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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
项目优选
收起
deepin linux kernel
C
28
15
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
660
4.26 K
🎉 (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
1.54 K
894
Ascend Extension for PyTorch
Python
505
610
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
392
289
暂无简介
Dart
909
219
🔥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
69
21
昇腾LLM分布式训练框架
Python
142
168
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++
940
867
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108