Vytvoření workflow
Na této stránce
Role workflow
Workflow představuje vrstvu orchestrace tvé aplikace. Definuje, co se má stát, v jakém pořadí a za jakých podmínek – samotnou práci však neprovádí. Konkrétně koordinuje aktivity, čeká na externí události, spravuje časovače a podmíněné větve, ale nikdy přímo nekomunikuje se sítí ani diskem.
Můžeš si to shrnout do jedné věty, kterou měj na paměti při každé revizi kódu: aktivity vykonávají práci, workflow ji řídí. Pokud uvnitř třídy workflow vidíš httpx nebo open(), něco je potřeba přesunout.
Struktura workflow
Workflow je třída v Pythonu ozdobená dekorátorem @workflows.workflow.define(), která obsahuje vstupní metodu označenou dekorátorem @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
Dekorátor @workflows.workflow.define(name="...") registruje třídu jako workflow. Parametr name, který přijímá, je unikátní identifikátor, který použiješ ke spuštění exekuce – právě tento řetězec, nikoliv název Python třídy, vidí volající strana. Dekorátor @workflows.workflow.entrypoint označuje metodu volanou při startu. Prvním parametrem zůstává self, tedy instance třídy, jako u každého Python objektu, a každé volání aktivity používá klíčové slovo await.
Kompletní příklad: zpracovatelský pipeline
Zde je realistické workflow, které orchestruje více aktivit pro zpracování dokumentu. Všimni si rozdělení práce: tři funkce nahoře obsahují veškerý kód, který komunikuje s vnějším světem, zatímco třída dole pouze řetězí volání await a sestavuje výsledek.
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"]
}
Každé await ve workflow představuje bod perzistence. Stojí za to si to u výše uvedeného příkladu mentálně ověřit: pokud proces selže mezi krokem 2 a krokem 3, dokument se znovu nestáhne a model se znovu nevyvolá – žádné dodatečné poplatky za tokeny. Workflow se obnoví přímo v kroku ukládání.
Odolnost workflow
Workflow přežijí restarty, selhání infrastruktury a přechodné chyby, protože platforma zaznamenává každou událost a během přehrávání obnovuje stav workflow. Tato rekonstrukce je spolehlivá pouze za jedné podmínky, kterou jsme již zmínili: kód workflow musí pro stejné vstupy vždy produkovat stejnou sekvenci operací. Toto je omezení determinismu. Podrobnosti probereme v lekci 8.
Workflow s podmíněným větvením
Workflow není omezeno pouze na lineární sekvenci. Může obsahovat podmíněnou logiku, jako v tomto příkladu zpracování objednávky, kde cesta závisí na stavu skladu:
@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"}
Větve if/else jsou plně podporovány. Jediné omezení se týká materiálu použitého pro rozhodování: výsledek větve musí záviset na návratové hodnotě aktivity – hodnotě zaznamenané v logu a přehrané identicky – nikoliv na přímém volání externí služby z workflow. Zde verifier_stock dotazuje inventář uvnitř aktivity a příkaz if čte pouze slovník, který byl již perzistentně uložen.
Vstupy s Pydantic
Workflow, které přijímá šest pozičních parametrů, se rychle stane nečitelným. Pro strukturované vstupy použij modely Pydantic, které navíc poskytují validaci typů na začátku exekuce:
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"]}
Jedna důležitá poznámka při spouštění tohoto workflow: když použiješ BaseModel, pole se stanou klíči nejvyšší úrovně v JSON vstupu zasílaném do workflow. Pošleš tedy {"type_rapport": ..., "date_debut": ...}, nikoliv objekt vnořený pod klíčem params.
Doporučené postupy
Čtyři návyky dělají z dlouhodobého hlediska rozdíl. Zaprvé, drž se jedné odpovědnosti na jedno workflow: míchání fakturace a sledování prodejů ve stejné třídě znemožňuje přehrát jedno bez druhého. Zadruhé, věnuj pozornost pojmenování, protože name workflow je veřejný identifikátor volaný z jiných systémů – "traitement_commande" je udržovatelné, "workflow_1" nikoliv. Zatřetí, nezaváděj do workflow žádné operace I/O: každé volání sítě, přístup k souboru nebo dotaz do databáze patří do aktivity. Nakonec udržuj kód workflow jednoduchý přesunem složité logiky – parsování, transformace, náročné výpočty – do aktivit, kde ji lze testovat izolovaně bez omezení determinismu.
Klíčové poznatky
- Workflow je třída ozdobená
@workflows.workflow.define(), která orchestruje aktivity - Metoda
@workflows.workflow.entrypointje vstupním bodem volaným při startu - Každé
awaitaktivity je bodem perzistence (automatické obnovení při selhání) - Podmíněné větve a smyčky jsou podporovány
- Pro strukturované vstupní parametry používej modely Pydantic
- Workflow nesmí obsahovat žádné přímé operace I/O