要实现多语言自动识别与回复功能，核心并非依赖模型自行猜测，而是设计一套确定性链路——通过系统变量捕获语言信息，结合轻量检测与条件路由，确保每次响应与输入语言完全一致。该机制不依赖大模型的语言理解能力，能够有效避免短句、混合语言或专业术语造成的误判，将不可控的猜测转化为可控的逻辑流程。

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」，变量名填写 【response_language】，数据类型选String，描述写“AI响应所用语言”。

此变量作为整个流程的存储锚点——所有后续分支的结果都必须写入该变量，否则最终LLM节点无法读取。变量名必须严格遵循英文+下划线命名规则，不能包含空格或中文，否则在提示词中引用 {{response_language}} 时会解析失败并报错。

搭建语言检测与路由主干

从开始节点出发，按顺序添加：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」，判断字段填写 detected_language（即上一LLM节点的输出字段名），而不是直接写 {{response_language}}——因为此时该变量尚未被赋值。

配置语言检测LLM节点

这里提供两种方法，可根据实际场景灵活选择：

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。

实际测试表明，代码执行法对单字、emoji混排、极短问句（如“你好？”“OK？”）的识别准确率更高，建议优先采用。

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接到同一个 LLM回答节点——不能分三路连三个不同的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——如果只写“请用中文回答”而不绑定变量，模型仍然可能根据自身偏好自由发挥，导致多语言场景下的不可控。