PyFlowX

轻量、类型安全的 DAG 任务调度器。

PyFlowX 把"任务依赖"这件事做到极致简单：参数名就是依赖声明。无需装饰器、 无需样板包装器，写一个普通函数，框架按参数名自动注入上游结果。

特性

• 零样板 —— 参数名即依赖，框架自动注入上游结果
• 四种执行策略 —— sequential（调试）/ thread（I/O 密集同步）/ async（I/O 密集异步）/ dependency（依赖驱动，最大化并行）
• 类型安全 —— TaskSpec[T] 把返回类型一路传到 RunReport，mypy strict 通过
• DAG 校验 —— 构建时即时校验重名、缺失依赖、环
• 自动分层 —— Kahn 算法分组，同层任务可并行
• 重试与超时 —— 每个任务独立配置 RetryPolicy（max_attempts/delay/backoff/jitter/retry_on）与 timeout
• 软依赖 —— soft_depends_on 仅用于上下文注入，不参与拓扑分层
• 并发限制 —— concurrency_key + concurrency_limits 按组限流
• 任务钩子 —— TaskHooks（pre_run/post_run/on_failure）生命周期回调
• 断点续跑 —— MemoryBackend / JSONBackend，成功结果可缓存复用；batch() 批量落盘；invalidate(key) 单键失效
• 缓存键 —— cache_key 函数基于输入计算稳定键，使不同输入产生独立缓存
• 缓存驱逐 —— MemoryBackend(maxsize=N) LRU 驱逐最旧条目；TTL 过期自动忽略
• 命令任务 —— cmd 参数直接执行外部命令，支持列表/shell/可调用对象
• 条件执行 —— conditions 参数按平台、环境变量、应用安装等条件跳过任务
• 图组合 —— compose / GraphComposer 编程式展开多图字符串引用
• 任务模板 —— task_template 工厂批量生成相似 TaskSpec
• 图级默认值 —— GraphDefaults 统一配置 retry/timeout/concurrency 等
• CLI 运行器 —— CliRunner 把多个图映射为命令行子命令，替代 Makefile
• 可观测 —— on_event 回调（RUNNING/SUCCESS/FAILED/SKIPPED）、dry_run 预览、verbose 生命周期日志、Mermaid 可视化
• 进度监控 —— run(progress=True) 开箱即用的 rich 进度条；ProgressCallback 协议供程序化集成
• 任务通知 —— Notifier 协议支持飞书/钉钉/企业微信/Slack/Discord/Telegram webhook 与 Python 回调，全生命周期事件可配置
• 流式获取 —— run_iter() 生成器逐个 yield 任务结果，适用于大量任务逐个处理
• 任务取消 —— CancelToken 线程安全取消令牌，支持外部取消与 KeyboardInterrupt 优雅停止
• 子图执行 —— run(only=[...], tags=[...]) 按名称或标签运行图的子集，自动包含传递依赖
• 结果序列化 —— RunReport.to_json() / to_dict() / to_csv() / to_html() 多格式导出运行结果，from_json() 支持反序列化重建；HTML 报告自包含内联 CSS，适合浏览器直接打开或邮件分享
• CLI 可视化 —— pf graph <yaml> 终端 DAG 渲染（ASCII 分层树按标签着色 / Mermaid / 依赖表），pf yamlrun --progress rich 进度条，pf info [tool] 工具详情，pf completion bash|zsh|fish shell 补全
• 失败诊断 —— RunReport.diagnose() 自动分析根因、依赖链回溯、相似失败聚类与可操作建议；CLI 失败时自动打印诊断摘要
• 可观测性 —— run_id 贯穿日志/序列化/诊断；结构化日志 extra 含 task_name/status/attempts/error_type；profile(graph) 离线性能分析（关键路径/并行度/瓶颈）
• 状态后端 —— MemoryBackend / JSONBackend / SQLiteBackend（WAL 模式，适合大规模任务）
• YAML 任务编排 —— GitHub Actions 风格 jobs/needs/strategy.matrix/if 条件，pf yamlrun pipeline.yaml 一键执行
• 最小依赖 —— rich + typer + typing-extensions（3.13 以下）+ pyyaml；安装 orjson 可加速 JSON 序列化（pip install pyflowx[fast]）
• 97% 测试覆盖 —— 分支覆盖率 >= 95%

安装

pip install pyflowx

或使用 uv：

uv add pyflowx

快速上手

import pyflowx as px


def extract() -> list[int]:
    return [1, 2, 3]


# 参数名 extract 自动匹配上游任务名 → 自动注入
def double(extract: list[int]) -> list[int]:
    return [x * 2 for x in extract]


graph = px.Graph.from_specs([
    px.TaskSpec("extract", extract),
    px.TaskSpec("double", double, ("extract",)),
])

report = px.run(graph, strategy="sequential")
print(report["double"])  # [2, 4, 6]

核心概念

TaskSpec —— 任务描述

TaskSpec 是不可变的任务描述符（Generic[T]，返回类型一路传到 RunReport），是唯一需要配置的东西：

px.TaskSpec(
    name="fetch_user",  # 唯一标识
    fn=fetch_user,  # 同步或异步函数
    cmd=["curl", "..."],  # 或: 执行命令（覆盖 fn）
    depends_on=("auth",),  # 硬依赖（参与拓扑分层）
    soft_depends_on=("cache",),  # 软依赖（仅注入，不参与分层）
    args=(uid,),  # 静态位置参数（追加在注入参数后）
    kwargs={"timeout": 30},  # 静态关键字参数
    retry=px.RetryPolicy(max_attempts=3, delay=1.0, backoff=2.0),  # 重试策略
    timeout=30.0,  # 超时秒数（None = 不限制）
    tags=("api", "user"),  # 自由标签，用于子图过滤
    conditions=(is_prod,),  # 条件函数列表（全部为 True 才执行）
    priority=10,  # 同层内优先级（高优先执行，默认 0）
    concurrency_key="db",  # 并发分组键（配合 concurrency_limits 限流）
    cache_key=lambda ctx: str(ctx.get("uid")),  # 缓存键函数（不同输入独立缓存）
    hooks=px.TaskHooks(pre_run=..., post_run=..., on_failure=...),  # 生命周期钩子
    cwd=Path("/tmp"),  # 命令工作目录（仅 cmd 模式）
    env={"DEBUG": "1"},  # 环境变量覆盖（fn 与 cmd 模式均生效）
    verbose=True,  # 打印命令输出（仅 cmd 模式）
    skip_if_missing=True,  # 命令不存在时自动跳过（仅 list[str] cmd）
    allow_upstream_skip=False,  # 上游 SKIPPED/FAILED 时是否仍执行
    continue_on_error=False,  # 本任务失败是否不中断整体
)

支持两种任务形态：

• 函数任务（fn）：普通 Python 函数，参数名驱动自动注入
• 命令任务（cmd）：执行外部命令，支持 list[str]、str（shell）、Callable 三种形态

skip_if_missing=True 时，list[str] 类型的 cmd 会通过 shutil.which 检查命令是否存在，不存在则跳过任务（标记为 SKIPPED）而非失败。适用于构建工具场景，避免因未安装某些工具而导致整个图执行失败。

Graph —— DAG 构建

# 图级默认值：TaskSpec 字段为 None 时回退
defaults = px.GraphDefaults(retry=px.RetryPolicy(max_attempts=2), timeout=60.0)

graph = px.Graph.from_specs([...], defaults=defaults)  # 整批校验（推荐）
# 或增量构建
graph = px.Graph(defaults=defaults)
graph.add(px.TaskSpec("a", fn_a))
graph.add(px.TaskSpec("b", fn_b, ("a",)))

graph.validate()  # 显式校验（环检测）
graph.layers()  # 拓扑分层（run() 入口已统一校验，直接调用需自行先 validate）
graph.to_mermaid()  # Mermaid 可视化
graph.describe()  # 人类可读摘要
graph.subgraph(("api",))  # 按标签切片
graph.subgraph_by_names(("a", "b"))  # 按名称切片
graph.map("fetch", [1, 2, 3], lambda i: TaskSpec(f"fetch_{i}", ...))  # 批量 fan-out

图组合 —— compose

compose / GraphComposer 把带字符串引用的多个图展开为纯 Graph：

graphs = {
    "build": px.Graph.from_specs([px.TaskSpec("b", cmd=["echo", "b"])]),
    "all": px.Graph.from_specs(["build", px.TaskSpec("t", cmd=["echo", "t"])]),
}
resolved = px.compose(graphs)  # "all" 图中的 "build" 引用被展开

引用格式："command_name"（整个图）或 "command_name.task_name"（特定任务）。 CliRunner 内部自动调用 compose。

YAML 任务编排

GitHub Actions 风格的 YAML 文件直接加载为 Graph，支持 jobs/needs/strategy.matrix/if/continue-on-error/env/defaults，以及 matrix.include/exclude 过滤、条件依赖（needs: [{job: ..., if: ...}]）、outputs 声明：

# pipeline.yaml
strategy: thread
defaults:
  retry: {max_attempts: 3}
  env: {CI: "true"}

jobs:
  setup:
    cmd: ["echo", "setup"]
    runs-on: linux

  build:
    needs: [setup]
    cmd: ["echo", "build-${{ matrix.version }}"]
    strategy:
      matrix:
        version: ["3.10", "3.11", "3.12"]
        os: ["linux", "macos"]
        exclude:
          - version: "3.10"
            os: "macos"
        include:
          - version: "3.13"
            os: "linux"
    if: "env.CI"
    outputs:
      version: "${{ matrix.version }}"

  deploy:
    needs:
      - job: build
        if: "env.BRANCH == 'main'"
    cmd: ["echo", "deploy"]

  test:
    needs: [build]
    cmd: ["echo", "test"]
    continue-on-error: true

import pyflowx as px

graph = px.Graph.from_yaml("pipeline.yaml")
# 或从字符串解析：graph = px.parse_yaml_string("...")
report = px.run(graph, strategy="thread")

CLI 一键执行：

pf yamlrun pipeline.yaml              # 执行
pf yamlrun pipeline.yaml --dry-run    # 仅预览，不执行
pf yamlrun pipeline.yaml --list       # 列出所有任务
pf yamlrun pipeline.yaml --quiet      # 静默模式
pf yamlrun pipeline.yaml --strategy sequential  # 覆盖策略

字段映射：

任务模板 —— task_template

task_template 工厂批量生成相似 TaskSpec：

fetch = px.task_template(
    fn=fetch_url,
    retry=px.RetryPolicy(max_attempts=5),
    timeout=30.0,
    tags=("api",),
)
graph = px.Graph.from_specs([
    fetch("users", url="https://api.example.com/users"),
    fetch("posts", url="https://api.example.com/posts"),
])

run —— 执行

report = px.run(
    graph,
    strategy="async",  # sequential | thread | async | dependency
    max_workers=8,  # thread 策略的线程池大小
    concurrency_limits={"db": 2},  # 按 concurrency_key 限流
    dry_run=False,  # True = 仅打印计划
    verbose=False,  # True = 打印任务生命周期日志
    on_event=callback,  # 状态转换回调（RUNNING/SUCCESS/FAILED/SKIPPED）
    state=px.JSONBackend("state.json"),  # 断点续跑后端
    continue_on_error=False,  # True = 单任务失败不中断整体
)

RunReport —— 结果

report["task_name"]  # 任务返回值
report.result_of("task_name")  # 完整 TaskResult
report.success  # 整体是否成功
report.summary()  # 统计字典
report.failed_tasks()  # 失败任务名列表
report.describe()  # 人类可读报告

上下文注入规则

按顺序求值：

1. 标注为 Context 的参数 → 接收完整上游结果映射
2. 名称匹配依赖 的参数 → 接收该依赖的结果（含软依赖，缺失时注入默认值）
3. **kwargs 参数 → 接收所有依赖结果（dict）
4. TaskSpec.args / kwargs → 为非依赖参数提供静态值

from typing import Any, Dict


def aggregate(ctx: px.Context) -> Dict[str, Any]:
    """ctx 包含所有 depends_on 任务的返回值。"""
    return dict(ctx)


def merge(fetch_a: str, fetch_b: str) -> str:
    """fetch_a / fetch_b 自动注入。"""
    return fetch_a + fetch_b


def fetch_user(uid: int) -> dict:  # uid 来自 TaskSpec.args
    ...

执行策略对比

所有策略都遵循 RetryPolicy、timeout、上下文注入、状态后端、concurrency_limits， 并发出 TaskEvent（RUNNING/SUCCESS/FAILED/SKIPPED）。dependency 策略无层屏障： 任务在其所有硬依赖完成后立即启动。

命令任务

TaskSpec 的 cmd 参数支持执行外部命令，无需包装 Python 函数：

graph = px.Graph.from_specs([
    # 命令列表（推荐，参数无需转义）
    px.TaskSpec("list_files", cmd=["ls", "-la"]),
    # shell 字符串（支持管道、重定向）
    px.TaskSpec("check_git", cmd="git status | head"),
    # 带工作目录与超时
    px.TaskSpec("build", cmd=["make", "all"], cwd=Path("/project"), timeout=300),
    # 命令不存在时自动跳过（而非失败）
    px.TaskSpec("optional_tool", cmd=["maturin", "build"], skip_if_missing=True),
])

verbose=True 时打印执行的命令、工作目录、返回码与输出；verbose=False 时静默执行（失败信息仍包含 stderr）。

skip_if_missing=True 时，list[str] 类型的 cmd 会通过 shutil.which 检查命令是否存在，不存在则跳过任务（标记为 SKIPPED）而非失败。适用于构建工具场景，避免因未安装某些工具而导致整个图执行失败。对于 str（shell）和 Callable 类型的 cmd，此参数无效。

条件执行

conditions 参数让任务按条件跳过（标记为 SKIPPED）：

from pyflowx.conditions import IS_WINDOWS, BuiltinConditions

graph = px.Graph.from_specs([
    # 仅在 Windows 上运行
    px.TaskSpec("win_only", cmd=["dir"], conditions=(IS_WINDOWS,)),
    # 仅在 git 已安装时运行
    px.TaskSpec(
        "git_check",
        cmd=["git", "--version"],
        conditions=(BuiltinConditions.HAS_INSTALLED("git"),),
    ),
    # 组合条件
    px.TaskSpec(
        "prod_deploy",
        fn=deploy,
        conditions=(
            BuiltinConditions.ENV_VAR_EQUALS("ENV", "prod"),
            BuiltinConditions.HAS_INSTALLED("docker"),
        ),
    ),
])

内置条件：IS_WINDOWS / IS_LINUX / IS_MACOS / IS_POSIX / PYTHON_VERSION / HAS_INSTALLED / ENV_VAR_EXISTS / ENV_VAR_EQUALS / NOT / AND / OR。

CLI 运行器

CliRunner 把多个 Graph 映射为命令行子命令，适合构建项目专属构建工具（替代 Makefile）：

runner = px.CliRunner(
    strategy="sequential",
    description="My Build Tool",
    graphs={
        "clean": clean_graph,
        "build": build_graph,
        "test": test_graph,
    },
)
runner.run_cli()  # 解析 sys.argv 并执行

命令行用法：

pf pymake clean           # 执行 clean 图
pf pymake build --strategy thread   # 覆盖执行策略
pf pymake test --dry-run  # 仅打印执行计划
pf pymake --list          # 列出所有命令
pf pymake --quiet         # 静默模式

verbose=True（默认）时打印任务生命周期（开始/成功/失败/跳过）与命令输出；--quiet 关闭。

断点续跑

from pyflowx import JSONBackend

# 第一次运行：成功结果写入 state.json
backend = JSONBackend("state.json", ttl=3600)  # ttl 秒数，过期条目自动忽略
report = px.run(graph, strategy="sequential", state=backend)

# 第二次运行：已缓存任务自动跳过（状态为 SKIPPED）
report = px.run(graph, strategy="sequential", state=backend)

run() 内部以 backend.batch() 包裹整个执行：所有 save 延迟到运行结束时统一落盘一次 （JSONBackend 从 O(N²) 降为 O(N) 磁盘写入；MemoryBackend 为 no-op）。

缓存键：默认存储键为任务名。配置 cache_key 函数后，键为 "name:cache_key_value"， 使不同输入产生独立缓存条目：

px.TaskSpec(
    "fetch_user",
    fn=fetch_user,
    cache_key=lambda ctx: str(ctx.get("uid")),  # 不同 uid 独立缓存
)

LRU 驱逐：MemoryBackend(maxsize=N) 限制最大条目数，超限时按 LRU（最近最少使用） 策略驱逐最旧条目。get/has 命中会将条目移到最近使用位置：

from pyflowx import MemoryBackend

backend = MemoryBackend(maxsize=100)  # 最多 100 条，超出驱逐最旧

手动失效：invalidate(key) 删除单个键的缓存，clear() 清除全部：

backend.invalidate("fetch_user")  # 删除单个键，返回是否已删除
backend.clear()  # 清除全部

错误处理

所有错误都是 PyFlowXError 的子类：

try:
    report = px.run(graph, strategy="async")
except px.TaskFailedError as exc:
    print(f"{exc.task} 失败: {exc.cause}（尝试 {exc.attempts} 次）")
except px.PyFlowXError:
    # 捕获整个错误家族
    raise

与其他库对比

PyFlowX 专注于单机 DAG 调度的极致简洁，适合 ETL、数据处理、CI 流水线等场景。

高级特性

并发限制

按 concurrency_key 分组限流，避免压垮下游资源：

graph = px.Graph.from_specs([
    px.TaskSpec("q1", fn=query_db, concurrency_key="db"),
    px.TaskSpec("q2", fn=query_db, concurrency_key="db"),
    px.TaskSpec("q3", fn=query_db, concurrency_key="db"),
])
# 同一时刻最多 2 个 "db" 组任务运行
px.run(graph, strategy="async", concurrency_limits={"db": 2})

任务钩子

TaskHooks 在任务生命周期触发（异常仅记录，不影响任务状态）：

hooks = px.TaskHooks(
    pre_run=lambda spec: print(f"start {spec.name}"),
    post_run=lambda spec, value: print(f"done {spec.name}"),
    on_failure=lambda spec, exc: alert(spec.name, exc),
)
px.TaskSpec("task", fn=work, hooks=hooks)

优先级

同层内按 priority 降序执行（稳定排序）：

px.TaskSpec("low", fn=work, priority=0)
px.TaskSpec("high", fn=work, priority=10)  # 同层内先执行

任务取消

CancelToken 提供线程安全的取消信号，传入 run(cancel_event=...) 即可外部取消正在执行的图。 KeyboardInterrupt（Ctrl+C）也会触发相同的优雅取消流程：

token = px.CancelToken()

# 在另一个线程中触发取消
import threading


def cancel_later():
    import time

    time.sleep(2)
    token.cancel("超时取消")


threading.Thread(target=cancel_later, daemon=True).start()

# 取消后：待运行任务标记 SKIPPED，运行中任务等待完成，report.success = False
report = px.run(graph, strategy="dependency", cancel_event=token)
for name, result in report.results.items():
    print(f"{name}: {result.status.value}")

也支持标准 threading.Event 作为取消信号：

event = threading.Event()
px.run(graph, cancel_event=event)

子图执行

run(only=...) / run(tags=...) 只运行指定任务及其传递依赖，适用于调试单个任务或增量执行：

# 只运行 "report" 任务及其所有上游依赖
report = px.run(graph, only=["report"])

# 按标签过滤：只运行带 "ingest" 标签的任务及其依赖
report = px.run(graph, tags=["ingest"])

# 两者可组合（取并集）
report = px.run(graph, only=["report"], tags=["ingest"])

CLI 也支持 --only / --tags：

pf yamlrun pipeline.yaml --only report,deploy
pf yamlrun pipeline.yaml --tags ingest,report

结果序列化

RunReport 支持将运行结果导出为 JSON / dict / CSV，便于持久化、跨进程传输或对接外部工具：

report = px.run(graph, strategy="sequential")

# JSON 字符串（含 success/summary/results）
text = report.to_json(indent=2)

# JSON 兼容字典
data = report.to_dict()

# CSV 表格导出（不含 value 列以避免特殊字符干扰）
csv_text = report.to_csv(include_value=False)

任务返回值可能是任意 Python 对象（不一定 JSON 可序列化）。默认策略： 可序列化原样保留，不可序列化回退到 repr(value)；调用方可通过 value_serializer 自定义：

# 自定义值序列化（如把 Path 转为字符串）
text = report.to_json(value_serializer=str)

from_json() 可从 JSON 字符串重建 RunReport，仅供查询/分析，不能重新 执行（TaskSpec 的 fn/cmd 等不可序列化字段无法恢复）：

restored = px.RunReport.from_json(text)
print(restored["double"])  # 任务返回值
print(restored.result_of("a").status)  # TaskStatus

CLI 可视化

pf graph <yaml> 在终端可视化任务图 DAG，无需运行即可检查依赖关系：

# 默认 ASCII 渲染：分层树（按标签着色） + 依赖关系表
pf graph pipeline.yaml

# 输出 Mermaid 语法（可粘贴到 mermaid.live）
pf graph pipeline.yaml --format mermaid

# 自定义方向
pf graph pipeline.yaml --format mermaid --orientation LR

# 仅列出任务名
pf graph pipeline.yaml --format list

# 纯依赖关系表
pf graph pipeline.yaml --format deps

# 关闭标签着色（统一单色）
pf graph pipeline.yaml --color-by none

ASCII 模式默认 --color-by tag，按任务首标签选择 rich 颜色并在图下方 显示标签颜色图例，便于视觉分组。

pf yamlrun 新增 --progress 选项，启用 rich 进度条显示运行中任务、完成 数与耗时：

pf yamlrun pipeline.yaml --progress

任务列表过滤

pf yamlrun --list 支持 --list-tag / --list-name 过滤，便于大型 YAML 中快速定位任务：

# 列出所有任务
pf yamlrun pipeline.yaml --list

# 只列出含 ingest 标签的任务
pf yamlrun pipeline.yaml --list --list-tag ingest

# 按任务名子串过滤（大小写不敏感）
pf yamlrun pipeline.yaml --list --list-name extract

# 组合过滤（交集）
pf yamlrun pipeline.yaml --list --list-tag ingest --list-name extract

工具详情与 Shell 补全

pf info [tool] 显示工具详情：

# 列出所有工具的简表（含子命令数、描述）
pf info

# 显示指定工具的子命令详情
pf info clr
pf info gittool

pf completion <shell> 生成 shell 补全脚本，提升日常使用体验：

# bash —— 添加到 ~/.bashrc
pf completion bash >> ~/.bashrc

# zsh —— 添加到 ~/.zshrc
pf completion zsh >> ~/.zshrc

# fish —— 保存到 ~/.config/fish/completions/pf.fish
pf completion fish > ~/.config/fish/completions/pf.fish

补全脚本覆盖所有内建命令（yamlrun/graph/info/completion）与 @px.tool 注册的工具名；二级补全交给具体子命令的 --help 自描述。

失败诊断

运行失败时，RunReport.diagnose() 自动生成结构化诊断报告，包含：

• 根因任务：FAILED 且所有硬依赖非 FAILED 的任务（依赖链中最先出问题的环节）
• 依赖链回溯：从根因到每个失败任务的路径
• 相似失败聚类：按 (异常类型, 消息前缀) 聚类，发现批量失败模式
• 可操作建议：识别 FileNotFoundError/ImportError/TimeoutError 等常见异常并给出提示

report = px.run(graph, strategy="sequential")
if not report.success:
    diag = report.diagnose()
    if diag is not None:
        print(diag.describe())
        # 根因任务
        print(diag.root_causes)
        # 依赖链
        for chain in diag.dependency_chains:
            print(f"{chain.failed_task}: {' -> '.join(chain.chain)}")

pf yamlrun 失败时自动打印诊断摘要到 stderr：

pf yamlrun pipeline.yaml  # 失败时自动输出诊断报告

report.describe() 在失败时也会附诊断摘要。

可观测性

每次 run() 自动生成 8 字符十六进制 run_id，作为本次运行的唯一追踪 ID， 贯穿日志、序列化结果与诊断报告：

report = px.run(graph)
print(report.run_id)  # 如 "a3f4b2c1"
print(report.summary()["run_id"])  # summary 也含 run_id

run_id 通过结构化日志的 extra 字段注入所有执行器日志，便于跨系统关联。 日志格式遵循 logging 标准延迟格式化，extra 字段包括：

• run_id —— 本次运行 ID
• task_name —— 任务名（任务级日志）
• status —— 任务状态（running/success/failed/skipped）
• attempts —— 尝试次数（失败日志）
• error_type —— 异常类型名（失败日志）

import logging

logging.basicConfig(level=logging.INFO)
# 日志输出示例：
# INFO 运行开始: run_id=a3f4b2c1 strategy=dependency tasks=3
# INFO task 'a' skipped (cached)
# WARNING task 'b' failed (attempt 1/3): RuntimeError('boom'); retrying
# INFO 运行结束: run_id=a3f4b2c1 success=False tasks=3

to_json() / to_dict() / from_json() 同步保留 run_id，反序列化时可还原： 旧版 JSON（无 run_id 字段）会自动生成新 ID，向前兼容。

report.profile(graph) 返回 ProfileReport，基于 started_at/finished_at 做离线性能分析（关键路径、并行度、Top 瓶颈），零运行时开销：

profile = report.profile(graph)
print(profile.describe())  # 人类可读报告
print(profile.critical_path)  # 关键路径任务序列
bottlenecks = profile.top_bottlenecks(5)  # Top-5 瓶颈任务

开发

# 安装开发依赖
uv sync --extra dev

# 运行测试（含覆盖率，阈值 95%）
uv run pytest --cov=pyflowx --cov-fail-under=95

# 类型检查
uv run pyrefly check .

# 代码风格
uv run ruff check .
uv run ruff format --check .

模块结构

核心

CLI 工具

许可证

MIT