必须使用 CompletableFuture 并行调用多个已注册的 ModelClient 实例，共享同一 Prompt 对象，通过 allOf 等待全部完成并分别获取结果，确保输入一致性和同步响应。
☞☞☞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☜☜☜
要在同一请求中让多个大语言模型（如 deepseek-chat、deepseek-reasoner、qwen2.5-72b）并行响应、同步返回结果，必须绕过串行调用的天然延迟，构建真正共享输入、独立推理、统一收口的执行通路。
准备多模型客户端实例
启动前确认所有目标模型已通过 Spring AI 的 ModelClient 抽象完成注册。每个模型需绑定唯一 ID（如 deepseek-chat-v3、deepseek-reasoner-cot、qwen2.5-72b），且对应配置已加载至 ModelRegistry。若任一模型 ID 未注册，后续并发调用将直接抛出 ModelNotFoundException。
在 Spring Boot 启动类或 Configuration 类中，显式声明三个 ModelClient Bean，分别注入不同 model-id：
@Bean public ModelClient deepseekChatClient(ModelRegistry registry) { return registry.getClient("deepseek-chat-v3"); }
@Bean public ModelClient deepseekReasonerClient(ModelRegistry registry) { return registry.getClient("deepseek-reasoner-cot"); }
@Bean public ModelClient qwenClient(ModelRegistry registry) { return registry.getClient("qwen2.5-72b"); }
构造并行调用任务链
使用 CompletableFuture 批量提交异步请求，避免阻塞主线程。每个任务封装一次完整的 ModelClient.call() 调用，并携带完全相同的 Prompt 实例——这是保证输入一致性的关键前提。
第一步：创建共享 Prompt 对象，设置 system 和 user 消息内容，不修改任何模型专属参数；
第二步：对每个 ModelClient 调用 CompletableFuture.supplyAsync(() -> client.call(prompt))，生成三个独立 Future；
第三步：用 CompletableFuture.allOf(f1, f2, f3).join() 等待全部完成；
第四步：用 f1.join()、f2.join()、f3.join() 分别获取结果，按模型 ID 映射为 Map 返回。
【必须确保所有 Future 共享同一个 Prompt 实例，而非各自 new 一个副本】 否则因 Prompt 内部 token 缓存或随机 seed 差异，可能导致微小输入偏移，破坏“同步执行”的语义一致性。
处理响应聚合与异常熔断
方法一：逐个 await 并收集结果
遍历三个 Future，对每个调用 get(15, TimeUnit.SECONDS) 设置超时。任一模型响应超时或失败，立即记录 warn 日志，但不中断其余任务——这是“尽力同步”的核心设计。
方法二：使用 allOf + thenApply 组合式编排
将三个 Future 封装进 allOf，再链式调用 thenApply 提取各结果。此方式天然支持函数式错误传播，但需手动 catch ExecutionException 并降级为 null 值占位。
方法三：引入 Resilience4j 的 Bulkhead 隔离
为每个模型 Client 配置独立线程池（如 deepseek-pool、qwen-pool），防止某模型高延迟拖垮整体吞吐。Bulkhead 配置必须启用 maxConcurrentCalls = 5，否则默认为 100，可能引发线程耗尽。
