Apache Airflow 取消工作流运行指南
项目介绍
Apache Airflow 是一个由 Airbnb 开发的工作流管理系统,旨在帮助用户编程化地创建、调度和监控工作流程。airflow-cancel-workflow-runs 是 Apache Airflow 的一个衍生插件,旨在提供一种自动化机制来取消指定条件下的工作流运行。这尤其适用于那些希望优化资源利用、避免重复执行或当有特定事件(如 Pull Request 合并、失败作业)触发时自动管理 GitHub Actions 工作流的场景。
项目快速启动
要开始使用 airflow-cancel-workflow-runs,首先确保你有一个运行着 GitHub Actions 的项目,并且已经熟悉基本的 github/workflows 配置。
步骤一:添加依赖
在你的项目中,确保你的 GitHub Actions 工作流能够访问到这个 action。以下是一个典型的用法示例:
cancel-failed-jobs:
runs-on: ubuntu-latest
steps:
- name: "Cancel on Failed Jobs"
uses: potiuk/cancel-workflow-runs@master
with:
cancelMode: namedJobs
token: ${{ secrets.GITHUB_TOKEN }}
jobNameRegexps: ${{ steps.detect-failed-jobs.outputs.jobNames }}
应用案例和最佳实践
确保细粒度地控制哪些工作流会被影响
防止误操作,利用条件语句(if)细化触发条件,仅在真正需要的时候执行取消动作。
典型生态项目集成
虽然此项目专注于工作流的取消功能,但它是整个 Airflow 及其 GitHub Actions 生态系统的一部分。在实际应用中,它常与其他监控、通知系统集成,例如使用 GitHub 的 Issue Comment 事件来及时反馈取消状态给团队成员。
典型生态项目
在实际应用中,airflow-cancel-workflow-runs 常与其他监控、通知系统集成,例如使用 GitHub 的 Issue Comment 事件来及时反馈取消状态给团队成员。此外,结合 Airflow 本身进行更复杂的调度和任务管理,可以构建出强大的持续集成和部署流水线。
通过这种方式,airflow-cancel-workflow-runs 不仅是减少资源浪费的工具,也是提高开发效率和保持自动化管道整洁的关键组件。正确集成这一 Action,有助于提升团队的 DevOps 实践,确保每个工作流的高效运行。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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