BK-CI 插件 SDK 中新增获取父任务ID功能解析
2025-07-02 06:24:40作者:羿妍玫Ivan
背景与需求
在现代持续集成和持续交付(CI/CD)系统中,任务编排是一个核心功能。BK-CI作为一款企业级持续集成平台,支持复杂的任务编排场景,其中就包括父子任务关系。在实际使用中,经常会遇到需要根据父任务ID来管理相关资源的场景,特别是在异常处理流程中。
技术实现分析
BK-CI最新版本在插件SDK中新增了获取父任务ID的功能,这一功能主要服务于post action场景。post action是指在主任务执行完成后触发的后续操作,常用于清理资源、发送通知等场景。
功能特性
- 精准定位:仅在post action上下文中有效,其他场景调用将返回空值
- 跨语言支持:在Java、Python、Golang和NodeJS四种主流语言的SDK中均实现了该功能
- 轻量级接口:设计简洁,开发者只需调用一个方法即可获取所需信息
实现原理
在BK-CI的任务调度系统中,每个任务都有唯一的任务ID(task id)。当系统检测到当前执行环境是post action时,会从任务上下文中提取父任务ID信息。这一过程涉及以下技术要点:
- 上下文传递:通过任务执行引擎维护父子任务关系链
- 环境判断:SDK内部会验证当前执行环境是否为post action
- 安全访问:确保只有授权的插件能够获取相关任务信息
应用场景
这一功能的典型应用场景包括:
- 资源清理:当父任务启动的第三方服务需要终止时,可通过父任务ID精准定位
- 状态同步:将子任务执行状态同步到父任务系统
- 日志关联:基于父任务ID实现跨任务的日志追踪
- 异常处理:在任务失败时,根据父任务ID执行特定的恢复流程
开发者指南
对于使用BK-CI插件SDK的开发者,现在可以通过简单的方法调用来获取父任务ID。以Java SDK为例:
String parentTaskId = context.getParentTaskId();
if (parentTaskId != null) {
// 执行基于父任务ID的操作
} else {
// 当前不在post action中
}
各语言SDK的实现保持了一致性,开发者可以轻松跨语言使用这一功能。
总结
BK-CI新增的获取父任务ID功能,为复杂CI/CD流程中的任务管理提供了更细粒度的控制能力。这一改进特别适合需要跨任务协调资源的场景,使得插件开发者能够构建更健壮、更可靠的自动化流程。随着这一功能的加入,BK-CI在任务编排方面的能力又向前迈进了一步。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.69 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
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++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
656
🎉 (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
1.06 K
614
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
195
71
仓颉编程语言测试用例。
Cangjie
36
657