必须显式声明数据流向与执行约束，检查工具schema中input_key/output_key定义，按三步配置串行链，用depend语法或手动聚合/消息队列实现并行依赖，最后通过日志哈希验证。
☞☞☞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☜☜☜
要在多模型并行调用场景中准确设置依赖关系，确保前序模型输出作为后续模型输入被正确传递且不发生竞态或空值中断，必须显式声明数据流向与执行约束。
确认工具调用Schema中已声明输入输出字段
打开你的工具描述 JSON 文件，检查每个模型对应 function 的 parameters 中是否明确定义了 input_key 和 output_key 字段。例如：{"type":"object","properties":{"input_text":{"type":"string"},"model_id":{"type":"string","enum":["gpt-4","claude-3"]}},"required":["input_text"]}
若未定义 input_text 字段，后续依赖链将无法识别上游输出内容，【所有依赖链起点必须是明确命名的输入参数】。
配置多模型串行依赖链（三步）
第一步：在主调用逻辑中初始化第一个模型，其输出字段命名为 result_a；
第二步：调用第二个模型时，在参数中传入 {"input_text": "{{result_a}}"}，注意双大括号为模板占位符语法；
第三步：第三个模型参数设为 {"input_text": "{{result_b}}"}，其中 result_b 是第二步返回的字段名。这三步构成线性数据流，不可跳步或反向引用。
启用并行调用+依赖合并
方法一：使用 depend(in: a, b) 语法（适用于支持 OpenMP 风格依赖的运行时）
在并发启动两个模型后，第三个模型声明 depend(in: result_a, result_b)，表示必须等两者都完成才执行。
方法二：手动聚合中间结果（通用兼容方案）
先并发发起 model_a 和 model_b 调用 → 分别捕获其响应体 → 将两者的 output 字段提取为字典 → 合并为新 dict 传给 model_c → 这一步必须在代码层做非空校验，否则 model_c 可能因缺失 key 报错。
方法三：通过消息队列中转（生产环境推荐）
将 model_a 输出写入 Redis key:a_result，过期设为 60s；model_b 同理写入 key:b_result；model_c 启动时读取这两个 key，任一缺失则等待重试，超时抛异常。
验证依赖是否生效
在调用入口处添加日志埋点，打印每一步的 timestamp 和 input/output hash 值。
运行一次完整链路，检查日志时间戳是否严格递增，且 model_c 的 input_hash 确实等于 model_a.output_hash + model_b.output_hash 的拼接哈希值。
若发现 model_c 在 model_a 返回前就启动，则说明 depend 声明未被运行时识别，需回查工具注册时是否启用了 dependency-aware 模式。
