラウンドでユーザーの入力と比較します。
***
### 3 操作方法
**変数代入ノードの使用：**
ノードの右側の `＋` マークをクリックし、「変数代入」 ノードを選択し、「代入変数」 と 「パラメータ」 を入力します。
**変数の設定：**
代入変数：代入された変数を選択し、対象の会話変数を指定します
パラメータ：変換する必要のあるソース変数を選択します
上図の代入ロジック：`Language Recognition/text` を `language` に代入します。
**書き込みモード：**
* Overwrite (上書き)：ソース変数の内容を対象の会話変数に上書きします
* Append (追加)：指定された変数が配列型の場合に使用します
* Clear (クリア)：対象の会話変数内の内容をクリアします
* Remove（削除）：配列から要素を削除します。先頭から削除（First）または末尾から削除（Last）を選択できます。デフォルトは「先頭から削除」です
コントリビューションでドキュメントの改善に協力していただきたいと思っています。ドキュメントの改善に興味がある場合は、GitHubでこのページを編集してください。
バグやエラーを見つけた場合や、提案がある場合はお知らせください