DAGU 1.17.0 Beta版本发布:工作流引擎的重大升级
项目简介
DAGU是一个轻量级的工作流调度引擎,它允许用户通过简单的YAML或JSON配置文件定义任务依赖关系,并自动执行这些任务。DAGU特别适合需要自动化复杂任务流程的场景,如数据处理流水线、定时批处理作业等。其名称"DAGU"来源于"Directed Acyclic Graph"(有向无环图)的缩写,这正是其核心工作原理。
1.17.0 Beta版本核心改进
性能优化与历史数据重构
本次版本对执行历史数据存储进行了重大重构,显著提升了历史记录的查询性能。新的存储结构使得在大规模部署环境下,历史记录的检索速度得到明显改善。需要注意的是,由于这一底层改进,1.16.x版本的历史数据需要进行迁移才能与1.17.0兼容。
嵌套DAG执行能力
1.17.0引入了层次化执行功能,现在可以在一个DAG中嵌套调用另一个DAG。这一特性极大地增强了工作流的模块化和复用能力,使得复杂流程可以被分解为多个可管理的子流程。
增强的Web界面
用户界面进行了全面升级,不仅视觉效果更加现代化,更重要的是改善了用户体验。新增的执行历史页面支持按日期范围和状态进行筛选,使得运维人员能够更高效地追踪和分析任务执行情况。
调试与监控增强
调试信息可视化
新版本在UI中直接展示了前提条件评估的实际结果和输出变量的值,这大大简化了调试过程。开发人员现在可以直观地看到为什么某个条件没有满足,或者某个变量的具体值是什么。
日志分离
默认情况下,标准输出(stdout)和标准错误(stderr)现在会被分别记录,这一改进使得日志分析更加清晰,特别是在排查问题时能够快速定位错误来源。
队列管理与API改进
队列操作
新增了通过API和UI进行任务入队的功能,这为构建更复杂的调度策略提供了基础。用户现在可以更灵活地控制任务的执行顺序和时间。
API v2
全新的API v2版本带来了更清晰的架构和更好的抽象。这一改进不仅使API更易于使用,也为未来的功能扩展奠定了基础。新API遵循了更现代的RESTful设计原则,响应结构也更加一致。
容器化改进
Docker镜像现在被优化为三个基础镜像,显著减小了镜像体积。同时增加了对容器名称和镜像平台的指定支持,使得在异构环境中部署更加灵活。
贡献者致谢
1.17.0版本的开发得到了社区的大力支持。特别感谢贡献队列功能的开发者、优化Docker镜像的工程师、增强容器配置支持的贡献者,以及改进重复策略的团队成员。正是这些社区贡献使得DAGU能够持续进化。
升级建议
对于考虑升级到1.17.0 Beta版本的用户,建议:
- 在测试环境充分验证新功能
- 注意历史数据迁移需求
- 评估API v2是否满足需求,或是否需要保持v1兼容性
- 利用新的调试功能优化现有工作流
这个Beta版本标志着DAGU向更强大、更易用的方向迈出了重要一步,期待用户反馈以进一步完善正式版本。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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