我要投稿

Dify记忆能力实战（上）：上下文记忆与会话变量，让AI告别“金鱼脑”

发布日期：2026-06-18 18:50:30 浏览次数： 1519

作者：AI手抄笔记

微信搜一搜，关注“AI手抄笔记”

本文是Dify记忆能力实战的上篇，手把手带你用通Dify内置的“上下文记忆”和“会话变量”两种开箱即用能力，30分钟内让你的AI告别“金鱼脑”。

AI智能体最让人抓狂的问题是什么？“金鱼脑” —— 上一秒刚说完“我喜欢简洁的回答”，下一秒就给你甩出一篇小作文。

笔者基于本地部署的Dify平台，从3个阶段构建由简入繁的Agent记忆能力，分别是会话上下文记忆、会话变量记忆和外部记忆。前两者是Dify平台开箱即用的功能，本文先讲这两个。至于真正跨会话、永久化的外部记忆能力，将在下篇展开。

此外，如果你想了解Dify部署、MCP、代码沙箱、Agent上网、Skill调用、知识库等实操内容，欢迎关注本公众号并查看往期文章🙏🏻。

1. 入门基础 - 上下文记忆

一句话定义：上下文记忆让AI在单次对话中记住“刚刚聊过什么”，是流畅多轮对话的基石。

上下文记忆是Dify最基础的记忆功能，开箱即用，无需任何额外配置。它的底层采用TokenBufferMemory策略。简单来说，它的核心机制是：当对话内容超过窗口上限时，优先保留最新对话、无条件保护系统指令，同时确保用户消息和AI回复成对出现，避免逻辑断裂。

不过需要注意一个边界情况：如果单轮输入的消息本身已经接近或超过Token上限，历史信息可能被全部剔除。这也是为什么在构建长上下文Agent时，需要合理控制单次输入长度。

🌰 实例01 电影推荐 — 验证上下文记忆

构建一个简单的Chatflow，默认3个节点。在LLM节点中编辑提示词：

你是一个影评人，精通国内武侠电影的发展历史，能够根据用户需要给出电影推荐建议。

然后在LLM节点中开启记忆功能，默认窗口为10轮。

点击【预览】进行测试：

第一轮：让AI推荐3部武侠电影。AI给出了《新龙门客栈》《卧虎藏龙》《侠女》。

第二轮：追问“请告诉我第2部电影的获奖情况”。AI准确识别出第2部是《卧虎藏龙》，并给出了获奖信息。

✅ 证明AI实现了上下文记忆 —— 它记住了自己刚才推荐了哪些电影。

反之，如果关闭记忆功能，AI就会“断片”，面对同样的问题答非所问。

💡 上下文记忆，就是AI的“瞬时记忆”——刚说完的话它还记得，但如果你不主动强调，重点就滑走了。

2. 短期记忆—— 会话变量

如果说上下文记忆是AI的“瞬时记忆”，那会话变量就是AI手边的“便签本”。

一句话定义：会话变量是AI在单次会话期间精确记住你指定内容的工具。你亲手把要点写在便签上，AI随时能看，非常靠谱。

关键特性：

精确指定：你要AI记住什么，它就记住什么（如“用户名叫张三”）。

全程可读写：在对话的任何环节，你都可以读取、修改、追加变量值。

会话结束即消失：刷新页面、超过超时时间、调用API结束会话，变量随之销毁。

对比来看：

💡 上下文记忆让AI“不健忘”，会话变量让AI“有重点”。一个靠自动回放，一个靠手动标记，双剑合璧，才是Dify内置记忆的完整面貌。

🌰 实例02 旅行指南— 会话变量完整实战

这个案例的目标是：通过多轮对话，让AI像人类导游一样，逐步收集并记住你的旅行偏好，最终生成个性化行程建议。

Chatflow构建步骤（关注公众号，后台【私信】发送“手抄报”，可获取案例DSL）：

（1）会话变量配置

点击画布右上角【会话变量】图标，创建5个变量：

变量名	类型	用途
destination	String	记录目的地
travel_days	Number	记录旅行天数
travel_style	String	记录风格偏好
accommodation	String	记录住宿偏好
collected_info	String	汇总所有信息供LLM读取

（2）参数提取节点

在“输入节点”之后创建参数提取器节点，在【提取参数】中添加4个变量，用于从用户会话中提取关键信息。

提示词填写如下：

你是一个信息提取助手，负责从用户的旅行咨询中提取关键信息。 你需要提取以下字段：   - destination: 用户想要去的目的地（城市或地区名称）   - travel_days: 计划旅行的天数（数字）   - travel_style: 偏好的旅行风格，如自然风光、城市人文、美食之旅、历史文化等   - accommodation: 偏好的住宿类型，如特色民宿、星级酒店、青年旅舍等 如果用户没有提到某个字段的信息，请将该字段留空，不要猜测或编造。 
用户输入：{{#sys.query#}}

💡 关键配置：在【高级设置】中，建议打开【记忆窗口】 。因为用户的旅行偏好（天数、风格等）往往是通过多轮对话逐步透露的，开启记忆能确保信息被完整、准确地捕捉。

（3）模板转换节点

参数提取后，需要把分散的关键信息聚合成一个结构化变量，方便后续LLM一次性读取。通过模板转换节点实现：在【设置】中添加4个变量，分别指向“参数提取器节点”识别出的对应字段。

{"目的地":{{destination}},"旅行天数":{{travel_days}},"旅行风格":{{travel_style}},"住宿风格":{{ accommodation}}}

（4）变量赋值节点

会话变量通过变量赋值节点进行赋值，将5个会话变量对齐参数提取器及模板转换的输出变量。

💡 调试技巧：在“变量赋值节点”后接入一个“输出节点”直接打印聚合变量，可以快速验证会话变量是否有效赋值。

（5）LLM节点——最终生成

完成会话变量赋值，即捕捉到用户旅行的关键信息，通过“LLM节点”实现内容生成。提示词如下：

你是一个友好的旅行规划助手。根据以下已知的用户偏好，进行回复。如果信息还不完整（例如，缺少天数或风格），请自然地引导用户补充。如果所有信息都已收集齐全，则生成一份完整的、个性化的旅行建议。当前已知的用户偏好：{{#conversation.collected_info#}} 用户的最新问题是：{{#sys.query#}}

⚠️ 同样建议开启【记忆】功能，让大模型理解信息缺失情况，在多轮对话中自然引导用户补充信息。最后加上回复节点，整个Chatflow搭建完成。