Holdbarhed og pålidelighed i workflows
På denne side
Hvorfor holdbarhed ændrer alt
Forestil dig en pipeline med ti trin, der behandler en batch af fakturaer: udtræk, validering, modelkald, skrivning til database, notifikation. I et almindeligt Python-script vil et nedbrud ved trin 7 tvinge dig tilbage til trin 1. De første seks trin køres igen, hvilket skaber alvorlige problemer, hvis nogen af dem allerede har skrevet til en database eller sendt en besked. Med et holdbart workflow genoptager systemet arbejdet præcis ved trin 7. Det springer de første seks trin over, undgår duplikerede handlinger og mister ingen data.
Denne evne hviler på en specifik mekanisme kaldet event sourcing. Det er afgørende at forstå dette koncept, da det forklarer de begrænsninger, du senere vil støde på.
Event Sourcing: Kerneprincippet
Event sourcing registrerer hver eneste workflow-handling som en uforanderlig begivenhed i en log. Forskellen fra en traditionel tilgang kan opsummeres i én sætning: I stedet for kun at gemme den aktuelle tilstand (f.eks. “under behandling, trin 7”), gemmer platformen en komplet historik over operationer og deres resultater. En workflow-kørsel med to aktiviteter efterlader følgende spor:
- Workflowet starter og modtager inputparametre → begivenhed registreret
- Workflowet kalder Aktivitet A → begivenhed registreret
- Aktivitet A fuldføres med et resultat → begivenhed registreret
- Workflowet kalder Aktivitet B → begivenhed registreret
- Aktivitet B fuldføres → begivenhed registreret
- Workflowet returnerer sit endelige resultat → begivenhed registreret
Systemet gemmer hvert trin permanent, før det går videre til næste. Der er intet tidsrum, hvor en handling udføres uden, at loggen ved det. Denne log bliver den eneste sandhetskilde; workflowets tilstand eksisterer ingen andre steder.
Automatisk afspilning: Genopretning efter fejl
Når en worker bryder sammen, overtager en ny worker, henter begivenhedsloggen og afspiller workflow-koden fra begyndelsen. Ordet “afspilning” overrasker ofte folk: Koden genstarter faktisk fra linje ét, men for hver aktivitet, der allerede er fuldført, kalder motoren ikke din funktion igen. I stedet substituerer den det registrerede resultat fra loggen. Workflowet skrider frem med læsehastighed, indtil det rammer den første uafsluttede aktivitet. Først her genoptages det egentlige arbejde.
Aktiviteter, der allerede er lykkedes, bliver aldrig genudført under en afspilning. Eksemplet nedenfor gør denne garanti konkret for det mest følsomme tilfælde: at sende en e-mail.
import mistralai.workflows as workflows
@workflows.activity()
async def send_email(recipient: str, content: str) -> dict:
"""Denne aktivitet kører kun én gang,
selv hvis workflowet afspilles flere gange."""
response = await email_service.send(recipient, content)
return {"status": "sent", "id": response.id}
@workflows.workflow.define(name="notification_workflow")
class NotificationWorkflow:
@workflows.workflow.entrypoint
async def run(self, recipient: str) -> dict:
# Hvis workflowet bryder sammen EFTER at have sendt e-mailen,
# vil e-mailen IKKE blive sendt igen under afspilningen.
email_result = await send_email(recipient, "Din rapport er klar")
# Workflowet genoptages her
log_result = await log_notification(recipient, email_result)
return log_result
Fejltolerance: Dækkede scenarier
Platformen håndterer fire typer hændelser uden, at du behøver at skrive en eneste linje kode. For det første et worker-nedbrud: Python-processen stopper brat på grund af en hukommelsesfejl, et kill-signal eller en server-genstart. En anden worker picker workflowet op præcis dér, hvor det slap. For det andet en midlertidig netværksfejl: Et API-kald fejler på grund af timeout. Retry-politikken genstarter automatisk aktiviteten med eksponentiel backoff, hvor den bruger stigende forsinkelser for at undgå at overbelaste en tjeneste, der har det svært.
For det tredje fejl i din egen kode: En undtagelse (exception), der kastes i en aktivitet, forsøges et defineret antal gange baseret på den konfigurerede politik, før den fejler permanent. For det fourth midlertidig utilgængelighed af en tredjepartstjeneste. Effekten her er dramatisk: Hvis en partner-API går ned i ti minutter, fejler dit natlige pipeline ikke længere. Afventende aktiviteter genstartes, når tjenesten er tilbage, og behandlingen bliver blot ti minutter forsinket.
Begrænsningen om determinisme
Afspilning har en pris. For at log-afspilningen trofast kan reproducere den oprindelige kørsel, skal workflow-koden (ikke aktiviteterne) være deterministisk. Givet de samme inputs skal den producere den samme sekvens af operationer. Hvis dit workflow forgrener sig baseret på if datetime.now().hour < 12, kan en afspilning i aften tage den anden gren, hvilket fuldstændigt desynkroniserer loggen.
Derfor må du aldrig gøre følgende i workflow-kode:
- Brug
datetime.now()→ brugworkflow.now() - Brug
uuid.uuid4()→ brugworkflow.uuid4() - Brug
random.random()→ brugworkflow.random() - Foretag netværks- eller I/O-kald direkte → flyt dem ind i en aktivitet
Disse tre substitutioner returnerer værdier, der blev registreret under første gennemløb og derefter afspillet identisk. Vi vil uddybe denne begrænsning i lektion 8, der fokuserer på determinisme.
Sammenligning med traditionelle tilgange
| Tilgang | Genopretning efter fejl | Garantier for kørsel | Kompleksitet |
|---|---|---|---|
| Simpel Python-script | Nej | Ingen | Lav |
| Message Queue (Celery, RQ) | Delvis | Mindst én gang (At-least-once) | Mellem |
| Cron + Database | Manuel | Afhænger af implementering | Høj |
| Mistral Workflows (Temporal) | Automatisk | Præcis én gang (logisk) | Lav (SDK) |
Vær særligt opmærksom på kolonnen for kompleksitet. En message queue virker simpel at komme i gang med, men dens delvise genopretning tvinger dig til at skrive logik til tilstandsstyring, som SDK’et leverer out-of-the-box.
Præcis én gang: En logisk garanti
Platformen garanterer, at din workflow-logik udføres præcis én gang. Hvis en aktivitet lykkes, registrerer systemet resultatet og genudfører den aldrig. Hvis den fejler, forsøger systemet den igen i henhold til den konfigurerede politik.
Ordet “logisk” er ikke blot pynt. På netværksniveau kan et kald faktisk blive sendt to gange: Din anmodning om at oprette en kunde når CRM-systemet, men bekræftelsen går tabt undervejs. Fra dit perspektiv fejlede aktiviteten og vil blive forsøgt igen, selvom kunden allerede eksisterer. Dette skaber et behov for idempotente aktiviteter, som producerer samme resultat, selv hvis de kaldes flere gange med samme parametre. I praksis betyder det, at du bør foretrække en PUT på et stabilt ID frem for en POST, der opretter en ny række ved hvert kald.
Vigtige pointer
- Event sourcing registrerer hvert trin som en uforanderlig begivenhed i en log
- Automatisk afspilning lader dig genoptage et afbrudt workflow uden at genudføre fuldførte aktiviteter
- Platformen håndterer automatisk nedbrud, netværksfejl og tjenesteafbrydelser
- Workflow-kode skal være deterministisk, for at afspilning kan fungere
- Aktiviteter skal være idempotente for at sikre konsistens under genforsøg
- Garantien for kørsel er logisk præcis én gang