快速上手 LangChain4j 智能体工作流编排：4 种模式串起一条简历筛选流水线

快速上手 LangChain4j 智能体工作流编排：4 种模式串起一条简历筛选流水线

【免费下载链接】langchain4j-examples项目地址: https://gitcode.com/GitHub_Trending/la/langchain4j-examples

LangChain4j-examples 是 LangChain4j 框架的 Java 示例项目，其中 agentic-tutorial 模块用一条"简历筛选"业务，完整演示了顺序、并行、循环、条件四种智能体工作流编排模式。对没做过智能体编排的 Java 开发者来说，这是比较贴近真实业务的入门路径：每种模式都对应筛选流程里的一个具体痛点，示例的 main 方法都很短，变量命名清楚，照着改就能跑起来。

四种模式各管流水线的哪一段

整条业务线是：拿到候选人背景 → 生成并定制简历 → 多方评审打分 → 不达标就改 → 按分数决定去留。四种编排模式正好一一对应：

• 顺序：一个智能体产出交给下一个，负责"生成 master 简历 → 按目标岗位改写"；
• 并行：HR、用人经理、团队成员三路评审同时跑，省掉排队等待；
• 循环：评审分数不达标时自动"修改—再评审"，直到过关；
• 条件：根据评审结果动态路由——进下一轮、发拒绝邮件还是补材料。

数据传递依赖两个结构化领域类：Cv.java 承载简历本体，CvReview.java 承载评审结果，只有score（0 到 1）和feedback两个字段，却是四种模式之间流通的"货币"。所有中间结果都存放在 AgenticScope（框架提供的执行状态容器，可以理解为一次运行中的共享变量表）里，随时可用readState()按 key 取回，这也是观察、调试一次编排运行的主要入口。

🧵 顺序模式：把两个智能体接成流水线

第一棒解决"多步任务怎么串"。CvGenerator从个人经历生成 master 简历，CvTailor再按岗位描述改写，两者用一行链式调用接起来：

UntypedAgent agent = AgenticServices .sequenceBuilder() .subAgents(cvGenerator, cvTailor) // 顺序即执行顺序 .outputKey("tailoredCv") // 组合体最终输出 .build();

数据交接的关键在outputKey：第一个智能体的结果以 "masterCv" 为 key 写入共享状态，第二个智能体接口里只要声明同名的入参，框架就会自动取来喂给它。有个容易踩的坑：如果第二个智能体也声明outputKey("masterCv")，原始 master 简历会被直接覆盖。_2a_Sequential_Agent_Example.java 的注释里专门提醒了这一点，命名前想清楚"这个 key 该不该被复用"。

⚡ 并行模式：三路评审同时跑，结果聚合成一个总分

评审如果串行，等于等三次模型调用。并行模式下，HrCvReviewer、ManagerCvReviewer、TeamMemberCvReviewer三个智能体用parallelBuilder()同时启动，各有两个要点：

• 线程池：示例用Executors.newFixedThreadPool(3)建池，通过.executor(...)显式传入。注意 main 方法最后有executor.shutdown()这一步——自己建的池要自己关，否则示例进程会挂住不退出（不传 executor 时框架用内置缓存线程池，跑完自动关闭）；
• 结果聚合：.output(scope -> {...})里按 key 读回三份评审，拼接 feedback、把三个分数求平均，打包成一个新CvReview作为最终输出。

完整的并发加聚合写法见 _4_Parallel_Workflow_Example.java。

🔁 循环模式：分数不达标就自动改，但必须带保险丝

评审之后分数低怎么办？不人工介入，让智能体自己"修改—再评审"地迭代。循环体还是两个智能体：CvReviewer打分，ScoredCvTailor依据 feedback 修改简历，控制逻辑只有两行：

.exitCondition(scope -> { CvReview review = (CvReview) scope.readState("cvReview"); return review.score > 0.8; }) .maxIterations(3)

细节一：退出条件在每个智能体调用之后都会检查，不是等整圈跑完才判断，所以条件函数里少做点重活，有利于尽早收敛。细节二：maxIterations属于必选项，源码注释直接称之为防止无限循环的保险丝——大模型的打分并不稳定，阈值永远达不到时你必须有明确的下限。_3a_Loop_Agent_Example.java 之外，同目录的 3b 还演示了如何取出每一轮的中间状态用于监控。

⚖️ 条件模式：按分数路由，还可以异步

最后一棒是路由：根据 HR 评审结果决定候选人的走向。conditionalBuilder()注册多组"条件 + 智能体"，条件就是一个返回 boolean 的 lambda：

• score >= 0.8→ 交给ManagerCvReviewer做经理评审；
• score < 0.8→EmailAssistant发出拒绝邮件；
• feedback含 "missing information:" →InfoRequester发邮件向候选人补材料。

注意这几组条件并不互斥：示例里 HR 给了 0.85 分，feedback 里同时写着信息缺失，于是经理评审和补材料邮件会同时发生。这正是示例给每个智能体都加.async(true)的原因——独立分支互不阻塞，墙钟耗时接近最长分支而非各分支之和。最后的.output按 key 取各分支结果（未写入的 key 用带默认值的重载兜底），拼成最终输出。完整实现见 _5b_Conditional_Workflow_Example_Async.java。

读完这四篇之后

• 建议从 _2a 的 main 方法按编号顺序读起，每个模式一个入口，四篇代码加起来不到 400 行；模块根目录的 README.md 列了全部示例的索引，包括组合工作流、监督者调度和人工介入（human-in-the-loop）等进阶内容；
• 落地到自己的业务时，顺序 + 条件组合风险最低，可以先上；并行评审记得管好线程池，循环优化务必带上maxIterations，这两处是示例里反复强调的防线。

【免费下载链接】langchain4j-examples项目地址: https://gitcode.com/GitHub_Trending/la/langchain4j-examples