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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
项目优选
收起
暂无描述
Dockerfile
764
4.98 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
684
1.33 K
Ascend Extension for PyTorch
Python
719
882
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++
1.08 K
1.1 K
deepin linux kernel
C
32
16
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
457
439
用户可使用该项目在 OpenHarmony 平台开发应用,支持通过 IDE 或终端用 Flutter Tools 指令编译构建,基于 Flutter 3.27.4 版本,新增 impeller-vulkan 渲染模式,兼容多种开发指令与环境配置。
Dart
1.01 K
261
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
151
253
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
998
609