Burr项目中的动作简化设计:减少中间结果返回的冗余代码
2025-07-10 13:41:46作者:宣聪麟
在Burr项目的工作流设计中,动作(Action)是构建状态转换逻辑的基本单元。传统实现中,每个动作函数需要返回一个包含中间结果和更新后状态的元组,这导致了大量重复性代码。本文将深入分析这一设计痛点及其解决方案。
传统动作实现的痛点
在Burr的原始设计中,一个典型的动作函数需要遵循以下模式:
@action(reads=['input_var'], writes=['output_var'])
def simple_action(state: State) -> tuple[dict, State]:
output_var = _compute(state["input_var"])
result = {"output_var" : output_var}
return result, state.update(**result)
这种实现存在几个明显问题:
- 代码冗余:开发者需要重复声明相同的变量名多次
- 易错性:手动维护结果字典和状态更新容易出错
- 可读性差:业务逻辑被大量样板代码淹没
简化设计的核心思想
新方案的核心是让开发者专注于业务逻辑本身,而非状态管理的机械性工作。通过两种方式实现:
- 自动状态更新:根据返回结果自动应用状态变更
- 简化返回签名:允许只返回更新后的状态对象
具体实现方案
方案一:仅返回状态对象
@action(reads=['input_var'], writes=['output_var'])
def simple_action(state: State) -> State:
output_var = _compute(state['input_var'])
return state.update(output_var=output_var)
这种方案完全移除了中间结果的概念,适用于不需要在UI中展示中间计算结果的场景。
方案二:声明式状态更新
@action(
reads=['input_var'],
writes=[update('output_var'), append('output_var_list')]
)
def simple_action(state: State) -> dict:
return {"output_var" : _compute(state['input_var'])}
这种方案通过装饰器中的声明式配置,指定如何将返回结果应用到状态上,支持多种更新操作:
update:直接更新状态值append:向列表追加值increment:对数值进行增量更新
技术实现考量
在底层实现上,Burr需要处理几个关键问题:
- 类型推断:通过函数返回类型自动判断采用哪种处理模式
- 状态更新合并:确保多个更新操作按正确顺序执行
- 错误处理:验证返回结果与声明配置的匹配性
实际应用建议
对于不同场景,推荐以下使用方式:
- 简单状态更新:采用仅返回State对象的简化形式
- 复杂转换逻辑:使用传统元组返回形式保留中间结果
- 批量操作:采用声明式配置减少重复代码
总结
Burr项目的这一改进显著提升了开发体验,使得状态管理代码更加简洁直观。通过灵活支持多种动作签名,既保留了原有功能的强大性,又为简单场景提供了更优雅的编码方式。这种设计思路也体现了优秀框架应有的特质:在提供强大功能的同时,尽可能减少开发者的认知负担。
登录后查看全文
热门项目推荐
相关项目推荐
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
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
454
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++
893
677
暂无简介
Dart
802
199
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
350
205
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (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
1.37 K
781