Flow (Laminar): um mecanismo de tarefas leve para a criação de inteligências que simplifica e gerencia tarefas com flexibilidade

Introdução geral

O Flow é um mecanismo de tarefas leve projetado para criar agentes de IA com ênfase na simplicidade e na flexibilidade. Ao contrário dos fluxos de trabalho tradicionais baseados em nós e bordas, o Flow usa um sistema dinâmico de fila de tarefas que suporta execução paralela, agendamento dinâmico e gerenciamento inteligente de dependências. Seu conceito central é tornar fluxos de trabalho complexos simples e fáceis por meio da execução de tarefas paralelas, fluxos de trabalho dinâmicos e controle de ramificação condicional. O Flow não exige bordas predefinidas entre nós e adota uma arquitetura de agendamento de tarefas dinâmicas para ajudar os desenvolvedores a escrever códigos mais limpos e fáceis de entender.

Lista de funções

• Execução de tarefas paralelas: executa automaticamente tarefas em paralelo sem código de encadeamento explícito.
• Agendamento dinâmico: as tarefas podem agendar novas tarefas em tempo de execução.
• Gerenciamento inteligente de dependências: as tarefas podem aguardar o resultado de uma operação anterior.
• Gerenciamento de estados: salvar e carregar estados de tarefas, a partir da execução de uma tarefa específica.
• Ramificação condicional e fluxo de controle: há suporte para ramificação condicional e controle de loop.
• Execução de tarefas em fluxo contínuo: oferece suporte à execução de tarefas em fluxo contínuo.
• Rastreamento automatizado: suporta o rastreamento automatizado do OpenTelemetry para facilitar a depuração e a reconstrução do estado.
• Leve e sem dependências externas: o design é simples, flexível e avançado.

Usando a Ajuda

Processo de instalação

Para instalar o Flow, basta usar o comando pip:

pip install lmnr-flow

Uso básico

Abaixo está um exemplo simples de seu uso:

from concurrent.futures import ThreadPoolExecutor
from lmnr_flow import Flow, TaskOutput, NextTask, Context
# 创建Flow实例
flow = Flow(thread_pool_executor=ThreadPoolExecutor(max_workers=4))
# 定义一个简单任务
def my_task(context: Context) -> TaskOutput:
return TaskOutput(output="Hello World!")
# 添加任务到Flow
flow.add_task("greet", my_task)
# 运行任务
result = flow.run("greet")
print(result)  # 输出: {"greet": "Hello World!"}

cadeia de missões

As missões podem desencadear outras missões:

def task1(context: Context) -> TaskOutput:
return TaskOutput(output="result1", next_tasks=[NextTask("task2")])
def task2(context: Context) -> TaskOutput:
t1_result = context.get("task1")
return TaskOutput(output="result2")
flow.add_task("task1", task1)
flow.add_task("task2", task2)
flow.run("task1")  # 输出: {"task2": "result2"}

execução paralela

Várias tarefas podem ser executadas em paralelo:

def starter(context: Context) -> TaskOutput:
return TaskOutput(output="started", next_tasks=[NextTask("slow_task1"), NextTask("slow_task2")])
def slow_task1(context: Context) -> TaskOutput:
time.sleep(1)
return TaskOutput(output="result1")
def slow_task2(context: Context) -> TaskOutput:
time.sleep(1)
return TaskOutput(output="result2")
flow.add_task("starter", starter)
flow.add_task("slow_task1", slow_task1)
flow.add_task("slow_task2", slow_task2)
flow.run("starter")  # 两个任务并行执行，总耗时约1秒

Resultados de streaming

As tarefas podem ser transmitidas para retornar resultados intermediários:

def streaming_task(context: Context) -> TaskOutput:
stream = context.get_stream()
for i in range(3):
stream.put(StreamChunk("streaming_task", f"interim_{i}"))
return TaskOutput(output="final")
flow.add_task("streaming_task", streaming_task)
for task_id, output in flow.stream("streaming_task"):
print(f"{task_id}: {output}")

Fluxo de trabalho dinâmico

As tarefas podem ser agendadas dinamicamente com base em condições:

def conditional_task(context: Context) -> TaskOutput:
count = context.get("count", 0)
if count >= 3:
return TaskOutput(output="done")
context.set("count", count + 1)
return TaskOutput(output=f"iteration_{count}", next_tasks=[NextTask("conditional_task")])
flow.add_task("conditional_task", conditional_task)
flow.run("conditional_task")  # 任务循环3次后完成

parâmetro de entrada

As tarefas podem receber parâmetros de entrada:

def parameterized_task(context: Context) -> TaskOutput:
name = context.get("user_name")
return TaskOutput(output=f"Hello {name}!")
flow.add_task("greet", parameterized_task)
result = flow.run("greet", inputs={"user_name": "Alice"})
print(result)  # 输出: {"greet": "Hello Alice!"}

roteamento dinâmico

As tarefas podem ser roteadas dinamicamente com base na entrada:

def router(context: Context) -> TaskOutput:
task_type = context.get("type")
routes = {
"process": [NextTask("process_task")],
"analyze": [NextTask("analyze_task")],
"report": [NextTask("report_task")]
}
return TaskOutput(output=f"routing to {task_type}", next_tasks=routes.get(task_type, []))
flow.add_task("router", router)
flow.add_task("process_task", lambda ctx: TaskOutput("processed data"))
flow.run("router", inputs={"type": "process"})  # 输出: {"process_task": "processed data"}

Gerenciamento de status

Os estados da tarefa podem ser salvos e carregados:

context = Context()
context.from_dict({"task1": "result1"})
flow = Flow(context=context)
flow.add_task("task2", lambda ctx: TaskOutput("result2"))
flow.run("task2")
assert flow.context.get("task1") == "result1"
assert flow.context.get("task2") == "result2"

Redução de mapas

As tarefas podem executar operações de Map Reduce:

def task1(ctx):
ctx.set("collector", [])
return TaskOutput("result1", next_tasks=[NextTask("task2", spawn_another=True) for _ in range(3)])
def task2(ctx):
collector = ctx.get("collector")
collector.append("result2")
ctx.set("collector", collector)
return TaskOutput("", next_tasks=[NextTask("task3")])
def task3(ctx):
collector = ctx.get("collector")
return TaskOutput(collector)
flow.add_task("task1", task1)
flow.add_task("task2", task2)
flow.add_task("task3", task3)
result = flow.run("task1")
assert result == {"task3": ["result2", "result2", "result2"]}

Agente LLM

Exemplo de um agente LLM para seleção dinâmica de ferramentas:

from typing import List
import json
def llm_agent(context: Context) -> TaskOutput:
prompt = context.get("user_input")
llm_response = {
"reasoning": "Need to search database and format results",
"tools": ["search_db", "format_results"]
}
next_tasks = [NextTask(tool) for tool in llm_response["tools"]]
return TaskOutput(output="LLM agent response", next_tasks=next_tasks)
flow.add_task("llm_agent", llm_agent)
flow.run("llm_agent", inputs={"user_input": "Find data"})