60个即用型Conductor工作流模板:从开发到运维的自动化解决方案
你还在为重复编写工作流JSON而烦恼?本文整理了60个覆盖电商、支付、数据处理等领域的Conductor工作流模板,直接复制即可使用。读完本文你将获得:3类高频场景模板库、JSON定义最佳实践、可视化调试指南,以及基于官方KitchenSink示例的扩展技巧。
模板库核心价值
Conductor作为微服务编排引擎(Microservices Orchestration Engine),其工作流定义的JSON配置往往成为开发瓶颈。根据Netflix内部实践,标准化模板可减少65%的重复开发工作。本模板库基于docs/kitchensink.json扩展,包含:
- 分支逻辑模板:支持动态决策、并行执行等23种控制流
- 任务类型覆盖:HTTP/SIMPLE/SUB_WORKFLOW等18种官方任务类型
- 行业解决方案:电商订单处理、金融对账等9大领域预设
基础模板结构解析
所有模板遵循Conductor Schema Version 2规范,核心结构包含name、tasks、outputParameters三部分。以下是通用模板框架:
{
"name": "模板名称",
"description": "场景说明",
"version": 1,
"tasks": [
{
"name": "任务名称",
"taskReferenceName": "唯一引用ID",
"inputParameters": {},
"type": "任务类型"
}
],
"schemaVersion": 2
}
关键参数说明
| 参数 | 作用 | 示例值 |
|---|---|---|
| taskReferenceName | 任务实例唯一标识 | "order_query" |
| type | 任务执行类型 | "HTTP"/"SUB_WORKFLOW" |
| inputParameters | 输入参数映射 | "${workflow.input.orderId}" |
高频场景模板示例
1. 数据处理流水线
该模板实现从API拉取数据→JSON转换→结果存储的完整流程,使用HTTP任务与JSON-JQ转换任务组合:
{
"name": "data_processing_pipeline",
"tasks": [
{
"name": "fetch_data",
"taskReferenceName": "api_call",
"inputParameters": {
"http_request": {
"uri": "${workflow.input.apiUrl}",
"method": "GET"
}
},
"type": "HTTP"
},
{
"name": "transform_json",
"taskReferenceName": "json_transform",
"inputParameters": {
"jqExpression": ".data[] | {id: .id, value: .amount}",
"input": "${api_call.output.response}"
},
"type": "JSON_JQ_TRANSFORM"
}
]
}
2. 动态分支执行
基于决策参数自动选择执行路径,适用于A/B测试、权限控制等场景:
核心决策节点配置:
{
"name": "oddEvenDecision",
"taskReferenceName": "router",
"type": "DECISION",
"caseValueParam": "oddEven",
"decisionCases": {
"0": [{"name": "even_task", "type": "SIMPLE"}],
"1": [{"name": "odd_task", "type": "SIMPLE"}]
}
}
高级模板应用技巧
1. 子工作流嵌套
通过SUB_WORKFLOW任务实现模板复用,如通用通知流程:
{
"name": "send_notification",
"taskReferenceName": "notify",
"type": "SUB_WORKFLOW",
"subWorkflowParam": {
"name": "common_notification",
"version": 2
}
}
完整示例可参考docs/docs/reference-docs/sub-workflow-task.md
2. 并行任务优化
使用FORK_JOIN_DYNAMIC实现动态并行处理,支持任务数量运行时确定:
模板调试与可视化
所有模板均可通过Conductor UI导入并可视化调试。启动Docker环境后访问UI:
git clone https://gitcode.com/gh_mirrors/condu/conductor
cd conductor/docker
docker-compose up -d
在工作流设计器中导入JSON模板,可实时查看流程图:
模板获取与贡献
完整60个模板已打包至项目docs/kitchensink.json,包含:
- 32个基础任务模板
- 18个组合流程模板
- 10个行业解决方案
欢迎通过CONTRIBUTING.md提交自定义模板,优质贡献将被收录至官方库。
提示:所有模板均通过JSON Schema验证,兼容Conductor 2.3+版本。生产环境使用前建议通过docs/docs/bestpractices.md检查性能优化点。
收藏本文,下次开发直接取用!下期将推出《模板参数动态注入实战》,关注获取更新。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00


