Dagu项目中的RepeatPolicy字段功能增强解析
在Dagu工作流引擎的最新版本v1.17.0-beta.1中,对RepeatPolicy字段进行了重要功能增强,为开发者提供了更灵活的任务重复执行控制机制。本文将深入解析这些增强功能的技术实现和使用场景。
RepeatPolicy基础概念
RepeatPolicy是Dagu工作流定义中控制步骤重复执行的关键字段。在增强之前,它主要通过简单的间隔时间配置来控制步骤的重复执行频率。新版本通过引入多种条件判断机制,大幅提升了其灵活性和实用性。
条件判断机制增强
1. 字符串匹配条件
新增了基于输出内容匹配的重复控制机制。开发者可以配置期望的输出内容,系统会持续重复执行步骤直到实际输出与期望值匹配。
step:
- name: step1
command: xxx
repeatPolicy:
condition: "foo" # 实际输出
expected: "foo" # 期望输出
intervalSec: 30 # 检查间隔
这种机制特别适用于需要等待特定输出结果的任务场景,如API调用等待特定响应。
2. 命令替换功能
进一步增强了字符串匹配的灵活性,支持在条件中使用命令替换语法:
step:
- name: step1
command: xxx
repeatPolicy:
condition: "`echo foo`" # 支持命令替换
expected: "foo"
intervalSec: 30
这使得条件判断可以基于动态生成的字符串,大大增强了配置的灵活性。
3. 直接命令执行条件
最强大的增强是支持直接使用命令执行结果作为重复条件:
step:
- name: step1
command: xxx
repeatPolicy:
condition: "test -f /tmp/flag" # 当命令返回0时继续重复
intervalSec: 30
这种机制会持续重复步骤,直到条件命令返回非零状态码。它非常适合需要等待文件创建、服务可用等系统状态变化的场景。
4. 退出码控制
除了新增功能外,还完善了对命令退出码的控制支持:
step:
- name: step1
command: xxx
repeatPolicy:
exitCode: [0, 1] # 当退出码为0或1时继续重复
intervalSec: 30
设计考量与技术实现
这些增强功能的设计参考了Dagu现有的Precondition机制,保持了配置语法的一致性。在实现上有几个关键点:
-
条件判断逻辑分为两类:当同时配置condition和expected时执行字符串匹配;当只配置condition时执行命令状态判断。
-
条件字段支持环境变量引用,可以与步骤输出(output字段)结合使用,实现基于前一步执行结果的动态判断。
-
命令执行条件遵循Unix惯例,返回0表示成功/继续重复,非0表示停止重复。
实际应用场景
这些增强功能在实际工作流管理中非常实用:
-
服务等待:可以设置条件检查服务端口是否可用,实现服务启动等待。
-
文件等待:检查特定文件是否存在或内容是否符合要求。
-
API轮询:定期调用API并检查返回内容,直到获得预期结果。
-
复杂条件组合:通过命令替换实现多条件组合判断。
总结
Dagu v1.17.0-beta.1中对RepeatPolicy的增强显著提升了工作流步骤重复控制的灵活性和实用性。通过引入多种条件判断机制,开发者可以更精确地控制步骤的重复执行逻辑,满足各种复杂的自动化场景需求。这些改进使Dagu在工作流自动化领域的竞争力得到进一步提升。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00