Workflow-Core中实现循环审批流程的技术实践
2025-06-06 21:27:58作者:邬祺芯Juliet
引言
在现代业务流程自动化中,审批流程是最常见的场景之一。特别是当审批被拒绝后需要返回申请人修改并重新提交的情况,这种循环审批机制在Workflow-Core工作流引擎中的实现方式值得深入探讨。
循环审批流程的业务场景
典型的审批流程通常包含以下几个关键环节:
- 用户提交申请
- 审批人审核(可能批准或拒绝)
- 如果拒绝,返回申请人修改
- 修改后重新提交审批
- 循环执行直到批准为止
这种流程在采购审批、请假申请、费用报销等各种业务场景中都非常常见。
Workflow-Core中的实现方案
初始方案尝试
开发者最初尝试了两种实现方式:
-
基于事件的方案:使用
WaitFor事件等待表单提交,然后通过发布事件来触发后续流程。但发现第二次触发事件时无法正常工作。 -
分支方案:尝试使用分支结构实现循环,但难以处理批准后的流程跳出。
最终解决方案
经过实践,发现使用While循环结合用户任务(UserTask)是最佳实现方式:
public void Build(IWorkflowBuilder<SealBasicApprovalData> builder)
{
builder
.StartWith(context => ExecutionResult.Next())
.While(data => data.IsApproved == false)
.Do(workflow => workflow
.StartWith(context => ExecutionResult.Next())
.UserTask("审批操作", data => Environment.UserName)
.WithOption("approve", "批准").Do(approvedWorkflow => approvedWorkflow
.StartWith<Approve>()
.Input(step => step.RequestId, data => data.RequestId)
.Output(data => data.IsApproved, step => step.IsApproved)
)
.WithOption("reject", "拒绝").Do(rejectedWorkflow => rejectedWorkflow
.StartWith<Reject>()
.Input(step => step.RequestId, data => data.RequestId)
.Output(data => data.IsApproved, step => step.IsApproved)
)
)
.Then(context => Console.WriteLine("流程结束"));
}
数据传递的关键发现
在实现过程中,发现Workflow-Core在处理复杂对象的数据传递时需要注意:
- 对于引用类型,直接传递整个对象可能会导致数据更新不生效
- 更可靠的方式是显式地定义每个属性的输入输出映射
优化后的数据传递方式:
.StartWith<Approve>()
.Input(step => step.RequestId, data => data.RequestId)
.Input(step => step.IsApproved, data => data.IsApproved)
.Output(data => data.IsApproved, step => step.IsApproved)
.Output(data => data.ApprovedBy, step => step.ApprovedBy)
实现建议与最佳实践
-
状态管理:使用明确的布尔标志(如IsApproved)控制循环条件
-
用户任务设计:
- 为审批操作提供清晰的选项描述
- 每个选项对应独立的子流程
-
数据跟踪:
- 记录每次审批的操作人和意见
- 保留审批历史便于追溯
-
异常处理:
- 考虑添加超时机制防止流程卡死
- 实现审批委托机制(如审批人不在岗时)
总结
Workflow-Core提供了灵活的工作流定义方式,通过合理使用循环结构和用户任务,可以很好地实现复杂的审批流程。关键在于:
- 正确设计循环条件和退出机制
- 处理好步骤间的数据传递
- 提供清晰的用户交互界面
这种模式不仅适用于审批流程,也可以推广到其他需要多次交互的业务场景中,如订单修改、工单处理等。掌握这些核心概念后,开发者可以构建出更加复杂和强大的业务流程自动化解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
405
3.14 K
Ascend Extension for PyTorch
Python
225
251
暂无简介
Dart
672
159
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++
663
319
🎉 (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
1.21 K
657
React Native鸿蒙化仓库
JavaScript
262
325
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868