Java AI 应用搞定复杂编排: 5 种链式编排模式

适合人群：了解 j-langchain 基础的 Java 开发者
前置阅读：文章1：5分钟构建第一个AI应用

什么是链式编排？

在 AI 应用开发中，单纯调用一次 LLM 往往不够用。实际场景需要：

• 先分类问题，再路由到专业处理链
• 先生成内容，再对内容做质量检查
• 多个子任务并行执行，最后汇总结果
• 结合对话历史，动态改写问题

j-langchain 提供了 6 种开箱即用的链式编排模式，覆盖 90% 的 AI 应用场景。

模式总览

顺序链：A → B → C → D 条件链：A → [条件1→B | 条件2→C | 默认→D] 组合链：[A→B→C] → [上一链的输出→D→E] 并行链：[A→B] 和 [A→C] 并行 → 合并结果 路由链：先用 LLM 分类 → 路由到对应专业链 动态链：并行执行多个分支 → 汇总上下文 → 最终答复

模式1：顺序链（Simple Chain）

最基础的线性流水线，节点按顺序依次执行。

@TestpublicvoidsimpleChain(){BaseRunnable<StringPromptValue,?>prompt=PromptTemplate.fromTemplate("讲一个关于 ${topic} 的笑话");ChatOllamallm=ChatOllama.builder().model("qwen2.5:0.5b").build();FlowInstancechain=chainActor.builder().next(prompt).next(llm).next(newStrOutputParser()).build();ChatGenerationresult=chainActor.invoke(chain,Map.of("topic","程序员"));System.out.println(result.getText());}

适用场景：问答、翻译、摘要等单轮任务。

模式2：条件链（Switch Chain）

根据输入参数中的条件，动态选择不同的处理分支。

@TestpublicvoidswitchChain(){ChatOllamaollamaModel=ChatOllama.builder().model("qwen2.5:0.5b").build();FlowInstancechain=chainActor.builder().next(prompt).next(Info.c("vendor == 'ollama'",ollamaModel),// 条件表达式 + 分支节点Info.c(input->"暂不支持该模型供应商")// 默认分支).next(newStrOutputParser()).build();// 传入 vendor 参数控制走哪个分支chainActor.invoke(chain,Map.of("topic","Java","vendor","ollama"));}

关键 API：Info.c(condition, node)— 条件表达式支持 SpEL，也支持 Lambda。

适用场景：多模型切换、A/B 测试、权限分发。

模式3：组合链（Compose Chain）

将一个链的输出作为另一个链的输入，实现多步推理。

@TestpublicvoidcomposeChain(){// 第一个链：生成笑话FlowInstancejokeChain=chainActor.builder().next(jokePrompt).next(llm).next(parser).build();// 第二个链：分析笑话FlowInstanceanalysisChain=chainActor.builder().next(newInvokeChain(jokeChain))// 内嵌第一个链.next(input->Map.of("joke",((Generation)input).getText()))// 转换格式.next(analysisPrompt).next(llm).next(parser).build();chainActor.invoke(analysisChain,Map.of("topic","程序员"));}

关键 API：new InvokeChain(subChain)— 将子链作为一个节点嵌入。

适用场景：先生成再审核、多步骤推理、链式思考（CoT）。

模式4：并行链（Parallel Chain）

多个子链同时执行，执行完毕后合并结果。相比顺序执行，大幅降低延迟。

@TestpublicvoidparallelChain(){FlowInstancejokeChain=chainActor.builder().next(jokePrompt).next(llm).build();FlowInstancepoemChain=chainActor.builder().next(poemPrompt).next(llm).build();FlowInstanceparallelChain=chainActor.builder().concurrent(jokeChain,poemChain)// 并行执行两个链.next(input->{Map<String,Object>map=(Map<String,Object>)input;// 用 flowId 获取对应子链的结果，兼容 AIMessage 和其他类型ObjectjokeResult=map.get(jokeChain.getFlowId());ObjectpoemResult=map.get(poemChain.getFlowId());Stringjoke=jokeResultinstanceofAIMessage?((AIMessage)jokeResult).getContent():String.valueOf(jokeResult);Stringpoem=poemResultinstanceofAIMessage?((AIMessage)poemResult).getContent():String.valueOf(poemResult);returnMap.of("joke",joke,"poem",poem);}).build();Map<String,String>result=chainActor.invoke(parallelChain,Map.of("topic","猫"));System.out.println("笑话："+result.get("joke"));System.out.println("诗歌："+result.get("poem"));}

关键 API：chainActor.builder().concurrent(chain1, chain2, ...)— 并行执行，用子链 flowId 取结果。

适用场景：同时生成多种内容、并发搜索多个数据源、多模型投票。

模式5：路由链（Route Chain）

先用 LLM 对输入内容自动分类，再根据分类结果路由到对应的专业链。

@TestpublicvoidrouteChain(){// 分类链：判断问题类型FlowInstanceclassifyChain=chainActor.builder().next(classifyPrompt).next(llm).next(newStrOutputParser()).build();FlowInstancefullChain=chainActor.builder().next(newInvokeChain(classifyChain)).next(input->Map.of("category",input.toString(),"question",((Map<?,?>)ContextBus.get().getFlowParam()).get("question"))).next(Info.c("category == '技术'",techChain),// 路由到技术专家Info.c("category == '业务'",bizChain),// 路由到业务专家Info.c(generalChain)// 默认通用回答).build();chainActor.invoke(fullChain,Map.of("question","如何优化 Java 内存？"));}

关键点：ContextBus.get().getFlowParam()可以在任意节点获取链的原始输入。

适用场景：智能客服、多领域问答、专家路由系统。

模式6：动态上下文链（Dynamic Chain）

结合对话历史，将"接上文的问题"改写为独立问题，再进行检索和回答。这是多轮对话 RAG 的核心模式。

@TestpublicvoiddynamicChain(){// 上下文改写：有历史时改写问题，无历史直接透传FlowInstancecontextualizeIfNeeded=chainActor.builder().next(Info.c("chatHistory != null",newInvokeChain(contextualizeChain)),Info.c(input->Map.of("question",((Map<String,String>)input).get("question")))).build();FlowInstancefullChain=chainActor.builder().all(Info.c(contextualizeIfNeeded),// 并行：改写问题Info.c(input->"印度尼西亚2024年人口约2.78亿").cAlias("retriever")// 并行：检索上下文).next(input->Map.of("question",ContextBus.get().getResult(contextualizeIfNeeded.getFlowId()).toString(),"context",ContextBus.get().getResult("retriever"))).next(qaPrompt).next(llm).next(newStrOutputParser()).build();// 第二轮对话：问题依赖第一轮上下文chainActor.invoke(fullChain,Map.of("question","那印度呢","chatHistory",List.of(Pair.of("human","印度尼西亚有多少人口"),Pair.of("ai","约2.78亿"))));}

关键 API：

• chainActor.builder().all(...)— 所有分支并行执行，用cAlias给分支命名
• ContextBus.get().getResult(id)— 按节点 ID 或别名获取中间结果

适用场景：多轮对话、带记忆的 AI 助手、上下文感知问答。

模式对比

完整代码见：src/test/java/org/salt/jlangchain/demo/article/Article02ChainPatterns.java