Awesome GitHub RepositoriesWorkflow Orchestrators

Payload is a headless content management system and application framework that uses a code-first approach to define data schemas and administrative interfaces. By utilizing a centralized, type-safe configuration object, it automatically generates database schemas, API endpoints, and a fully customizable admin panel. The system is built on a database-agnostic architecture, allowing it to interface with various storage engines while providing a unified, type-safe API for server-side operations, REST, and GraphQL. What distinguishes Payload is its deep extensibility and developer-centric design.

Encore is a distributed systems framework designed to unify backend development, infrastructure provisioning, and observability. It functions as an infrastructure-as-code platform that allows developers to define cloud resources, databases, and messaging topics directly within their application code. By analyzing these declarations at compile-time, the system automatically manages the deployment of cloud resources and security policies, ensuring parity between local development and production environments. The platform distinguishes itself through its integrated development experience, which

Hatchet is an open-source durable workflow engine and task orchestration platform. It provides a framework for building and executing fault-tolerant, multi-step pipelines as directed acyclic graphs (DAGs), with automatic retries, scheduling, and real-time observability. The system is built around durable task checkpointing, which persists execution state after each step so work can resume from the last checkpoint after a worker crash or restart, and it supports event-driven task resumption that pauses a task until a matching external event arrives. The platform distinguishes itself through it

Osmedeus is a security workflow orchestration engine that coordinates AI agents, shell commands, and scanning tools through declarative YAML pipelines. It functions as a distributed security scanner, a declarative workflow automator, and an AI agent framework for security, enabling automated multi-step security analysis with conditional branching, parallel execution, and distributed workers. The engine distinguishes itself through a hybrid runner model that executes workflow steps on the local host, inside Docker containers, or over SSH to remote machines, selected per step or module. It supp

SuperduperDB est un orchestrateur d'agents IA et une plateforme de machine learning intégrée aux bases de données. Il sert de framework pour construire des agents IA avec état et des applications de génération augmentée par récupération (RAG) en intégrant directement les modèles de langage avec les backends de base de données. Le projet permet le déploiement d'une infrastructure d'IA auto-hébergée et la gestion des modèles de langage sur du matériel privé en utilisant des points de contrôle locaux. Il se distingue en permettant aux utilisateurs d'attacher des composants d'IA directement aux champs de données, déclenchant l'exécution du modèle et des transformations automatisées basées sur les insertions et mises à jour de la base de données. La plateforme couvre un large éventail de capacités, incluant l'orchestration de machine learning pour l'entraînement et le fine-tuning, l'intégration de recherche vectorielle pour la récupération multimodale, et une couche de données agnostique au backend qui prend en charge divers moteurs de stockage SQL et NoSQL. Elle fournit également des outils pour l'orchestration de flux de travail déclaratifs et l'empaquetage d'applications IA réutilisables. Le système est implémenté en Python et fournit une API uniforme pour interagir avec plusieurs backends de base de données.

JASONETTE-iOS est un framework d'application mobile piloté par JSON utilisé pour construire des applications iOS en utilisant un balisage JSON déclaratif. Il mappe des données structurées vers des composants iOS natifs et des méthodes système, permettant la définition d'interfaces utilisateur et de réponses aux événements sans écrire de code impératif traditionnel. Le framework inclut un moteur de livraison de logique à distance qui charge la structure et le comportement de l'application via HTTP. Cela permet des mises à jour des interfaces et de la logique applicative « over the air » sans nécessiter la redistribution du binaire de l'application. Le système gère le flux de l'application via une gestion d'état déclarative et une interface de pont natif qui exécute le matériel de l'appareil et les API système. Il peut être utilisé comme outil de développement autonome ou comme extension hybride pour ajouter des ensembles de fonctionnalités dynamiques à des projets iOS natifs existants.

IntelOwl is a threat intelligence platform and security orchestration engine designed to aggregate, analyze, and enrich security observables. It functions as a security incident investigation tool and a threat intelligence aggregator, collecting data on files, domains, and IP addresses from diverse internal and external sources. The system differentiates itself through playbook-based workflow automation, allowing users to define reusable sequences of analysis tasks that trigger subsequent jobs based on prior outputs. It unifies disparate security data into a common schema and utilizes protoco

ThreatHunter-Playbook est une collection de playbooks standardisés, de bibliothèques de détection et de guides de savoir-faire conçus pour informer la planification de la chasse aux menaces. Il fournit un dépôt de détection de sécurité composé de requêtes et d'hypothèses validées, ainsi qu'un guide de savoir-faire des adversaires qui détaille les comportements système et les sources de données associés aux techniques des attaquants. Le projet se concentre sur le développement de plans de chasse et la standardisation de la logique de détection. Il intègre le framework MITRE ATT&CK pour mapper les détections et les hypothèses aux tactiques et techniques des adversaires, garantissant une analyse de couverture structurée. Le dépôt couvre l'exécution des flux de travail de chasse aux menaces via des notebooks interactifs et des analyses. Il inclut des processus pour l'analyse du savoir-faire des adversaires, le développement de règles de détection répétables et l'utilisation d'une logique de regroupement tactique pour organiser les comportements post-compromission.

Ce projet est une bibliothèque de définitions de flux de travail contrôlées par version et une collection de scripts Groovy et d'extraits de configuration pour implémenter l'automatisation de l'intégration et de la livraison continues dans Jenkins. Il sert de référence pour construire des pipelines automatisés en utilisant à la fois une syntaxe déclarative et une logique scriptée. Le dépôt fournit des collections de templates et des modèles d'implémentation pour créer des flux de travail de build et de déploiement de logiciels. Il inclut des fonctions réutilisables et des modèles logiques conçus pour standardiser le comportement des pipelines et éliminer la duplication de code à travers de multiples projets grâce à l'utilisation de bibliothèques partagées. La couverture inclut la gestion du pipeline en tant que code, le développement de bibliothèques globales pour la cohérence organisationnelle, et la définition de cycles de vie de livraison de logiciels automatisés.

Ce projet est une bibliothèque Ruby pour définir et gérer les cycles de vie des objets via des états, des événements et des règles de transition. Il fonctionne comme un moteur de workflow déclaratif qui applique la logique métier en restreignant les changements d'attributs à des chemins prédéfinis et valides au sein des classes Ruby. La bibliothèque se distingue par une intégration profonde avec les couches de persistance de base de données, lui permettant de synchroniser automatiquement les changements d'état avec les modèles de données, les frameworks de validation et la gestion des transactions. Elle prend en charge la configuration dynamique, permettant la construction de règles de cycle de vie au runtime à partir de sources de données externes, et fournit des outils de diagnostic tels que la visualisation graphique des relations d'état et l'analyse des chemins de transition pour auditer les workflows complexes. Au-delà de la gestion des transitions de base, le framework inclut un système de hooks piloté par des callbacks pour exécuter une logique personnalisée lors des mises à jour du cycle de vie et fournit des méthodes pour interroger le statut actuel de l'objet ou vérifier les transitions autorisées. Il dispose également d'une injection de méthode dynamique pour gérer les requêtes d'état et le déclenchement d'événements directement sur les objets.

Ce projet est un générateur de données synthétiques conçu pour créer des jeux de données tabulaires et de séries temporelles réalistes pour les flux de travail de machine learning et de test. Il fonctionne comme une plateforme préservant la confidentialité qui modélise les distributions statistiques sous-jacentes des données sources pour produire de nouveaux enregistrements qui maintiennent les propriétés statistiques et l'intégrité structurelle originales. L'outil se distingue par l'utilisation d'un échantillonnage statistique optimisé pour le CPU, permettant une génération de données haute performance sur du matériel standard sans avoir besoin d'unités de traitement graphique spécialisées. Il utilise un moteur de flux de travail déclaratif piloté par la configuration qui permet aux utilisateurs de gérer et d'exécuter des pipelines de génération via une interface en ligne de commande, supprimant le besoin de codage manuel. Le système intègre un bruit différentiel préservant la confidentialité pour garantir que les points de données individuels ne peuvent pas être ré-identifiés à partir des ensembles générés. Il dispose également d'une validation sensible au schéma pour garantir que toute la sortie reste compatible avec les contraintes de base de données et de machine learning existantes, tandis que sa modélisation de dépendance temporelle capture des modèles séquentiels pour maintenir un flux chronologique réaliste dans les données de séries temporelles.

Dag-factory est un framework pour construire et gérer des pipelines de données Apache Airflow via des fichiers de configuration déclaratifs. En remplaçant le code procédural manuel par des définitions YAML structurées, il permet la génération programmatique de structures de workflow complexes, de dépendances de tâches et de calendriers d'exécution. Le projet se distingue en mappant les clés de configuration directement aux constructeurs de classes et opérateurs Python, permettant l'instanciation dynamique d'objets et une logique personnalisée. Il prend en charge l'héritage de configuration hiérarchique pour standardiser les paramètres entre les environnements et fournit des mécanismes pour injecter des spécifications de pods Kubernetes directement dans les définitions de tâches afin d'assurer une exécution isolée et évolutive. Le framework couvre l'intégralité du cycle de vie du pipeline, incluant la découverte automatique de fichiers, le mappage dynamique au niveau des tâches pour le traitement parallèle et l'attachement de métadonnées pour l'intégration avec des systèmes externes. Il inclut également des utilitaires en ligne de commande pour valider les configurations, déclencher des exécutions et gérer les migrations d'environnement.