Dify 中级实验（14）：对话变量与状态管理——如何让工作流记住多轮对话的状态？

1. 业务场景

先讲一个我们实际遇到的场景。

一家 SaaS 公司的产品团队要做一个「客户需求调研」：用户在对话框里逐步回答 5 个问题（姓名、联系方式、年龄、使用场景、确认信息），系统边问边记。听起来简单，但他们用普通工作流搭出来的第一版彻底翻车——用户回答完第一个问题，进入第二轮时，上一轮说的内容全被清空了，系统像个失忆的人，一遍遍重复问同样的问题。普通工作流每次执行都是「失忆」的：上一轮说了什么，这一轮全忘。

我们第一次接这类需求时，第一反应也是「把上一轮的回答存进变量不就行了」。真正动手才发现——普通工作流每次执行都是「失忆」的：开始变量只在当轮有效，节点变量算完即弃，不引入跨轮的存储机制，多轮对话根本做不成。

这不是个例。任何「要跨多轮对话收集信息、且每轮都要记得前面说了什么」的场景都是这个模式：客服工单要逐步收集故障信息、报名系统要分步收集报名资料、体检问卷要按步骤采集健康数据、多轮引导式销售要边聊边记录客户意向——没有状态管理，多轮对话就做不成。

2. 场景痛点

这个流程的痛点，在需求调研系统的开发过程中体现得最直接：

• 每轮都失忆，用户被反复问：用户答完姓名，下一轮系统又问「请提供姓名」——信息没有跨轮保存，用户体验极差，调研根本走不完 5 步。
• 状态不知道存哪：把数据塞进前端会话，用户能篡改、刷新就丢；自己在服务端写存储，又要搭数据库、写接口，为了一个问卷功能成本失控。
• 信息校验没有载体：用户填的邮箱格式不对、年龄超出范围，系统想「记住这个错误、下一轮重问」，但没有地方存放校验状态和错误记录。
• 变量作用域混乱：开始变量、节点变量、对话变量、环境变量分不清，改错变量导致互相覆盖，数据张冠李戴，排查半天。

本质上，多轮对话应用的骨架就是「状态」——每轮要读什么、改什么、写回什么、持久化到哪里，这套机制不建立起来，对话应用就永远只能是一问一答的玩具。

3. 方案：为什么是对话变量 + 变量赋值器

Dify 提供了专门解决这个问题的原生能力——对话变量（Conversational Variables）：跨轮次持久化、按 session 隔离、服务端存储，类似 Web 的 Session 机制，客户端无法篡改。配合**变量赋值器（Assigner）**节点把计算出的新值显式写回对话变量，就构成了「读 → 改 → 写回 → 持久化」的规范姿势。

选它的理由：

• 平台原生、零成本：不用自己搭存储，对话变量由 Dify 服务端管理，跨轮次、按会话隔离，天然可靠；
• 作用域清晰：对话变量只在对话型应用（advanced-chat/chatflow）有效，和开始变量/节点变量/环境变量各司其职，不容易混；
• 写回路径显式：LLM 不能写变量，统一走「代码节点算值 → Assigner 落盘」，状态变更可追踪、可审计。

这篇文章我们就用它搭一个「多轮问卷收集系统」：用户说「开始问卷」→ 系统逐步提问 5 步 → 用户回答 → 系统校验并记录 → 下一轮接着问 → 最后确认完成。

4. 整体架构

链路很清晰：入口无变量 → LLM 读对话变量分析用户回复 → 代码节点算新值 → Assigner 写回对话变量 → Answer 回复用户。关键设计是「LLM 只读、代码算值、Assigner 落盘」三层分工——任何一步缺失，状态就断链。

5. 模块设计

5.1 对话变量声明（开始节点）

conversation_variables:

- id: b9d9cc2d-2843-420e-9f8d-7f7c8a66a4a1   # 必须是合法 UUID！

  name: collected_info

  value_type: object

  value: {}

- id: ca0ca474-becf-4284-bcde-03d30f6cf850

  name: current_step

  value_type: number

  value: 0

- id: 1f257899-86c4-446a-bfaa-3ab23ac13fb9

  name: total_steps

  value_type: number

  value: 5

- id: c9bfa3d7-9300-44e6-ab61-5949d8cd92ae

  name: conversation_history

  value_type: array[string]

  value: []

- id: 443a1074-97a1-41a6-bfe6-b46e1b7bbaf1

  name: validation_errors

  value_type: array[string]

  value: []

5.2 分析用户回复（LLM）——三花括号读对话变量

你是一个问卷助手，正在收集用户信息。

当前进度：第{{#conversation.current_step#}}步，共{{#conversation.total_steps#}}步

已收集的信息：{{#conversation.collected_info#}}

对话摘要历史：{{#conversation.conversation_history#}}

历史校验错误：{{#conversation.validation_errors#}}

问卷内容：

步骤1：收集姓名

步骤2：收集联系方式（邮箱或手机号）

步骤3：收集年龄范围

步骤4：收集使用场景

步骤5：确认信息

用户当前回复：{{#sys.query#}}

根据对话历史和当前回复，判断：

1. 用户是否回答了当前问题？

2. 提取新的信息（extracted_info 只放本轮新出现的字段）

3. 当前答案是否合理？

输出 JSON：

{

  "is_valid": true/false,

  "extracted_info": {"要更新的字段": "值"},

  "next_action": "ask_next" / "reask" / "confirm" / "complete",

  "message_to_user": "对用户说的话"

}

5.3 更新对话变量（Code）

def main(current_step: int, collected_info: dict, llm_text: str, total_steps: int) -> dict:

    import json, re

    step = int(current_step) if str(current_step).isdigit() else 0

    total = max(int(total_steps), 1) if str(total_steps).isdigit() else 5

    info = collected_info if isinstance(collected_info, dict) else {}

    analysis = {}

    m = re.search(r'\{.*\}', (llm_text or "").strip(), re.DOTALL)

    if m:

        try:

            analysis = json.loads(m.group(0))

        except Exception:

            analysis = {}

    new_info = analysis.get("extracted_info", {})

    if isinstance(new_info, dict):

        for k, v in new_info.items():

            if v and k not in info:          # 不覆盖已有信息

                info[k] = v

    action = analysis.get("next_action", "reask")

    if action == "ask_next":

        step += 1

    elif action == "complete":

        step = total

    step = max(0, min(step, total))          # 越界钳制

    progress = "步骤 {}/{}".format(step, total)

    message = analysis.get("message_to_user") or "请输入信息（{}）".format(progress)

    return {"collected_info": info, "current_step": step, "last_action": action,

            "progress_pct": round(step / total * 100), "message": message}

5.4 持久化：变量赋值器（Assigner）

代码节点只是「算出了新值」，必须显式写回对话变量才会跨轮生效。新版 Dify 用 Assigner 节点（旧版在结束节点做输出映射——漏掉这步，变量永远不更新）：

- data:

    assigned_variable_selector: [conversation, collected_info]   # 写回目标（对话变量）

    input_variable_selector: [cd_update, collected_info]          # 值来源（代码节点输出）

    write_mode: over-write

    title: 持久化已收集信息

    type: assigner

  id: asg_info

答案节点直接回复 {{#cd_update.message#}}，一轮闭环完成。

6. 运行验证

7. 实战坑

8. 实验文档及源码获取

• 实验文档（完整操作步骤）：DIFY-15：对话变量与状态管理.md
• 源码（可直接导入）：dify102_15_对话问卷系统.yml

文章聚焦核心配置与采坑点；实验的完整分步操作（节点搭建/参数表/调试指引）见实验文档原文。