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
kernelopenEuler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。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
最新内容推荐
【免费下载】 DLL修复工具免费版 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 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 STM32到GD32项目移植完全指南:从兼容性到实战技巧 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 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
473
3.52 K
React Native鸿蒙化仓库
JavaScript
286
338
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
224
91
Ascend Extension for PyTorch
Python
283
316
暂无简介
Dart
722
174
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
10
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++
849
438
🎉 (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
1.27 K
699
🔥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
65
19