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 07:32:01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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
197
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
624
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210