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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust021
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00