SpiffWorkflow项目教程:可执行与不可执行任务的配置与应用
概述
在SpiffWorkflow工作流引擎中,任务可以分为**可执行任务(Executable Tasks)和不可执行任务(Non-Executable Tasks)**两种类型。理解这两种任务的区别并正确配置它们,对于构建高效的工作流模型至关重要。本文将详细介绍这两种任务的概念、配置方法以及典型应用场景。
核心概念解析
可执行任务
可执行任务是工作流引擎能够实际执行的任务单元,具有以下特点:
- 由工作流引擎自动调度和执行
- 包含具体的业务逻辑实现
- 可以触发后续任务的执行
- 通常用于自动化业务流程
不可执行任务
不可执行任务主要用于文档化和设计目的,特点包括:
- 仅作为可视化表示存在
- 不会被工作流引擎执行
- 常用于说明业务流程或培训目的
- 适合在流程设计阶段使用
详细配置指南
配置不可执行流程
- 打开BPMN编辑器:在SpiffWorkflow中打开需要配置的流程模型
- 选择流程画布:点击流程图的头部或画布空白区域
- 访问属性面板:在右侧属性面板中找到"General"部分
- 取消可执行选项:取消勾选"Executable"复选框
- 保存更改:完成配置后保存模型
配置完成后,在流程模型页面将不会显示"开始"按钮,这表明该流程已被设置为不可执行状态。
配置可执行流程
- 遵循相同步骤:与配置不可执行流程的前三步相同
- 启用可执行选项:确保"Executable"复选框被勾选
- 保存更改:完成配置后保存模型
成功配置后,流程模型页面将显示"开始"按钮,表示该流程现在可以正常执行。
典型应用场景对比
| 应用场景 | 可执行流程 | 不可执行流程 |
|---|---|---|
| 自动化工作流(如API调用) | ✓ | ✗ |
| 培训或利益相关者演示 | ✗ | ✓ |
| 手动工作流程 | ✗ | ✓ |
| 工作流设计阶段 | ✗ | ✓ |
| 系统集成 | ✓ | ✗ |
最佳实践建议
-
设计阶段使用不可执行流程:在业务流程设计初期,建议使用不可执行流程进行可视化建模,便于与业务人员沟通确认。
-
实施阶段转换为可执行流程:当业务流程确认后,再转换为可执行流程并添加具体实现逻辑。
-
文档化目的保留不可执行副本:对于重要的业务流程,建议保留一个不可执行版本的流程图,作为系统文档的一部分。
-
性能考虑:对于大型复杂流程,合理使用不可执行任务可以减少引擎的解析负担。
-
团队协作:开发团队和业务团队可以共享不可执行流程作为沟通桥梁,确保需求理解一致。
常见问题解答
Q:是否可以将部分任务设置为不可执行而其他任务可执行? A:不可以,可执行性是在流程级别设置的,会影响整个流程中的所有任务。
Q:不可执行流程能否转换为可执行流程? A:可以,只需按照上述步骤重新勾选可执行选项即可。
Q:为什么我的流程没有显示开始按钮? A:请检查流程的可执行性设置,确保已正确配置为可执行流程。
通过本文的介绍,您应该已经掌握了SpiffWorkflow中可执行与不可执行任务的核心概念、配置方法和应用场景。合理使用这两种任务类型,将帮助您构建更加清晰、高效的业务流程模型。
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