LangChain4j工作流编排完整指南Java AI智能体四种工作流一次讲透【免费下载链接】langchain4j-examples项目地址: https://gitcode.com/GitHub_Trending/la/langchain4j-examplesLangChain4j-examples 项目的 agentic-tutorial 模块用可运行的 Java 示例完整演示了 AI 智能体的工作流编排顺序、并行、循环、条件四种方式各配一个实例。本文以简历全流程自动化为线索讲清什么问题该用哪种编排。从简历全流程看为什么一个智能体不够设想一个需求用户交上一段个人经历和一份职位描述系统要先据此生成简历再按岗位要求定制然后由 HR、经理、团队负责人三方评审分数不够就自动改稿再提交评审直到达标。一次模型调用显然做不完这件事你得像带团队一样分工每个角色智能体只负责一步中间产物在他们之间传递。选哪种分工方式取决于问题本身长什么样。流程固定时顺序工作流就够了先生成、再定制是天然的先后关系谁也不能先做。顺序工作流就是把CvGenerator和CvTailor两个智能体用sequenceBuilder()串起来顺序即执行顺序。传递的关键在outputKey第一个智能体的输出键名必须和第二个智能体接口的入参变量名对得上数据才能自动流过去。它适合任何步骤固定、一步接一步的线性流程。需要同时拿到多份结果上并行工作流HR 审资历、经理审能力、团队成员审匹配度——三份评审互不依赖为什么要排队并行工作流用parallelBuilder()把三个评审智能体丢进线程池同时跑跑完后在output回调里把三份CvReview读出来拼出合并反馈并算平均分。它适合多子任务共享同一份输入、彼此独立、最后需要聚合结果的场景比如同一份文档的多角度审查。目标需要反复打磨时用循环工作流简历改一轮未必就达标而改几轮才达标事先没人知道。循环工作流把评审 改稿两个智能体放进loopBuilder()每轮评审输出的新反馈会作为下一轮改稿的输入当分数超过 0.8 时退出。注意两点退出条件是在每个智能体执行完之后检查的同时用maxIterations(3)兜底防止分数一直上不去导致死循环。适合迭代次数不确定、只能靠结果判断做没做完的任务。下一步走哪条路看条件工作流评审之后该做什么分数 0.8 以上转经理复审分数不够发拒信反馈里发现信息缺失就联系候选人补材料。conditionalBuilder()给每个智能体挂一个条件函数运行时从作用域里读状态、判断走哪条分支且多个满足条件的分支可以异步并发执行见 agentic-tutorial/src/main/java/_5_conditional_workflow/。它适合分支路由类问题下一步由运行时状态决定而不是写死的顺序。数据怎么在智能体间流动还不乱这套编排里所有输入、中间变量、输出都存进 AgenticScope智能体按键名读写键名就是数据契约。为了防止模型自由发挥导致数据变味项目用结构化的 Java 类承载交接物比如 agentic-tutorial/src/main/java/domain/ 下的Cv和CvReview字段上加Description注解告诉模型score 是 0 到 1 的面试邀请意愿评分。好处很直接分数是数字后面才能写出score 0.8这种确定性的分支和退出条件而不是靠模型猜。写编排代码时这几件事能帮你少踩坑给每个智能体明确输入输出并且outputKey要区分开否则第二个智能体可能悄悄覆盖前一个的结果——反过来循环里故意复用同一个键比如每轮都更新cv正是滚动改进的实现手法用之前想清楚是哪种意图。评审、发邮件这类耗时智能体可以标记为 async 并发执行线程池自己创建的要记得 shutdown别让进程挂不住。循环必配 maxIterations再配合项目自带的日志工具调高日志级别能直接看到每一轮模型在干什么排错快得多。这组示例最适合刚接触 Java AI 智能体开发、想先跑通多智能体怎么配合再谈架构的人照着 agentic-tutorial 目录从 1 到 9 的顺序读即可。【免费下载链接】langchain4j-examples项目地址: https://gitcode.com/GitHub_Trending/la/langchain4j-examples创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考