Solon AI —— 流程编排

说明

Solon 的流程编排，使用了 solon-flow 做流程编排，因此需要先对 solon-flow 有所了解，下面是 Solon flow的一些简单介绍，更具体的介绍可以参考官网 https://solon.noear.org/article/learn-solon-flow 。

solon-flow

Solon Flow 提供基础的流引擎能力，支持开放式的驱动定制（像 JDBC 有 MySQL 或 PostgreSQL 等不同驱动一样）。可用于业务规则、决策处理、计算编排、流程审批等场景。

核心概念：

链、节点、连接。
链上下文、链驱动器、任务组件接口、条件组件接口。
流引擎。

概念关系：

链（Chain），一个完整的流程，由多个节点（Node）连接（Link）组成。一个链有且只有一个 start 类型的节点。从 start 节点开始，顺着连接（Link）流出。
节点（Node），流程处理的环节，会有多个连接（Link），有流入连接，流出连接。
连接（Link），节点与节点之间的执行顺序。连接向其它节点，称为流出连接。被其它节点连接，称为流入连接。
流引擎，提供执行时的环境（链上下文与对象引用等），驱动链的流动（执行）。链的流转过程，可以有上下文参数（ChainContext），可以被中断（可支持有状态的审批模式）。

通俗些，就是通过点（节点） + 线（连接）来描述一个流程图（链）。因此这里列出节点和连接的属性。

节点 Node 属性

属性	数据类型	描述
id	String	节点Id（要求链内唯一）。不配置时，会自动生成
type	NodeType	节点类型，类型包括 start，execute，inclusive，exclusive，parallerl，end。不配置时，缺省为 execute 类型，
title	String	显示标题
meta	Map	元信息（用于应用扩展）
link	String or Link String[] or Link[]	连接（支持单值、多值），不配置时，会自动生成。link 全写配置风格为 Link 类型结构；简写配置风格为 Link 的 nextId 值（即 String 类型）
task	String	任务描述（会触发驱动的 handleTask 处理）
when	String	执行任务条件描述（会触发驱动的 handleTest 处理）

连接 Link 属性

通常可以不配置，或者用简写模式配置即可，只要当Node是包含网关（inclusive）或者排他网关（exclusive）时需要配置全选风格，从而配置条件。

属性	数据类型	需求	描述
nextId	String	必填	后面的节点Id
title	String		显示标题
meta	Map		元信息（用于应用扩展）
condition	String		流出条件描述（会触发驱动的 handleTest 处理）

节点类型 NodeType

	描述	任务	连接条件	可流入连接数	可流出连接数
start	开始	/	/	0	1
execute	执行节点（缺省类型）	可有	/	1…n	1
inclusive	包容网关	/	支持	1…n	1…n
exclusive	排它网关	/	支持	1…n	1…n
parallel	并行网关	/	/	1…n	1…n
end	结束	/	/	1…n	0

依赖

dependencies {
    implementation platform(project(":demo-parent"))

    implementation("org.noear:solon-web")
    implementation("org.noear:solon-view-enjoy")
    implementation("org.noear:solon-ai")
    implementation("org.noear:solon-logging-logback")
    implementation("org.noear:solon-openapi2-knife4j")
    implementation("org.noear:solon-web-rx")
    implementation("org.noear:solon-web-sse")
    implementation("org.noear:solon-flow")
    implementation("org.dromara.hutool:hutool-all")


    testImplementation("org.noear:solon-test")
}

配置

app.yml

这里需要指定配置的流配置文件的位置。

1 2	solon.flow: - "classpath:flow/*"

流配置

这里尝试用一个模拟一次简单的诊断，从诊断到治疗建议等流程。注意这里只是示例，并非真正的诊断流程，更完整的流程是还需要更多的病人信息（比如病史，检查，检验等），检索相关知识库等。这里只是为了 solon-flow 针对 ai 相关的编排的逻辑。

在诊断的节点，我们使用了deepseek-r1，在治疗环境，我们使用qwen2.5。

id: "ai-flow-01"
layout:
  - id: "开始"
    type: "start"
  - id: "诊断"
    type: "execute"
    meta.model: "deepseek-r1:32b"
    meta.apiUrl: "http://127.0.0.1:11434/api/chat"
    meta.provider: "ollama"
    meta.input: "prompt"
    meta.output: "intention"
    meta.system: "根据用户的描述，判断用户最可能的三个健康问题，只要诊断名称，不需要其他解释，用 Markdown 的列表格式返回。"
    task: "@intentionTask"
  - id: "治疗建议"
    type: "execute"
    meta.model: "qwen2.5:7b"
    meta.apiUrl: "http://127.0.0.1:11434/api/chat"
    meta.provider: "ollama"
    meta.input: "intention"
    meta.output: "suggestion"
    meta.system: "#角色\n你是一个经验丰富的医生\n\n#任务\n根据用户提供的诊断信息，提供治疗建议"
    task: "@suggestionTask"
  - type: "end"

Controller

package com.example.demo.ai.llm.controller;

import com.example.demo.ai.llm.service.LlmService;
import com.jfinal.kit.Kv;
import io.swagger.annotations.Api;
import io.swagger.annotations.ApiOperation;
import org.noear.solon.annotation.*;

/**
 * @author airhead
 */
@Controller
@Mapping("/llm")
@Api("聊天")
public class LlmController {
  @Inject private LlmService service;

  @ApiOperation("flow")
  @Post
  @Mapping("flow")
  public Kv flow(String prompt) {
    return service.flow(prompt);
  }

  @ApiOperation("aiFlow")
  @Post
  @Mapping("aiFlow")
  public Kv aiFlow(String prompt) {
    return service.aiFlow(prompt);
  }
}

这里的 flow 是演示基础的 solon flow 的调用，是我学习solon flow 时编写的一个简单例子，不熟悉的可以先看看这个示例的编写。

aiFlow 是对大模型的一个编排的调用。

Service

这里的重点就是注入 FlowEngine

package com.example.demo.ai.llm.service;

import com.jfinal.kit.Kv;
import org.noear.solon.annotation.Component;
import org.noear.solon.annotation.Inject;
import org.noear.solon.flow.ChainContext;
import org.noear.solon.flow.FlowEngine;

/**
 * @author airhead
 */
@Component
public class LlmService {
  @Inject private FlowEngine flowEngine;

  public Kv flow(String prompt) {

    try {
      ChainContext chainContext = new ChainContext();
      chainContext.put("prompt", prompt);
      Kv kv = Kv.create();
      chainContext.put("result", kv);
      flowEngine.eval("c1", chainContext);

      return kv;
    } catch (Throwable e) {
      throw new RuntimeException(e);
    }
  }

  public Kv aiFlow(String prompt) {
    try {
      ChainContext chainContext = new ChainContext();
      chainContext.put("prompt", prompt);
      Kv kv = Kv.create();
      chainContext.put("result", kv);
      flowEngine.eval("ai-flow-01", chainContext);

      return kv;
    } catch (Throwable e) {
      throw new RuntimeException(e);
    }
  }
}

IntentionTask

这里是诊断节点的处理，根据 meta 信息和用户的输入构建大模型，然后进行调用，并将结果通过 ChainContext 进行传递。

package com.example.demo.ai.llm.service;

import com.jfinal.kit.Kv;
import java.time.Duration;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Pattern;

import org.dromara.hutool.core.regex.ReUtil;
import org.dromara.hutool.core.text.StrUtil;
import org.noear.solon.ai.chat.ChatConfig;
import org.noear.solon.ai.chat.ChatModel;
import org.noear.solon.ai.chat.ChatResponse;
import org.noear.solon.ai.chat.message.ChatMessage;
import org.noear.solon.annotation.Component;
import org.noear.solon.flow.ChainContext;
import org.noear.solon.flow.Node;
import org.noear.solon.flow.TaskComponent;

/**
 * @author airhead
 */
@Component("intentionTask")
public class IntentionTask implements TaskComponent {
  @Override
  public void run(ChainContext context, Node node) throws Throwable {
    Kv meta = Kv.create().set(node.meta());
    ChatConfig chatConfig = new ChatConfig();
    chatConfig.setModel(meta.getStr("model"));
    chatConfig.setProvider(meta.getStr("provider"));
    chatConfig.setApiUrl(meta.getStr("apiUrl"));
    chatConfig.setTimeout(Duration.ofSeconds(600));
    ChatModel chatModel = ChatModel.of(chatConfig).build();

    List<ChatMessage> chatMessageList = new ArrayList<>();
    ChatMessage system = ChatMessage.ofSystem(meta.getStr("system"));
    chatMessageList.add(system);

    Kv model = Kv.create().set(context.model());
    String inputKey = meta.getStr("input");
    ChatMessage userMessage = ChatMessage.ofUser(model.getStr(inputKey));
    chatMessageList.add(userMessage);
    ChatResponse response = chatModel.prompt(chatMessageList).call();
    String content = response.getMessage().getContent();

    // 去掉think的部分。
    String pattern = "<think>.*?</think>";
    Pattern p = Pattern.compile(pattern, Pattern.DOTALL);
    content = StrUtil.trim(ReUtil.replaceAll(content, p, ""));

    String outputKey = meta.getStr("output");
    context.put(outputKey, content);

    Kv result = context.get("result");
    result.set("data", content);
  }
}

SuggestionTask

这里是治疗节点的处理，根据 meta 信息和上一级节点的输入构建大模型，然后进行调用，并将结果通过 ChainContext 进行返回。

package com.example.demo.ai.llm.service;

import com.jfinal.kit.Kv;
import java.util.ArrayList;
import java.util.List;
import org.noear.solon.ai.chat.ChatConfig;
import org.noear.solon.ai.chat.ChatModel;
import org.noear.solon.ai.chat.ChatResponse;
import org.noear.solon.ai.chat.message.ChatMessage;
import org.noear.solon.annotation.Component;
import org.noear.solon.flow.ChainContext;
import org.noear.solon.flow.Node;
import org.noear.solon.flow.TaskComponent;

/**
 * @author airhead
 */
@Component("suggestionTask")
public class SuggestionTask implements TaskComponent {
  @Override
  public void run(ChainContext context, Node node) throws Throwable {
    Kv meta = Kv.create().set(node.meta());
    ChatConfig chatConfig = new ChatConfig();
    chatConfig.setModel(meta.getStr("model"));
    chatConfig.setProvider(meta.getStr("provider"));
    chatConfig.setApiUrl(meta.getStr("apiUrl"));
    ChatModel chatModel = ChatModel.of(chatConfig).build();

    List<ChatMessage> chatMessageList = new ArrayList<>();
    ChatMessage system = ChatMessage.ofSystem(meta.getStr("system"));
    chatMessageList.add(system);

    Kv model = Kv.create().set(context.model());
    String inputKey = meta.getStr("input");
    ChatMessage userMessage = ChatMessage.ofUser(model.getStr(inputKey));
    chatMessageList.add(userMessage);
    ChatResponse response = chatModel.prompt(chatMessageList).call();
    String content = response.getMessage().getContent();

    String outputKey = meta.getStr("output");
    context.put(outputKey, content);

    Kv result = context.get("result");
    result.set("data", content);
  }
}

验证

通过 swagger 直接调用aiFlow。

这里是中间环节的输出。

小结

Solon AI 通过 Solon Flow 进行编排。通过编排，我们可以整合普通的业务逻辑和大模型的生成式功能实现更复杂、更人性化的业务逻辑，当然要实现真实可用的业务逻辑，需要自己进一步的摸索。