Създаване на работен поток
На тази страница
Ролята на работния поток
Работният поток е оркестрационният слой на Вашето приложение. Той дефинира какво трябва да се случи, в какъв ред и при какви условия – без самият той да изпълнява работата. Конкретно, той координира дейностите, изчаква външни събития, управлява таймери и условни разклонения, но никога не осъществява мрежови връзки или достъп до диска.
Можете да обобщите това в една фраза, която да помните всеки път, когато преглеждате код: дейностите вършат работата, работният поток я направлява. Ако видите httpx или open() вътре в клас на работен поток, нещо трябва да бъде преместено.
Структура на работния поток
Работният поток е Python клас, декориран с @workflows.workflow.define(), съдържащ входен метод, декориран с @workflows.workflow.entrypoint:
import mistralai.workflows as workflows
@workflows.workflow.define(name="mon_premier_workflow")
class MonPremierWorkflow:
@workflows.workflow.entrypoint
async def run(self, nom: str) -> dict:
"""Workflow entry point."""
resultat = await saluer(nom)
return resultat
Декораторът @workflows.workflow.define(name="...") регистрира класа като работен поток. name, което той получава, е уникалният идентификатор, който ще използвате за стартиране на изпълнение – това е низът, а не името на Python класа, което вижда извикващият. Декораторът @workflows.workflow.entrypoint маркира метода, извикван при стартиране. Първият параметър, self, остава екземплярът на класа, както при всеки Python обект, и всяко извикване на дейност използва await.
Пълен пример: конвейер за обработка
Ето един реалистичен работен поток, който оркестрира множество дейности за обработка на документ. Обърнете внимание на разделението на труда: трите функции в началото съдържат целия код, който взаимодейства с външния свят, докато класът в долната част просто свързва извикванията с await и сглобява резултата.
import mistralai.workflows as workflows
from mistralai.client import Mistral
# --- Activities ---
@workflows.activity()
async def extraire_texte(url_document: str) -> dict:
"""Download and extract text from a document."""
async with httpx.AsyncClient() as client:
response = await client.get(url_document)
texte = response.text
return {"texte": texte, "longueur": len(texte)}
@workflows.activity()
async def analyser_avec_mistral(texte: str) -> dict:
"""Analyze text with Mistral to extract key points."""
client = Mistral()
response = await client.chat.complete_async(
model="mistral-large-latest",
messages=[
{"role": "system", "content": "Extract the 5 key points from this text."},
{"role": "user", "content": texte}
]
)
return {"analyse": response.choices[0].message.content}
@workflows.activity()
async def sauvegarder_resultat(analyse: dict) -> dict:
"""Save the analysis result."""
async with httpx.AsyncClient() as client:
response = await client.post(
"https://api.example.com/rapports",
json=analyse
)
return {"id_rapport": response.json()["id"]}
# --- Workflow ---
@workflows.workflow.define(name="pipeline_analyse_document")
class PipelineAnalyseDocument:
@workflows.workflow.entrypoint
async def run(self, url_document: str) -> dict:
"""Orchestrate extraction, analysis, and saving."""
# Step 1: Extract text
extraction = await extraire_texte(url_document)
# Step 2: Analyze with Mistral
analyse = await analyser_avec_mistral(extraction["texte"])
# Step 3: Save
sauvegarde = await sauvegarder_resultat(analyse)
return {
"url_source": url_document,
"longueur_texte": extraction["longueur"],
"id_rapport": sauvegarde["id_rapport"]
}
Всяко await в работния поток представлява точка на запазване. Струва си да проверите това мислено с горния пример: ако процесът се провали между стъпка 2 и стъпка 3, документът няма да бъде изтеглен отново и моделът няма да бъде извикан пак – следователно няма допълнителни такси за токени. Работният поток ще възобнови изпълнението директно от стъпката за запазване.
Издръжливост на работния поток
Работните потоци оцеляват при рестартирания, сривове в инфраструктурата и преходни грешки, защото платформата записва всяко събитие и реконструира състоянието на работния поток по време на повторното изпълнение. Тази реконструкция е надеждна само при едно условие, споменато по-рано: кодът на работния поток винаги трябва да произвежда една и съща последователност от операции за едни и същи входни данни. Това е ограничението за детерминизъм. Ще разгледаме подробностите в урок 8.
Работен поток с условно разклоняване
Работният поток не се ограничава до линейна последователност. Той може да съдържа условна логика, както в този пример за обработка на поръчки, където пътят зависи от наличността на стока:
@workflows.workflow.define(name="traitement_commande")
class OrderProcessing:
@workflows.workflow.entrypoint
async def run(self, order: dict) -> dict:
# Check stock
stock = await check_stock(order["produit_id"])
if stock["disponible"]:
# Standard path
payment = await process_payment(order["montant"])
shipment = await prepare_shipment(order)
await send_confirmation(order["email"], shipment)
return {"status": "confirmée", "tracking": shipment["tracking"]}
else:
# Alternative path
await notify_stockout(order["email"], order["produit_id"])
return {"status": "rupture_stock"}
Разклоненията if/else са напълно поддържани. Единственото ограничение се отнася до материала, използван за вземане на решение: резултатът от разклонението трябва да зависи от върнатата стойност на дейност – стойност, записана в дневника и възпроизведена идентично – а не от директно извикване на външна услуга от работния поток. Тук verifier_stock заявява инвентара в рамките на дейност, а инструкцията if чете само речник, който вече е запазен.
Входни данни с Pydantic
Работен поток, който приема шест позиционни параметъра, бързо става нечетим. За структурирани входни данни използвайте Pydantic модели, които също осигуряват валидиране на типовете в началото на изпълнението:
from pydantic import BaseModel
class ReportParams(BaseModel):
report_type: str
include_details: bool = False
start_date: str
end_date: str
@workflows.workflow.define(name="generation_rapport")
class ReportGeneration:
@workflows.workflow.entrypoint
async def run(self, params: ReportParams) -> dict:
data = await collect_data(params.report_type, params.start_date, params.end_date)
if params.include_details:
data = await enrich_data(data)
report = await generate_pdf_report(data)
return {"url_rapport": report["url"]}
Една точка на внимание при стартирането на този работен поток: когато използвате BaseModel, полетата стават ключове от най-високо ниво в JSON входа, изпратен до работния поток. Ще изпратите {"type_rapport": ..., "date_debut": ...}, а не обект, вложен под ключ params.
Най-добри практики
Четири навика правят разликата в дългосрочен план. Първо, придържайте се към една отговорност на работен поток: смесването на фактуриране и последващи действия по продажбите в един и същи клас прави невъзможно повторното изпълнение на едното без другото. След това, обърнете внимание на именуването, тъй като name на работния поток е публичен идентификатор, извикван от други системи – "traitement_commande" е поддържаемо, "workflow_1" не е. Не въвеждайте никакъв вход/изход (I/O) в работния поток: всяко мрежово извикване, достъп до файл или заявка към база данни принадлежи в дейност. Накрая, поддържайте кода на работния поток прост, като прехвърляте сложната логика – парсиране, трансформации, тежки изчисления – към дейности, където тя може да бъде тествана изолирано без ограничения за детерминизъм.
Ключови изводи
- Работният поток е клас, декориран с
@workflows.workflow.define(), който оркестрира дейности - Методът
@workflows.workflow.entrypointе входната точка, извиквана при стартиране - Всяко
awaitна дейност е точка на запазване (автоматично възобновяване в случай на грешка) - Условните разклонения и цикли са поддържани
- Използвайте Pydantic модели за структурирани входни параметри
- Работният поток не трябва да съдържа никакви директни операции за вход/изход