📌 项目地址：PrefectHQ/prefect | ⭐ 23,077 颗星 | 🔧 Python | 📜 未标注
传统脚本的脆弱性
把 Python 脚本跑在 cron 上，看起来解决了定时问题，但遇到网络抖动、API 限流、数据源临时不可用，脚本就挂了。更痛苦的是，你没法知道它什么时候失败，失败后有没有重试，依赖的其他任务有没有跑完。Prefect 正是为了解决这些“生产环境的真实问题”而来：它用 Python 原生的装饰器将函数包装成可观测、可重试、可调度的工作流组件。
三行代码上手：从脚本到工作流
安装 Prefect 需要 Python 3.10+（README 明确要求）：
pip install -U prefect
然后创建一个最简单的 workflow。下面这段代码来自 README 示例，它用 @task 定义一个获取 GitHub star 数的任务，用 @flow 定义包含多个任务的工作流：
from prefect import flow, task
import httpx
@task(log_prints=True)
def get_stars(repo: str):
url = f"https://api.github.com/repos/{repo}"
count = httpx.get(url).json()["stargazers_count"]
print(f"{repo} has {count} stars!")
@flow(name="GitHub Stars")
def github_stars(repos: list[str]):
for repo in repos:
get_stars(repo)
# run the flow!
if __name__ == "__main__":
github_stars(["PrefectHQ/prefect"])
运行后，你已经在本地执行了第一个 Prefect 工作流。但这跟普通脚本没什么区别——真正的好处需要启动 Prefect 的服务器和 UI 来看到：
prefect server start
浏览器访问 http://localhost:4200，就能看到每次 flow 运行的记录、日志、任务状态。你不需要任何额外配置，Prefect 自动追踪所有执行信息。
从手动运行到自动化调度
想让工作流按计划自动执行？只需要把最后一行改成：
if __name__ == "__main__":
github_stars.serve(
name="first-deployment",
cron="* * * * *",
parameters={"repos": ["PrefectHQ/prefect"]}
)
github_stars.serve() 会在本地启动一个进程，按 cron 表达式每分钟拉一次 star 数。serve 是 README 中给出的部署方法——它同时支持设置参数，让同一个 flow 在不同调度中传入不同参数。
之后，你可以从 UI 手动触发任意一次运行，也可以在 CLI 中用 prefect deployment run 触发，甚至暂停、取消某个调度。所有操作都通过该 UI 或 CLI 完成。
核心能力：不只是加了个调度器
Prefect 的真正价值藏在 @task 和 @flow 的参数里。默认情况下，任务失败会自动重试（你可以设置 retries、retry_delay_seconds）；支持缓存（cache_key_fn、cache_expiration），避免重复计算；还可以通过 on_failure、on_completion 等钩子接自定义逻辑。
更重要的是，Prefect 允许你在 flow 中动态构建任务图（DAG 不必预先定义死）。例如在 for 循环中根据运行时数据决定创建多少个任务，这是 Airflow 等传统 DAG 框架很难做到的。Prefect 的 flow 就是普通的 Python 函数，支持条件、循环、异常处理，配合 prefect.context 可以拿到运行时的各种上下文信息。
与 Airflow 等工具的关键区别
| 对比项 | Prefect | Airflow |
|---|---|---|
| DAG 定义方式 | Python 装饰器，运行时动态创建 | Python 脚本 + DAG 文件，静态解析 |
| 本地调试 | 直接 python script.py 即可运行，不需要启动集群 |
需要启动调试环境或本地 Airflow |
| 部署复杂度 | serve() 一行代码即可启动调度 |
需要配置 scheduler、worker、数据库等 |
| 事件驱动 | 原生支持基于外部事件的自动触发 | 需要额外插件或 webhook |
Prefect 的设计哲学是“开发者体验优先”——你不需要学习一套新的 DSL（领域特定语言），只要会用 Python 装饰器就能上手。而 Airflow 适合超大规模、历史包袱重的团队，且愿意接受更陡峭的学习曲线。
需要注意的几点
- 版本要求：Prefect 需要 Python 3.10 及以上（README 明确），许多生产环境可能还停留在 3.8/3.9，升级前需确认。
- 运行模式：
prefect server start启动的是本地单机版，适合开发测试。生产环境推荐使用 Prefect Cloud 或自己挂载持久化数据库的 server。官方区分了开源自托管版本和托管云服务，前者免费，后者有付费层级。 - 任务幂等性：Prefect 的自动重试依赖任务本身的幂等性。如果重试会导致重复写入或副作用，需要自行处理（例如在业务代码中做幂等检查）。
- 社区与文档：Prefect 的文档非常详尽（README 中提供了大量 docs.prefect.io 链接），但部分高级功能（如事件自动化）需要阅读文档才能用好。
总结
Prefect 把“让 Python 脚本生产化”这件事的成本降到了最低：装一个包、加两个装饰器、运行一条 CLI 命令，就能获得调度、重试、缓存、可视化、事件驱动等全套能力。如果你正在用 cron 或简单的 while 循环管理数据流水线，并且希望无痛升级到可观测、可复原的生产级工作流，Prefect 是目前最直接的答案。