Ir al contenido principal
Español— Elegir un idioma
Menú

Durabilidad y fiabilidad de los flujos de trabajo

Lección 2 de 14 Actualizado el 29 de julio de 2026 Avanzado
En esta página
  1. Por qué la durabilidad lo cambia todo
  2. Origen de eventos: el principio fundamental
  3. Reproducción automática: recuperación ante fallos
  4. Tolerancia a fallos: escenarios cubiertos
  5. La restricción de determinismo
  6. Comparación con enfoques tradicionales
  7. Exactamente una vez: una garantía lógica
  8. Puntos clave

Por qué la durabilidad lo cambia todo

Imagina una canalización de diez pasos que procesa un lote de facturas: extracción, validación, llamada al modelo, escritura en base de datos y notificación. En un script de Python estándar, un fallo en el paso 7 te obliga a volver al paso 1. Los seis primeros pasos se ejecutan de nuevo, lo que genera problemas graves si alguno de ellos escribió en una base de datos o envió un mensaje. Con un flujo de trabajo durable, el sistema se reanuda exactamente en el paso 7. Omite los seis primeros pasos, evita duplicar acciones y no pierde ningún dato.

Esta capacidad se basa en un mecanismo específico llamado origen de eventos (event sourcing). Entender este concepto es esencial porque explica las restricciones con las que te encontrarás más adelante.

Origen de eventos: el principio fundamental

El origen de eventos registra cada acción del flujo de trabajo como un evento inmutable en un registro (log). La diferencia respecto a un enfoque tradicional se resume en una frase: en lugar de almacenar solo el estado actual (por ejemplo, «en progreso, paso 7»), la plataforma mantiene un historial completo de las operaciones y sus resultados. Una ejecución de flujo de trabajo con dos actividades deja la siguiente traza:

  1. El flujo de trabajo se inicia y recibe los parámetros de entrada → evento registrado
  2. El flujo de trabajo llama a la Actividad A → evento registrado
  3. La Actividad A finaliza con un resultado → evento registrado
  4. El flujo de trabajo llama a la Actividad B → evento registrado
  5. La Actividad B finaliza → evento registrado
  6. El flujo de trabajo devuelve su resultado final → evento registrado

El sistema persiste cada paso antes de pasar al siguiente. No existe ninguna ventana de tiempo en la que una acción ocurra sin que el registro lo sepa. Este registro se convierte en la única fuente de la verdad; el estado del flujo de trabajo no existe en ningún otro lugar.

Reproducción automática: recuperación ante fallos

Cuando un trabajador (worker) falla, otro trabajador toma el relevo, recupera el registro de eventos y reproduce (replays) el código del flujo de trabajo desde el principio. La palabra «reproducción» suele sorprender: el código sí se reinicia desde la línea uno, pero para cada actividad que ya ha finalizado, el motor no vuelve a llamar a tu función. En su lugar, sustituye el resultado registrado en el log. El flujo de trabajo avanza a velocidad de lectura hasta que alcanza la primera actividad inacabada. Solo entonces se reanuda el trabajo real.

Las actividades que ya se han completado con éxito nunca se vuelven a ejecutar durante una reproducción. El ejemplo siguiente hace tangible esta garantía para el caso más delicado: el envío de un correo electrónico.

import mistralai.workflows as workflows

@workflows.activity()
async def send_email(recipient: str, content: str) -> dict:
    """Esta actividad se ejecuta solo una vez,
    incluso si el flujo de trabajo se reproduce varias veces."""
    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:
        # Si el flujo de trabajo falla DESPUÉS de enviar el correo,
        # el correo NO se volverá a enviar durante la reproducción.
        email_result = await send_email(recipient, "Tu informe está listo")

        # El flujo de trabajo se reanuda aquí
        log_result = await log_notification(recipient, email_result)
        return log_result

Tolerancia a fallos: escenarios cubiertos

La plataforma gestiona cuatro tipos de incidentes sin que tengas que escribir ni una sola línea de código. Primero, el fallo de un trabajador: el proceso de Python se detiene abruptamente debido a un error de memoria, una señal kill o un reinicio del servidor. Otro trabajador retoma el flujo de trabajo exactamente donde lo dejó. Segundo, un error de red transitorio: una llamada a la API falla por un tiempo de espera agotado. La política de reintentos reinicia automáticamente la actividad con un retroceso exponencial, utilizando retrasos crecientes para evitar saturar un servicio con dificultades.

Tercero, errores en tu propio código: una excepción lanzada en una actividad se reintenta un número definido de veces según la política configurada antes de fallar permanentemente. Cuarto, la indisponibilidad temporal de un servicio de terceros. El efecto aquí es dramático: si la API de un socio se cae durante diez minutos, tu canalización nocturna ya no falla. Las actividades pendientes se reinician cuando el servicio vuelve a estar disponible y el procesamiento finaliza solo diez minutos tarde.

La restricción de determinismo

La reproducción tiene un coste. Para que la reproducción del registro reproduzca fielmente la ejecución original, el código del flujo de trabajo (no el de las actividades) debe ser determinista. Dados los mismos datos de entrada, debe producir la misma secuencia de operaciones. Si tu flujo de trabajo se ramifica basándose en if datetime.now().hour < 12, una reproducción esta noche podría tomar la otra rama, desincronizando completamente el registro.

Por lo tanto, nunca debes hacer lo siguiente en el código del flujo de trabajo:

  • Usar datetime.now() → usa workflow.now()
  • Usar uuid.uuid4() → usa workflow.uuid4()
  • Usar random.random() → usa workflow.random()
  • Realizar llamadas de red o de E/S directamente → muévelas a una actividad

Estas tres sustituciones devuelven valores registrados durante la primera pasada y se reproducen idénticamente después. Detallaremos esta restricción en la Lección 8, que se centra en el determinismo.

Comparación con enfoques tradicionales

EnfoqueRecuperación ante fallosGarantía de ejecuciónComplejidad
Script simple de PythonNoNingunaBaja
Cola de mensajes (Celery, RQ)ParcialAl menos una vez (At-least-once)Media
Cron + Base de datosManualDepende de la implementaciónAlta
Flujos de trabajo de Mistral (Temporal)AutomáticaExactamente una vez (lógica)Baja (SDK)

Presta mucha atención a la columna de complejidad. Una cola de mensajes parece sencilla para empezar, pero su recuperación parcial te obliga a escribir lógica de gestión de estado que el SDK proporciona listo para usar.

Exactamente una vez: una garantía lógica

La plataforma garantiza que la lógica de tu flujo de trabajo se ejecute exactamente una vez. Si una actividad tiene éxito, el sistema registra el resultado y nunca la vuelve a ejecutar. Si falla, el sistema la reintenta según la política configurada.

La palabra «lógica» no es decorativa. A nivel de red, una llamada podría enviarse realmente dos veces: tu solicitud para crear un cliente llega al CRM, pero la confirmación se pierde en el trayecto. Desde tu perspectiva, la actividad ha fallado y se reintentará, aunque el cliente ya exista. Esto crea la necesidad de actividades idempotentes, que produzcan el mismo resultado incluso si se llaman varias veces con los mismos parámetros. En la práctica, esto significa preferir un PUT sobre un ID estable en lugar de un POST que crea una nueva fila en cada llamada.

Puntos clave

  • El origen de eventos registra cada paso como un evento inmutable en un registro
  • La reproducción automática permite reanudar un flujo de trabajo interrumpido sin volver a ejecutar las actividades finalizadas
  • La plataforma gestiona automáticamente fallos, errores de red e interrupciones de servicio
  • El código del flujo de trabajo debe ser determinista para que la reproducción funcione
  • Las actividades deben ser idempotentes para garantizar la consistencia durante los reintentos
  • La garantía de ejecución es exactamente una vez a nivel lógico