Daisy-DAG：生產級有向無環圖工作流引擎

背景

Daisy-DAG 是一個基於 YAML 定義的生產級有向無環圖（DAG）工作流引擎，旨在提供驗證、執行與視覺化工作流的功能，並支援並行執行、重試機制、條件分支與插件化操作。該專案在 Hacker News 上引發了關於工作流編排工具設計哲學的廣泛討論，特別是針對定義語言的選擇以及新興工具如何與成熟框架競爭等議題。

社群觀點

針對 Daisy-DAG 宣稱的「生產級」定位，社群普遍抱持懷疑態度。多位開發者指出，該專案在 GitHub 上的提交次數極少且缺乏測試覆蓋率說明，認為這類詞彙更像是大型語言模型（LLM）生成的行銷術語，而非經過實戰檢驗的結果。在技術選型上，使用 YAML 作為工作流定義語言成為爭論焦點。反對者認為 YAML 並非配置語言，將其用於描述複雜邏輯會導致難以閱讀、除錯與測試的「YAML 地獄」，並主張應採用具備類型檢查的程式語言（如 TypeScript 或 Python）來定義工作流，因為工作流本質上是程式碼而非單純的設定檔。

然而，也有開發者對此持開放態度，認為工作流引擎應作為一種抽象層，其核心職責是執行與建模，而前端定義層可以具備多樣性。部分討論者分享了在處理 AI 自動化流程時的經驗，發現雖然 YAML 是 LLM 預設的輸出格式，但其缺乏組合性且過於冗長，最終仍轉向使用 Python 以獲得更好的程式化控制。此外，社群也將 Daisy-DAG 與 Airflow、Dagster、Temporal 等成熟的編排工具進行對比。有觀點認為，新一代工具的機會在於提供「零依賴」的二進位檔案（如 Rust 或 Go 編寫），以簡化部署與維護成本，而非僅僅在 DSL 層面做文章。

另一派討論則聚焦於工作流語言的本質。有專家建議，理想的工作流語言應是圖靈完備的函數式語言，以便在支援自動並行的同時，處理中間數據的複雜轉換。對於一般使用者而言，工作流引擎的價值在於解決分散式任務的重試、錯誤處理與狀態持久化，這也是為何如 Temporal 或 DBOS 等強調「持久化工作流」的工具在討論中被高度推薦。整體而言，社群認為 Daisy-DAG 雖然是一個有趣的練習，但在功能完整性與生態系支持上，仍難以與現有的工業級解決方案抗衡。

延伸閱讀

在討論過程中，參與者推薦了多款具備不同特性的工作流與編排工具。在持久化與分散式執行方面，Temporal 是目前公認的基準，而 DBOS 則因其基於資料庫的操作模式被視為更易上手的替代方案。若追求單一二進位檔案的簡潔性，Restate 被視為值得關注的新秀。在學術與函數式語言領域，Rex 專案及其相關論文探討了工作流語言的理論基礎。此外，針對不同語言實現的類似專案還包括 Go 語言開發的 daggo，以及專注於前端視覺化設計的 sequential-workflow-designer。對於追求現代化配置管理的開發者，mgmt 專案則提供了另一種將配置管理與工作流引擎結合的思路。