Einführung in Mistral Workflows

Update vom 2. November 2026 — Modelle. Mistral Large 3 (mistral-large-2512) und Mistral Medium 3.5 wurden am 31. Oktober 2026 eingestellt und werden am 30. April 2027 aus dem Dienst genommen. Ihr offizieller Nachfolger, Mistral Large 4 (mistral-large-4), steht seit dem 6. Oktober im öffentlichen Vorabtest (Public Preview). Die Beispiele in diesem Kurs verwenden den Alias mistral-large-latest, der laut offizieller Spezifikation (verifiziert am 3. November 2026) weiterhin auf Mistral Large 3 verweist, genau wie mistral-medium-latest auf Mistral Medium 3.5. Diese Aliase bleiben bis zum 30. April 2027 gültig. Für neue Projekte testen Sie mistral-large-4, den vorgesehenen Nachfolger.

Orchestrierung komplexer KI-Aufgaben

Eine seriöse KI-Anwendung passt nie in einen einzigen API-Aufruf. Betrachten Sie einen Dienst, der jeden Abend einen Kundenbericht erstellt: Er zieht Daten aus drei Systemen, sendet sie an ein Modell zur Verarbeitung, versendet das Ergebnis per E-Mail, wartet auf die Freigabe eines Managers und löst schließlich einen Abrechnungsprozess aus. Diese Kette erstreckt sich über Stunden, manchmal Tage, und durchquert Netzwerke, Warteschlangen sowie Drittsysteme – keines davon ist zu 100 % zuverlässig.

Am Tag, an dem der Server, der diese Pipeline betreibt, zwischen dem Versenden der E-Mail und der Verarbeitung der Rechnung neu startet, stehen Sie vor zwei Szenarien. Entweder starten Sie alles von vorne und der Kunde erhält seinen Bericht doppelt, oder Sie haben manuell ein System aus Checkpoints, Sperren und Zustandstabellen geschrieben – Hunderte Zeilen Code, die nichts mit Ihrem Kerngeschäft zu tun haben. Die Mistral AI Workflows-Plattform, die am 27. April 2026 im öffentlichen Vorabtest (Public Preview) gestartet wurde, soll Ihnen diese Wahl ersparen. Sie bietet eine fundamentale Garantie: Ihr Workflow verliert niemals seinen Fortschritt.

Was ist ein langlebiger Workflow?

Ein langlebiger Workflow (durable workflow) ist ein Programm, bei dem jeder Schritt persistiert wird, bevor der nächste beginnt. Nehmen wir den täglichen Bericht erneut: Sobald die E-Mail versendet wurde, hat die Plattform bereits in ihrem Journal protokolliert, dass dieser Schritt abgeschlossen ist, und das Ergebnis gespeichert. Wenn der Prozess eine Sekunde später abbricht, setzt er am Abrechnungsschritt fort, nicht am Anfang – ohne Datenverlust oder doppelte Aktionen.

Dieser Mechanismus ist kein Experiment. Die Mistral Workflows-Plattform wird von Temporal angetrieben, einem Orchestrierungs-Engine, der in der Produktion bei Unternehmen wie Netflix, Uber und Stripe erprobt wurde. Sie erben ein Ausführungsmodell, das bereits großangelegte Ausfälle überstanden hat, eingekapselt in einer Mistral-Schicht, die es über modernes Python zugänglich macht.

Schritte in einem typischen Workflow

Bevor wir in die Details der folgenden Lektionen eintauchen, hier ist die vollständige Reise, die Sie unternehmen werden, von der Definition des Codes bis zur Überwachung in der Produktion.

Wichtige Plattformfähigkeiten

Die Ausführung ist zuverlässig und fehlertolerant. Workflows verlieren niemals ihren Fortschritt, da jeder Schritt vor dem Übergang zum nächsten persistiert wird. Ob Serverausfall, Netzwerkausfall oder eine vorübergehende Fehlermeldung eines Anbieters – der Workflow setzt sich automatisch genau dort fort, wo er stehen geblieben ist, ohne dass Sie eingreifen müssen.

Die Plattform ist zudem für KI-native Szenarien konzipiert. Ein Agent, der Toolaufrufe verknüpft, eine Sequenz von Modellen oder ein langanhaltender Dialog mit einem Assistenten: Diese Muster beinhalten lange Wartezeiten und häufige Wiederaufnahmen, was genau das Zielszenario ist. Workflows können von wenigen Sekunden bis zu mehreren Wochen dauern und ermöglichen Szenarien, die mit einer einfachen HTTP-Anfrage unmöglich sind, wie zum Beispiel das Warten auf drei Tage lang menschliche Validierung.

Die Architektur ist zudem vollständig durchgängig beobachtbar. Jede Aktion – Aktivitätsabschluss, Signal, Fehler – wird als Ereignis in Echtzeit protokolliert. Sie können diese Ereignisse in externe Systeme streamen, wodurch Sie beispielsweise dem Endnutzer einen Fortschrittsbalken anzeigen können, der den tatsächlichen Zustand der Verarbeitung widerspiegelt, anstatt eine dekorative Animation. Schließlich verwendet das Python-SDK vertraute Dekoratoren und async/await-Muster: Wenn Sie Python kennen, wissen Sie bereits, wie man Workflows schreibt.

Konkrete Anwendungsfälle

Vier Anwendungsfamilien tauchen regelmäßig auf. Eine Dokumentenverarbeitungs-Pipeline verknüpft Extraktion, Analyse, Zusammenfassung und Klassifizierung, wobei jedes Dokument dieselben Schritte durchläuft, sodass ein Fehler in der Mitte eines Batches keinen vollständigen Neustart erzwingt. Ein Kundensupport-Agent holt sich den Kontext, generiert eine Antwort, eskaliert bei Bedarf an einen Menschen und kümmert sich um Nachfolgeaufgaben Tage nach dem Schließen des Tickets. Ein Workflow zur Inhaltsmoderation lässt mehrere Modelle dasselbe Element analysieren, wendet eine Mehrheitsabstimmung an und eskaliert bei Meinungsverschiedenheiten an einen menschlichen Moderator. Schließlich sammelt die Berichterstellung Daten aus mehreren Quellen, aggregiert sie, erstellt den Text, formatiert ihn und sendet das Dokument.

Öffentlicher Vorabtest: Was bedeutet das?

Die Workflows-Funktion befindet sich seit ihrem Start am 27. April 2026 im öffentlichen Vorabtest (Public Preview) (offizielle Ankündigung), und dieser Status hat praktische Konsequenzen. Bevor Sie beginnen, prüfen Sie den aktuellen Status in der Workflows-Dokumentation. APIs und Funktionen können ohne Ankündigung geändert werden: Fixieren Sie Ihre Versionsabhängigkeiten und planen Sie vor jedem Update eine Überprüfung der Release-Notes ein. Die Plattform ist produktionsreif, erfordert aber Vorsicht, was bedeutet, dass Sie für kritische Prozesse einen Fallback-Plan beibehalten sollten. Benutzerfeedback beeinflusst die Roadmap direkt, sodass Ihre Eingabe echtes Gewicht hat. Es bestehen noch einige technische Einschränkungen, die wir in den folgenden Lektionen detailliert beschreiben, anstatt sie zu übergehen.

Wichtige Kernaussagen

• Mistral Workflows ermöglichen die Orchestrierung komplexer KI-Aufgaben mit einer Garantie für Langlebigkeit (Durability)
• Die Plattform wird von Temporal angetrieben, einem in der Produktion erprobten Orchestrierungs-Engine
• Die Architektur stützt sich auf drei Komponenten: Aktivitäten (echte Arbeit), Workflows (Orchestrierung), Worker (Ausführung)
• Jeder Schritt wird persistiert – ein unterbrochener Workflow setzt sich automatisch fort
• Die Funktion befindet sich im öffentlichen Vorabtest (April 2026): APIs unterliegen Änderungen