Workflow-Core中实现循环审批流程的技术实践
2025-06-06 02:29:43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
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
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
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
947
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (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
1.56 K
909
暂无简介
Dart
920
228
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212