dify chatflow

dify chatflow用于设计聊天。 与workflow不同，workflow主要用于单次调用，而chatflow的llm节点里可以启用聊天记忆，并且聊天记忆可以在多个不同的llm节点共享。
下面示例我使用sys.dialogue_count来判断对话轮次，然后根据奇偶轮走不同的llm节点。

llm节点属性设置里打开记忆功能，注意，这个上面那部分system prompt(并且还能手动添加user prompt)是不同的。

从运行日志可以看到，奇偶数轮次对话其实共享了聊天记录。因此，在第2轮(注意，sys.dialogue_count从0开始)我告诉他我的名字后，第3轮他虽然会走到与第2轮不同的llm节点，但他还是记住了我的名字。

我们看一下最后一轮AI接收到的实际的输入内容:

{
  "model_mode": "chat",
  "prompts": [
    {
      "role": "user",
      "text": "你好呀",
      "files": []
    },
    {
      "role": "assistant",
      "text": "你好呀！😊 今天过得怎么样呀？有什么想聊的吗？",
      "files": []
    },
    {
      "role": "user",
      "text": "你是谁？",
      "files": []
    },
    {
      "role": "assistant",
      "text": "我是通义千问，一个由阿里巴巴集团研发的大型语言模型。我能够帮助你回答问题、创作文字、进行对话等。如果你有任何问题或需要帮助，随时告诉我哦！😊",
      "files": []
    },
    {
      "role": "user",
      "text": "我叫Roland",
      "files": []
    },
    {
      "role": "assistant",
      "text": "你好，Roland！很高兴认识你😊 有什么我可以帮你的吗？",
      "files": []
    },
    {
      "role": "user",
      "text": "我叫什么名字？",
      "files": []
    }
  ],
  "model_provider": "langgenius/tongyi/tongyi",
  "model_name": "qwen3-4b"
}

可以看到，llm节点的输入其实是整个聊天历史记录，再加上这一次用户说话的内容(sys.query)。

llm节点的记忆属性开户后，里面的user prompt是必须要包括sys.query内容的。
比如下面我做个实验，故意不包含sys.query，结果是第二个llm节点其实没有接受到聊天历史记录，即便已打开了记忆属性。

可以看到，运行日志里显示，第二个llm节点并没有接收到历史聊天记录, 即便两个llm节点是串联的。

为了搞清多轮对话到底怎样记录聊天内容，我做如下简单示例：

这个示例中虽然用户的问题会传递给llm节点，并记录历史会话，但是回复节点我用的却是固定的内容，这样每轮会话实际上 AI都会回复固定的内容。

下面我们看看最后一轮的AI节点里AI收到的提示词是什么样子的

可以看到，会话历史记录的内容都是每轮用户的提问(sys.query)加上回复节点输出的内容，而并不是llm节点里实际问AI的以及AI实际回复的内容。