Burr项目中状态跟踪与调试的代码更新指南
2025-07-10 01:03:57作者:晏闻田Solitary
Burr作为一个工作流管理框架,其状态跟踪功能对于调试和问题排查至关重要。近期,项目文档中关于"通过重新加载先前状态进行调试"的部分代码已经过时,需要进行更新。本文将详细介绍新版API的正确使用方法。
状态跟踪的核心概念
在Burr框架中,应用程序的状态跟踪允许开发者记录和恢复工作流执行过程中的中间状态。这对于以下场景特别有用:
- 调试复杂的多步骤工作流
- 从故障点恢复执行
- 分析工作流执行历史
新版API使用详解
新版API采用了更清晰的构建器模式,通过ApplicationBuilder类提供链式调用来配置应用程序。关键改进包括:
- 初始化方式:使用
initialize_from方法替代旧版直接加载的方式 - 跟踪客户端:明确分离了跟踪客户端的创建和应用配置
- 恢复选项:提供了更灵活的恢复控制参数
代码实现示例
以下是更新后的正确实现方式:
from burr.tracking import LocalTrackingClient
# 设置恢复参数
prior_app_id = "your_prior_app_id" # 要恢复的先前应用ID
sequence_id = None # 从特定步骤恢复,None表示最后一步
partition_key = "YOUR_PARTITION" # 分区键,不使用则为None
# 创建跟踪客户端
project_name = "YOUR_PROJECT_NAME"
tracker = LocalTrackingClient(project=project_name)
# 构建应用程序
app = (
ApplicationBuilder()
.with_graph(base_graph) # 你的工作流图
.initialize_from(
tracker, # 本地跟踪客户端
resume_at_next_action=True, # 从下一个动作恢复
default_state={}, # 默认状态字典
default_entrypoint="your_entrypoint", # 默认入口点
fork_from_app_id=prior_app_id, # 源应用ID
fork_from_sequence_id=sequence_id, # 源序列ID
fork_from_partition_key=partition_key # 源分区键
)
.with_tracker(tracker) # 启用跟踪和检查点功能
.build()
)
关键参数说明
- resume_at_next_action:设置为True时,将从上次中断的下一个动作恢复执行
- default_state:当无法恢复状态时使用的默认状态值
- **fork_from_**系列参数:精确控制要从哪个应用、哪个步骤恢复执行
最佳实践建议
- 为每个项目使用唯一的project_name,便于区分不同应用的跟踪数据
- 合理设置partition_key,特别是在多租户环境中
- 定期清理旧的跟踪数据,避免存储空间过度增长
- 在生产环境中考虑使用远程跟踪客户端替代本地客户端
通过采用新版API,开发者能够更灵活、更可靠地实现Burr应用程序的状态跟踪和恢复功能,大大提升了工作流调试和故障恢复的效率。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
677
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
116
昇腾LLM分布式训练框架
Python
178
220