Burr项目中状态跟踪与调试的代码更新指南
2025-07-10 05:53:36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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137