Burr项目中的输入参数API设计解析
2025-07-10 07:30:38作者:谭伦延
概述
在Burr这个工作流管理框架中,输入参数的处理是一个关键设计点。本文将深入分析Burr框架中关于动作(Action)输入参数的设计思路和实现方案。
输入参数的需求背景
在构建工作流应用时,我们经常需要从外部获取输入参数来驱动流程执行。传统方式可能会直接操作状态(State)对象,但这会带来以下问题:
- 破坏了动作的封装性
- 难以进行单元测试
- 缺乏明确的参数声明和验证机制
Burr框架提出了一个清晰的解决方案,通过声明式的方式定义动作所需的输入参数。
核心设计思想
Burr采用了函数式编程的思想来处理输入参数:
- 显式声明:每个动作需要明确声明它依赖哪些输入参数
- 类型安全:通过函数参数提供类型提示
- 状态隔离:输入参数与状态管理分离,避免副作用
API设计详解
动作定义
@action(
reads=[], # 读取的状态字段
writes=["question"], # 写入的状态字段
inputs=["question"] # 需要的输入参数
)
def human_converse_placeholder(state: State, question: str) -> Tuple[dict, State]:
# 处理逻辑
return {"question": question}, state.update(question=question)
这种设计具有以下优点:
- 明确声明了动作依赖的输入参数
- 框架会自动验证参数是否提供
- 保持了函数的可测试性
执行控制
在执行层面,Burr提供了灵活的输入参数传递方式:
inputs = None
while True:
current_action, prior_result, current_state = app.step(inputs=inputs)
inputs = None
if action.name == "human_converse":
user_question = input("What is your next question: ")
inputs = {"question": user_question}
if action.name == "terminal":
break
这种设计允许:
- 动态获取输入参数
- 参数只在需要时提供
- 清晰的参数传递流程
与绑定(Bind)的关系
Burr中的绑定机制(Bind)用于固定某些参数值,而输入参数API则用于处理那些需要在运行时动态提供的参数。两者可以协同工作:
- 绑定:固定不变的参数
- 输入参数:运行时动态提供的参数
执行模式的支持
Burr框架支持多种执行模式,输入参数的处理也相应有所不同:
- 单步执行(step):输入参数仅应用于当前步骤
- 完整执行(run/iterate):输入参数应用于整个执行范围
这种灵活性使得Burr能够适应各种复杂的工作流场景。
实现考量
在实现输入参数API时,需要考虑以下关键点:
- 参数验证:确保所有声明的输入参数都已提供
- 参数传递:在动作调用时正确注入参数
- 错误处理:友好的错误提示,帮助开发者快速定位问题
- 文档生成:基于输入参数声明自动生成文档
总结
Burr框架的输入参数API设计体现了以下核心原则:
- 显式优于隐式:明确声明依赖关系
- 隔离性:输入参数与状态管理分离
- 灵活性:支持多种执行模式和参数传递方式
- 可测试性:保持动作的纯函数特性
这种设计使得Burr在处理复杂工作流时既保持了简单性,又提供了足够的灵活性,是框架设计中的一个亮点。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
197
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
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
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
624
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210