用 LangGraph4j 编排多 Agent 工作流

Spring AI 的 ChatClient 解决的是“一问一答”的问题。

发 Prompt，走调用链，返回结果。

但求职派的岗位数据采集需要把四个步骤串成一条流水线，先判断输入类型，再调用大模型提取结构化信息，然后按业务规则清洗字段，最后发布到正式岗位库。

LangGraph4j 是 Java 生态下的 Agent 工作流引擎，核心思路是把多个处理节点编排成一张有向图，让数据按照条件分支流转。

求职派用它来跑岗位数据的自动采集流水线，四个节点、三个条件分支、一个共享的状态对象。

这篇内容会用求职派的生产源码给大家分析清楚——节点和条件边怎么定义、状态怎么在节点之间传递、什么时候该用工作流引擎而不是对话型 Agent。

01、ChatClient 处理不了什么场景？

ChatClient 的执行模式是线性的。Prompt 进来，经过 Advisor 链处理，调用大模型，如果模型需要调用工具就自动回调，最后返回结果。

这个模式已经足以覆盖绝大多数场景了。问答、翻译、摘要、甚至带工具调用的 ReAct 循环，都是“一进一出”的模式。

但有一类任务超出了它的能力范围。

举个例子，用户提交了一段评价文本，系统需要先判断好评还是差评。好评的话自动回复“感谢好评”；差评则要提取关键信息，转给人工客服跟进售后。

这个场景有三个特征是 ChatClient 不具备的。

• 多步骤。判断、回复、提取、转交，至少三到四步独立处理逻辑。
• 条件分支。好评和差评走的是完全不同的执行路径。
• 步骤间的状态传递。后面的步骤需要读取到前面步骤的输出结果。

把这些逻辑全塞进一个 Prompt 里让大模型自己判断，勉强也能跑。

但逻辑一旦复杂起来，你会发现自己在用 Prompt Engineering 模拟一个工作流引擎，而且每个步骤都没有办法独立测试和监控。

LangGraph4j 就是专门用来解决这类多步骤编排问题的。

02、LangGraph4j 的核心模型是什么？

LangGraph4j 是 Python 社区 LangGraph 的 Java 移植版，用“有向图”来描述工作流。

理解三个概念就能上手。

节点

图里的每一个处理步骤就是一个节点。它接收当前的状态对象，执行一段业务逻辑，返回需要更新的状态字段。

节点之间彼此独立，不会直接调用对方的方法。所有的数据传递都通过...