掌握分布式应用新纪元:Stateful Functions

在复杂多变的分布式系统世界中,Stateful Functions 是一个基于状态的函数库,旨在简化分布式状态应用程序的开发。它解决了诸如扩展性、一致性状态管理、分布式服务之间的可靠交互以及资源管理等常见挑战。
这个项目的核心构建于强大的 Apache Flink 之上,提供了一种新的抽象方式来构建分布式应用程序和服务。
核心概念
抽象层
Stateful Functions 应用由以下核心组件组成:
- 状态函数:构成应用的基本构建块,它们是通过消息调用的小型逻辑单元。每个函数作为可唯一寻址的虚拟实例存在,由类型和内部独一无二的 ID(字符串)定义。
- 状态:每个虚拟函数实例都有其私有本地状态,可以通过局部变量访问。
- 入口(Ingresses)与出口(Egresses):入口用于事件最初进入应用,而出口则标准化了事件离开应用的方式。路由器(Routers)负责决定事件最初应由哪个功能实例处理。
模块化与可扩展性
模块 是向 Stateful Functions 应用添加基础构建块(如入口、出口、路由器和状态函数)的入口点。一个应用可以结合多个模块,每个模块贡献整体应用的一部分。这使得不同部分的应用可以由不同的模块贡献,促进了团队间的独立工作,但所有部分仍然部署在同一更大的应用上。
开始使用
获取与构建
需求
- Docker
- Maven 3.5.x 或以上
- Java 8 或以上
- 克隆项目并安装依赖:
git clone <repository-url>
mvn clean install
- 构建 Docker 基础镜像(如果计划使用 Docker 部署):
./tools/docker/build-stateful-functions.sh
运行示例
尝试运行预先存在的 Greeter 示例:
cd statefun-examples/statefun-greeter-example
docker-compose build
docker-compose up
发送消息到 names 主题并查看 greetings 的响应以了解示例如何工作。
项目设置
创建一个简单的 Stateful Functions 应用,使用 Maven 快速启动模板:
mvn archetype:generate \
-DarchetypeGroupId=org.apache.flink \
-DarchetypeArtifactId=statefun-quickstart \
-DarchetypeVersion=1.1-SNAPSHOT
然后导入你的IDE进行开发和测试。
IDE 中运行
参考 Harness 示例了解如何在 IDE 中直接运行应用。
部署应用
你可以将 Stateful Functions 应用打包为独立应用或 Flink 作业提交给 Flink 集群。
使用 Docker 镜像部署
创建一个 Dockerfile 来构建应用镜像。
将应用作为 Flink 任务部署
只需简单地将 statefun-flink-distribution 添加为你的应用依赖即可。
参与贡献
如果你对 Stateful Functions 感兴趣或者对其增强有兴趣,欢迎参与进来!你可以从 Apache Flink 网站 学习如何贡献,并在 Jira 上查看 "Stateful Functions" 组件中的社区工作进展。
许可证
本仓库代码遵循 Apache Software License 2 许可。
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-1.5暂无简介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
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
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