必须用系统变量捕获+轻量检测+条件路由实现语言一致性：先定义会话变量response_language，再通过llm或代码节点检测detected_language，经条件分支赋值后，在最终llm提示词中绑定{{response_language}}强制响应。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在Dify中让AI自动识别用户提问语言并用同种语言回答，必须绕过模型“自行猜测”的不可控路径，改用系统变量捕获+轻量检测+条件路由的确定性链路。这套机制不依赖大模型的语言理解能力，避免因短句、混语、术语导致的误判，确保每轮响应语言与输入严格一致。
定义会话语言变量
进入Chatflow编辑界面，在左侧「变量」面板点击「添加变量」→选择类型为「会话变量」→变量名填 【response_language】 →数据类型选String→描述写“AI响应所用语言”。
这一步是整个流程的存储锚点，所有后续分支结果都必须写入该变量，否则LLM节点无法读取。
变量名必须严格为英文+下划线，不能含空格或中文，否则在提示词中引用{{response_language}}时会报错解析失败。
搭建语言检测与路由主干
从开始节点出发，按顺序拖入：开始节点 → LLM节点（语言检测） → 条件分支节点 → 变量赋值节点（x3） → LLM回答节点 → 结束节点。
注意：条件分支节点必须配置为「基于变量值判断」，判断字段填「detected_language」（即上一LLM节点的输出字段名），而非直接写{{response_language}}——因为此时该变量尚未被赋值。
配置语言检测LLM节点
方法一：用轻量提示词强制输出标准标识符
在LLM节点中设置系统提示词：“你是一个语言识别工具，仅分析以下文本的语言种类，输出且仅输出一个标准语言名称，如‘中文’‘English’‘日本語’‘Español’，禁止任何解释、标点或额外字符。”
用户输入填 {{sys.query}}。
关键输出字段设为 detected_language。
方法二：用代码执行节点调用langdetect库（更稳定）
添加「代码执行」节点，语言选Python，代码如下：
from langdetect import detect
try:
lang_code = detect({{sys.query}})
if lang_code == 'zh':
print('中文')
elif lang_code == 'en':
print('English')
else:
print(lang_code.title())
except:
print('中文')
输出字段同样设为 detected_language。
两种方法中，代码执行法对单字、emoji混排、极短问句（如“你好？”“OK？”）识别准确率更高，推荐优先使用。
设置条件分支与语言赋值
第一步：在条件分支节点中，添加三条规则：
① 如果 detected_language 等于 “中文”，则走分支1；
② 如果 detected_language 等于 “English”，则走分支2；
③ 其他情况统一走分支3（默认设为中文）。
第二步：每个分支后接一个「变量赋值」节点，分别将 response_language 设为：
分支1 → 值填 “中文”；
分支2 → 值填 “English”；
分支3 → 值填 “中文”。
第三步：三个变量赋值节点的输出必须全部连到同一个LLM回答节点——不能分三路连三个不同LLM节点，否则会触发三次独立调用，造成响应重复或超时。
编写带语言约束的提示词
在最终的LLM回答节点中，系统提示词开头必须明确声明：
“你是一个多语言助手，严格使用{{response_language}}作答。用户提问语言即为你唯一响应语言，禁止切换、补充其他语言内容。”
用户输入部分写：{{sys.query}}。
这一步是强制生效的关键——如果只在系统提示里写“请用中文回答”，而没绑定变量，模型仍可能根据自身偏好自由发挥。
