无奈本地配置环境略显繁琐，对小白不是特别友好。
有没有可能在 Dify 上搭建一个类似的智能体，实现大模型长期记忆？
琢磨之余，发现 Dify 的官方案例中就有一款类似的智能体。
今日分享，把搭建过程拆解后分享出来，希望对有类似需求的你，有所启发。
参考上篇教程，相信你已完成 Dify 本地安装，若资源有限，也可使用官方的在线体验地址。
1. 官方案例
在 Dify 首页，第一个 Tab，官方内置了众多搭建好的智能体案例：
其中，有一个个性化记忆助手的智能体，点击添加到工作区：
在自己的工作室，可以看到这个智能体已复制进来：
点进来，就可以看到所有的编排逻辑，然后可根据自己需求进行修改：
1. 了解会话变量
Dify 中内置了一个全局变量 -- 会话变量，在右上角：
这个会话变量具体有什么用？
和多轮对话的内容一样，它也可以作为 LLM 的上下文，不过它的自定义程度更高。
比如在本文的智能体中，就定义了memory这样的会话变量，用来存储需要大模型记忆的信息。
问题来了：memory是怎么发挥作用的？
下面我们一起去探一探。
2. 智能体拆解
step 1 信息过滤: 判断用户输入中是否需要记忆的信息：
从上面的提示词，可以看出，这个节点上大模型只需输出 Yes 或 No，所以下个节点应该是条件判断。
step 2 条件判断：根据上一步大模型输出的 Yes 或 No，分别路由到不同的分支，如果有需要记忆的信息，则执行上方提取记忆的分支，否则走下面的分支。
step 3 提取记忆：通过大模型的角色设定，从用户输入中提取出值得记忆的信息。
在提示词中，指定了提取的三种类型记忆：
"facts": [],
"preferences": [],
"memories": []
step 4 存储记忆：这一步是代码节点，通过编写简单的 Python 代码，将上一步的记忆信息，保存到一开始定义的会话变量 - memory中。
step 5 根据记忆回复：把会话变量 - memory转换成字符串，也就是下图中的{x}result，放到角色提示词中，让大模型根据记忆，进行答复。
至此，基于对话内容中有需要缓存的记忆，上方提取记忆的分支就搞定了。
如果step 2判断为 No，则直接基于已有记忆进行答复，也即下方分支，流程图如下：
3. 效果展示
我在和它进行了几轮对话之后，点开右上角的会话变量，可以发现memory中已经缓存了多条事实类的记忆：
完美！
真的完美么？
相比直接把多条聊天记录作为上下文，这种方式要优雅很多，且极大减少了 Token 消耗量。
不过，个人认为至少还有两点缺陷：
随着记忆内容的增多，每次对话，把所有记忆内容都作为上下文，会显得十分冗余，这里可以结合 RAG 来做； 每次都从单论对话中提取记忆，缺乏足够的上下文，容易导致记忆内容的断章取义，理想的方式应该从多轮对话中提取有价值的信息；
