Opret et workflow
På denne side
Workflowets rolle
Workflowet er dit applikations orkestreringslag. Det definerer, hvad der skal ske, i hvilken rækkefølge og under hvilke betingelser – uden selv at udføre arbejdet. Konkret koordinerer det aktiviteter, venter på eksterne begivenheder, styrer timere og betingede grene, men det rører aldrig netværket eller disken.
Du kan opsummere dette i én sætning, som du skal huske hver gang, du gennemgår kode: aktiviteter udfører arbejdet, workflowet dirigerer. Hvis du ser httpx eller open() inde i en workflow-klasse, skal noget flyttes.
Workflow-struktur
Et workflow er en Python-klasse dekoreret med @workflows.workflow.define(), der indeholder en indgangsmetode dekoreret med @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
Dekoratoren @workflows.workflow.define(name="...") registrerer klassen som et workflow. Det name, den modtager, er den unikke identifikator, du vil bruge til at udløse en kørsel – det er denne streng, ikke Python-klassenavnet, som kalderen ser. Dekoratoren @workflows.workflow.entrypoint markerer den metode, der kaldes ved opstart. Den første parameter, self, forbliver klasseinstansen som i ethvert Python-objekt, og hvert aktivitetskald bruger await.
Komplet eksempel: behandlingspipeline
Her er et realistisk workflow, der orkestrerer flere aktiviteter til at behandle et dokument. Bemærk arbejdsdelingen: de tre funktioner øverst indeholder al den kode, der rører omverdenen, mens klassen nederst blot kæder await-kald sammen og samler et resultat.
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"]
}
Hvert await i workflowet udgør et persistenspunkt. Det er værd at verificere dette mentalt med eksemplet ovenfor: hvis processen fejler mellem trin 2 og trin 3, vil dokumentet ikke blive downloadet igen, og modellen vil ikke blive kaldt igen – så ingen ekstra token-omkostninger. Workflowet vil genoptage direkte ved gemme-trinnet.
Workflow-holdbarhed
Workflows overlever genstarter, infrastrukturfejl og midlertidige fejl, fordi platformen registrerer hver begivenhed og genopbygger workflow-tilstanden under afspilning. Denne genopbygning er kun pålidelig under én betingelse, som nævnt tidligere: workflow-koden skal altid producere den samme sekvens af operationer for de samme input. Dette er determinisme-begrænsningen. Vi vil dække detaljerne i lektion 8.
Workflow med betinget forgrening
Et workflow er ikke begrænset til en lineær sekvens. Det kan indeholde betinget logik, som i dette eksempel på ordrebehandling, hvor stien afhænger af lagerstatus:
@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"}
if/else-grene er fuldt understøttet. Den eneste begrænsning vedrører det materiale, der bruges til beslutningen: grenens udfald skal afhænge af returværdien fra en aktivitet – en værdi registreret i loggen og afspillet identisk – ikke på et direkte kald til en ekstern tjeneste fra workflowet. Her spørger verifier_stock til lagerbeholdningen inden for en aktivitet, og if-sætningen læser kun en ordbog, der allerede er blevet persistert.
Input med Pydantic
Et workflow, der tager seks positionelle parametre, bliver hurtigt ulæseligt. Til strukturerede input skal du bruge Pydantic-modeller, som også giver typevalidering ved starten af kørslen:
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"]}
Et punkt, du skal være opmærksom på, når du udløser dette workflow: når du bruger en BaseModel, bliver felterne til topniveaunøgler i det JSON-input, der sendes til workflowet. Du vil sende {"type_rapport": ..., "date_debut": ...}, ikke et objekt indlejret under en params-nøgle.
Bedste praksis
Fire vaner gør en forskel på lang sigt. Først og fremmest: hold dig til ét ansvar pr. workflow. At blande fakturering og salgsopfølgning i samme klasse gør det umuligt at afspille det ene uden det andet. Vær derefter opmærksom på navngivning, da workflowets name er en offentlig identifikator, der kaldes fra andre systemer – "traitement_commande" er vedligeholdelsesvenligt, "workflow_1" er det ikke. Introducer ingen I/O i workflowet: ethvert netværkskald, filadgang eller databaseforespørgsel hører hjemme i en aktivitet. Hold endelig workflow-koden simpel ved at outsorce kompleks logik – parsing, transformationer, tunge beregninger – til aktiviteter, hvor den kan testes isoleret uden determinisme-begrænsninger.
Vigtige pointer
- Et workflow er en klasse dekoreret med
@workflows.workflow.define(), der orkestrerer aktiviteter - Metoden
@workflows.workflow.entrypointer indgangspunktet, der kaldes ved opstart - Hvert aktivitets-
awaiter et persistenspunkt (automatisk genoptagelse ved fejl) - Betingede grene og løkker er understøttet
- Brug Pydantic-modeller til strukturerede inputparametre
- Workflowet må ikke indeholde direkte I/O-operationer