Burr项目中的输入参数API设计解析
2025-07-10 02:37:39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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
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
350
203
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781