必须启用Atoms平台的isolated并发模式，构造以模型别名作键的参数字典，调用multi_invoke接口，并通过日志验证各模型是否收到对应参数。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在Atoms平台中实现多个AI模型的并行调用且确保参数正确传递到各自对应的模型实例，必须绕过全局共享状态陷阱，为每个模型调用显式绑定独立输入上下文。
确认Atoms平台支持多模型并发执行能力
打开Atoms平台控制台 → 进入「Runtime Config」→ 查看「Concurrency Mode」字段值。若显示 【isolated】，表示已启用原子级隔离运行时；若为 【shared】，则无法安全执行本方案，需先联系平台管理员切换模式。
这一步不可跳过。shared模式下所有模型共用同一context对象，参数会相互覆盖，导致A模型收到B模型的input_id或prompt_template。
构造带模型标识的参数封装结构
在调用前，将原始参数按目标模型ID组织成键值对：
{"model_a": {"query": "北京天气", "location": "beijing"}, "model_b": {"text": "摘要这段话", "max_len": 128}}
注意：键名（如"model_a"）必须与Atoms平台中注册的模型别名完全一致，大小写敏感，且不能含空格或特殊字符。
使用multi_invoke接口发起调用
方法一：通过REST API直接提交
向 /v1/atoms/multi_invoke 发起POST请求，Body为上一步构造的JSON对象，Header中设置 【Content-Type: application/json】。
方法二：通过Python SDK调用
安装最新版atoms-sdk（≥v0.8.3）→ 调用 AtomsClient.multi_invoke(payload)，payload即封装好的字典对象。
方法三：在LangGraph工作流中嵌入MultiAtomNode
在graph.add_node()中指定node_type="multi_atom"，并在node_kwargs中传入{"models": ["model_a", "model_b"], "params_map": {...}}。
验证各模型是否收到预期参数
第一步：在每个被调用模型的入口函数开头插入日志语句，打印 input_context.get('source_model_id') 和 input_context.keys()。
第二步：触发调用后，进入平台「Execution Logs」页签，筛选本次trace_id，逐条检查各模型日志输出。
第三步：比对日志中实际接收到的键名与封装结构中的键名是否完全一致。若出现KeyError: 'model_a'，说明该模型未被正确路由，需检查其注册别名是否拼写错误。
