Dagu vs Kestra
Dagu vs Kestra: одна идея YAML, совсем разный след.
Dagu и Kestra декларативно описывают workflows в YAML, поэтому настоящий выбор касается runtime и зависимостей. Dagu — это самодостаточный единый бинарник, который вызывает команды, уже имеющиеся у вас. Kestra работает на JVM, за ней стоит database, а сверху расположен большой каталог плагинов.
# backup.yaml
schedule: "0 4 * * *"
steps:
- id: dump
run: pg_dump -Fc appdb -f /backups/appdb.dump
- id: upload
run: aws s3 cp /backups/appdb.dump s3://acme-backups/
retry_policy:
limit: 3
interval_sec: 60
depends: [dump]
- id: prune
run: ./scripts/prune-backups.sh --keep=30
depends: [upload]
Execution order
Единый бинарник без JVM
Нет внешней database или брокера для обслуживания
Executor'ы для shell, Docker, HTTP, SSH, SQL, sub-workflows и AI-агентов
Работает в режимах local, queue и распределенном
At a glance
Dagu vs Kestra кратко
Единый бинарник на Go, без JVM.
Java-приложение на JVM.
Локальные файлы, без внешней database или брокера.
Database для ядра; Kafka и Elasticsearch для масштаба.
Прямой вызов команд через встроенные executor'ы.
Большой каталог из 1400+ плагинов.
In depth
Where each tool fits
Что общего у двух инструментов
И Dagu, и Kestra декларативны. Вы пишете workflow в YAML, ведете версии в git и запускаете на своей инфраструктуре. Разница в том, что должно работать под каждым из них.
- Декларативные YAML-workflows, которые можно ревьюить в pull request
- Веб-UI для запусков, логов и истории
- Self-hosted, поэтому данные остаются в вашем окружении
Почему Dagu легче в эксплуатации
Dagu поставляется как один бинарник на Go и хранит состояние в локальных файлах. Нет JVM для тюнинга и нет отдельного хранилища, которое нужно поддерживать. Kestra работает на Java и требует database для ядра, а конфигурации высокой доступности добавляют такие компоненты, как Kafka и Elasticsearch.
- Один бинарник на файлах, без JVM и без внешней базы данных
- Каждый шаг запускает команду, контейнер или скрипт, которым уже пользуется
- Начните на одном хосте и позже перейдите на queue или распределенные worker'ы
Когда выбрать Kestra
Kestra хорошо подходит, когда нужен широкий каталог плагинов и редактирование через UI в большом масштабе. Ее экосистема плагинов и компания за ней крупнее, чем у Dagu, и для некоторых команд это важно.
- Вам нужен большой каталог готовых плагинов вместо прямого вызова команд
- Вы предпочитаете строить и править flows в UI-редакторе с поддержкой API
- Вы планируете платформу высокой доступности и готовы держать Kafka и Elasticsearch
FAQ
Practical questions before adopting Dagu
Заменяет ли Dagu Kestra?
Для многих команд да. Если ваши workflows работают как команды, контейнеры, HTTP-вызовы, SSH-задачи или SQL, Dagu покрывает их с гораздо меньшим следом. Если вы опираетесь на большой каталог плагинов Kestra или ее UI-редактор в большом масштабе, Kestra подойдет лучше.
Оба используют YAML, в чем тогда разница?
YAML похож по духу. Разница ниже уровнем. Dagu — это один бинарник без JVM и без внешней database, а Kestra работает на Java с database и добавляет Kafka и Elasticsearch для высокой доступности.
У Dagu столько же интеграций, сколько у Kestra?
Нет. У Kestra больший каталог плагинов и маркетплейс плагинов. У Dagu меньший набор встроенных executor'ов, и он предполагает вызов существующих команд, скриптов и контейнеров вместо установки плагинов.
Next step
Start with one workflow.
Install Dagu, move one fragile script or agent task into YAML, and decide from a real run history.