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
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 Notebook0114
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
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 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++
676
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
296
114
昇腾LLM分布式训练框架
Python
178
220