Изпълнение и тестване на работен поток
На тази страница
Урокът е актуализиран на 3 ноември 2026 г. въз основа на
mistralaiSDK 3.7.0: проследяването на изпълнение вече използваclient.workflows.executions.get_workflow_execution_async, а резултатът се чете отresult. Допълнение от същия ден: предишните примери все още се позоваваха наexecution.id,execution.outputиexecution.error, които липсват в SDK, и сравняваха статуса с малки букви"completed"или"failed"; сега те използватexecution_id,result,wait_for_result=Trueи статуси с главни букви. Източник: client-python.
Стартиране на работен поток
Вече написахте своите активности, дефинирахте работния си поток и стартирахте своя worker (изпълнител). Сега трябва да стартирате изпълнение. Имате две възможности: Python SDK или cURL заявка към REST API. Първият вариант е подходящ за вашите Python скриптове и услуги; вторият работи за бързи тестове от командния ред или задействания от системи, различни от Python – уебхук, планировчик или бекенд, написан на друг език.
Преди да задействате каквото и да е, трябва да са изпълнени три условия. Вашият worker трябва да е стартиран (uv run python worker.py), вашият API ключ трябва да е зададен в MISTRAL_API_KEY, а работният поток трябва да е регистриран при този worker, което означава, че се появява в списъка, предаден на run_worker().
Стартиране чрез Python SDK
Напишете задействането в скрипт, отделен от worker-а, тъй като процесът на worker-а никога не връща контрола:
import asyncio
from mistralai.client import Mistral
async def main():
client = Mistral()
execution = await client.workflows.execute_workflow_async(
workflow_identifier="salutation_workflow",
input={"nom": "Marie"},
wait_for_result=True, # изчаква завършването и получава резултата
)
print(f"Execution ID: {execution.execution_id}")
print(f"Result: {execution.result}")
if __name__ == "__main__":
asyncio.run(main())
Стойността на workflow_identifier трябва да съвпада точно с name, обявен в @workflows.workflow.define(), а ключовете в речника input съответстват на параметрите на вашия метод run. Стартирайте този скрипт в отделен терминал, като оставите първия зает от worker-а:
uv run python trigger.py
С параметъра wait_for_result=True, SDK изчаква изпълнението да приключи и връща резултата директно, което прави тестването много по-четимо за кратки работни потоци. Без този параметър извикването се връща незабавно с идентификатора на изпълнението, който след това трябва да проследите (вижте по-долу).
Стартиране чрез cURL
За бързи тестове или интеграция с други системи, REST API предоставя същото задействане:
curl -X POST https://api.mistral.ai/v1/workflows/salutation_workflow/execute \
-H "Authorization: Bearer $MISTRAL_API_KEY" \
-H "Content-Type: application/json" \
-d '{"input": {"nom": "Marie"}, "wait_for_result": true}'
С wait_for_result, отговорът съдържа името на работния поток, идентификатора на изпълнението и неговия резултат; това са полетата на модела WorkflowExecutionSyncResponse от SDK:
{
"workflow_name": "salutation_workflow",
"execution_id": "…",
"result": {
"message": "Bonjour, Marie !"
}
}
Запазете този execution_id: това е ключът, който ще използвате по-късно, за да заявите изпълнението или да извлечете неговите следи. Без wait_for_result, отговорът описва стартираното изпълнение, включително неговия status (първоначално RUNNING).
Пример от край до край
Нека разгледаме отново примера с конвейера за анализ на документи, този път напълно свързан. Първият файл комбинира дефинициите и стартирането на worker-а; обърнете внимание на съкращаването до 5000 знака, което защитава както лимита за размер на активността, така и вашия бюджет за токени.
Файл workflow.py (worker + дефиниции)
import asyncio
import httpx
import mistralai.workflows as workflows
from mistralai.client import Mistral
@workflows.activity()
async def extraire_texte(url: str) -> dict:
async with httpx.AsyncClient() as client:
response = await client.get(url)
return {"texte": response.text[:5000]} # Ограничение до 5000 знака
@workflows.activity()
async def resumer_texte(texte: str) -> dict:
client = Mistral()
response = await client.chat.complete_async(
model="mistral-large-latest",
messages=[
{"role": "system", "content": "Summarize in 3 sentences."},
{"role": "user", "content": texte}
]
)
return {"resume": response.choices[0].message.content}
@workflows.workflow.define(name="resume_page_web")
class ResumePageWeb:
@workflows.workflow.entrypoint
async def run(self, url: str) -> dict:
extraction = await extraire_texte(url)
resume = await resumer_texte(extraction["texte"])
return {
"url_source": url,
"resume": resume["resume"]
}
async def main() -> None:
await workflows.run_worker([ResumePageWeb])
if __name__ == "__main__":
asyncio.run(main())
Вторият файл задейства работния поток и показва резултата, като изрично обработва случая на неуспех – рефлекс, който трябва да възприете още от първия си скрипт:
Файл trigger.py (задействане)
import asyncio
from mistralai.client import Mistral
async def main():
client = Mistral()
print("Launching workflow...")
execution = await client.workflows.execute_workflow_async(
workflow_identifier="resume_page_web",
input={"url": "https://example.com/article"},
)
print(f"Execution launched: {execution.execution_id}")
# Проследяване на изпълнението до завършване
while True:
suivi = await client.workflows.executions.get_workflow_execution_async(
execution_id=execution.execution_id
)
if suivi.status not in ("RUNNING", "RETRYING_AFTER_ERROR"):
break
await asyncio.sleep(2)
if suivi.status == "COMPLETED":
print(f"Summary: {suivi.result['resume']}")
else:
print(f"Execution finished with status {suivi.status}")
if __name__ == "__main__":
asyncio.run(main())
Изпълнение
Терминал 1 — Стартиране на worker-а:
uv run python workflow.py
Терминал 2 — Задействане на изпълнението:
uv run python trigger.py
Проверка на резултатите
Терминалът на worker-а е вашата първа точка за наблюдение: той показва изпълнените активности в реално време, заедно с тяхната продължителност, което ви показва веднага коя стъпка консумира най-много време.
[INFO] Executing activity: extraire_texte
[INFO] Activity completed: extraire_texte (1.2s)
[INFO] Executing activity: resumer_texte
[INFO] Activity completed: resumer_texte (3.4s)
[INFO] Workflow completed: resume_page_web
За дълги работни потоци очевидно няма да стоите залепени за терминала. Щом имате ID на изпълнението, можете да заявите неговия статус по всяко време от друг процес:
execution = await client.workflows.executions.get_workflow_execution_async(
execution_id="exec_abc123"
)
print(f"Status: {execution.status}")
print(f"Result: {execution.result}")
Същата операция е достъпна и чрез cURL, което е полезно в скрипт за мониторинг:
curl https://api.mistral.ai/v1/workflows/executions/exec_abc123 \
-H "Authorization: Bearer $MISTRAL_API_KEY"
Обработка на грешки
Един неуспех не настъпва при първото изключение: платформата първо прави повторен опит за активността според своята политика за повторение. Едва след изчерпване на повторните опити изпълнението преминава в статус FAILED (статусите в SDK са с главни букви: RUNNING, COMPLETED, FAILED, CANCELED, TERMINATED, TIMED_OUT и др.), а вашият извикващ код трябва да обработи този случай, вместо да приема, че result винаги присъства:
execution = await client.workflows.executions.get_workflow_execution_async(
execution_id="exec_abc123"
)
if execution.status == "FAILED":
print(f"Execution {execution.execution_id} failed")
Отговорът не съдържа съобщение за грешка: причината се появява в историята на изпълнението и в логовете (get_workflow_execution_history_async, get_workflow_execution_logs_async). За да идентифицирате дефектната активност и последователността, довела до нея, ще анализирате OpenTelemetry следите, разгледани в Урок 14.
Локално тестване
Прехвърлянето между два терминала бързо става досадно по време на разработка. За целите на разработката един единствен скрипт може да стартира worker-а във фонов режим, да задейства работния поток и след това да спре всичко:
import asyncio
import mistralai.workflows as workflows
# ... дефиниции на активности и работни потоци ...
async def main():
# Стартиране на worker във фонов режим
worker_task = asyncio.create_task(
workflows.run_worker([MonWorkflow])
)
# Изчакване worker-ът да е готов
await asyncio.sleep(2)
# Задействане на работния поток
from mistralai.client import Mistral
client = Mistral()
execution = await client.workflows.execute_workflow_async(
workflow_identifier="mon_workflow",
input={"test": True},
wait_for_result=True,
)
print(f"Result: {execution.result}")
# Спиране на worker-а
worker_task.cancel()
if __name__ == "__main__":
asyncio.run(main())
asyncio.sleep(2) дава време на worker-а да установи връзката си преди задействане, а крайното worker_task.cancel() предотвратява безкрайното зависване на скрипта. Запазете тази настройка за разработка: в продукционна среда worker-ът и задействанията остават отделни процеси с независими жизнени цикли.
Ключови изводи
- Два метода за задействане: Python SDK (
execute_workflow_async) и REST API (cURL) - Worker-ът трябва да е стартиран, за да се изпълни работният поток
- С
wait_for_result=True, SDK изчаква завършването и връща резултата (result); в противен случай връщаexecution_idза проследяване - Използвайте
client.workflows.executions.get_workflow_execution_async(), за да проверите статуса на изпълнение - Статусите са с главни букви (
RUNNING,COMPLETED,FAILEDи др.); причините за неуспех се появяват в историята на изпълнението, логовете и следите - За разработка комбинирайте worker и задействане в един скрипт, използвайки
asyncio