Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Pravilo determinizma

Lekcija 8 od 14 Ažurirano 2. studenoga 2026. Napredno
Na ovoj stranici
  1. Zašto je determinizam obavezan
  2. Kako to izgleda u kodu
  3. Zamjene u SDK-u
  4. Granica koje se trebaš sjećati
  5. Dijagnosticiranje pogreške nedeterminizma
  6. Ključne točke

Zašto je determinizam obavezan

Determinizam je najkritičnije ograničenje u Mistral tijekovima rada, a proizlazi izravno iz mehanizma ponovnog izvršavanja (replay) koji si naučio ranije. Kada radnik nastavi prekinuti tijek rada, ponovno izvršava kod tijeka rada od samog početka i uspoređuje, operaciju po operaciju, ono što kod proizvodi s onim što je zabilježeno u dnevniku povijesti. Sve dok se ta dva niza podudaraju, nastavak je nevidljiv. U trenutku kada se razilaze, platforma nema načina saznati gdje je stala: detektira nedosljednost i ne uspijeva tijek rada s pogreškom nedeterminizma.

U praksi, deterministički tijek rada proizvodi točno isti niz operacija svaki put kada se pokrene s istim ulazima. Primijeti nijansu: rezultati aktivnosti mogu varirati između izvršavanja jer dolaze iz dnevnika. Redoslijed poziva je ono što mora ostati identično.

Kako to izgleda u kodu

Razmotri tijek rada koji šalje izvješće korisniku na temelju statusa njegove pretplate.

@workflows.workflow.define(name="deterministic_workflow")
class DeterministicWorkflow:
    @workflows.workflow.entrypoint
    async def run(self, user_id: str) -> dict:
        # Uvijek isti slijed poziva za isti ulaz
        profile = await get_profile(user_id)
        
        if profile["premium"]:
            report = await generate_full_report(user_id)
        else:
            report = await generate_basic_report(user_id)
        
        await send_email(profile["email"], report)
        return {"status": "completed"}

Ovaj tijek rada je deterministički iako sadrži grananje. Razlog leži u izvoru uvjeta: profile["premium"] dolazi iz rezultata aktivnosti, dakle iz dnevnika. Tijekom ponovnog izvršavanja, get_profile vraća točno istu vrijednost kao i pri prvom izvršavanju, te se odabire isti put.

Sada to usporedi s ovom verzijom, koja izgleda bezopasno, ali ruši sve.

import datetime
import random

@workflows.workflow.define(name="non_deterministic_workflow")
class NonDeterministicWorkflow:
    @workflows.workflow.entrypoint
    async def run(self, user_id: str) -> dict:
        # ZABRANJENO: datetime.now() se mijenja pri svakom izvršavanju
        if datetime.datetime.now().hour < 12:
            await send_morning_email(user_id)
        else:
            await send_afternoon_email(user_id)
        
        # ZABRANJENO: random.random() svaki put daje drugačiji rezultat
        if random.random() > 0.5:
            await send_notification(user_id)
        
        return {"status": "completed"}

Zamisli da se radnik sruši u 11:58 i ponovno pokrene u 12:03. Pri ponovnom izvršavanju, datetime.now() vraća poslijepodnevno vrijeme, dok povijest sadrži poziv send_morning_email. Tijek rada ne uspijeva. random.random() proizvodi isti učinak, samo ga je teže dijagnosticirati.

Zamjene u SDK-u

SDK ne samo da zabranjuje ove pozive; već pruža determinističke ekvivalente za tri najčešće operacije.

from mistralai.workflows import workflow

# Dohvati trenutno vrijeme (determinističko tijekom ponovnog izvršavanja)
current_time = workflow.now()          # Umjesto datetime.now()

# Generiraj jedinstveni ID (determinističko tijekom ponovnog izvršavanja)
request_id = workflow.uuid4()          # Umjesto uuid.uuid4()

# Dohvati nasumičan broj (determinističko tijekom ponovnog izvršavanja)
rand_value = workflow.random()         # Umjesto random.random()

Princip je isti kao i za aktivnosti: vrijednost se izračuna i zabilježi u dnevnik pri prvom izvršavanju, a zatim se jednostavno ponovno izvrši nakon toga. Prethodni primjer tada postaje savršeno siguran.

import mistralai.workflows as workflows
from mistralai.workflows import workflow

@workflows.workflow.define(name="fixed_workflow")
class FixedWorkflow:
    @workflows.workflow.entrypoint
    async def run(self, user_id: str) -> dict:
        # ISPRAVNO: workflow.now() je determinističko tijekom ponovnog izvršavanja
        current_hour = workflow.now()
        if current_hour.hour < 12:
            await send_morning_email(user_id)
        else:
            await send_afternoon_email(user_id)
        
        # ISPRAVNO: workflow.random() je determinističko tijekom ponovnog izvršavanja
        if workflow.random() > 0.5:
            await send_notification(user_id)
        
        # ISPRAVNO: workflow.uuid4() je determinističko tijekom ponovnog izvršavanja
        trace_id = workflow.uuid4()
        await log_trace(str(trace_id), user_id)
        
        return {"status": "completed", "trace_id": str(trace_id)}

Granica koje se trebaš sjećati

Sljedeće je zabranjeno u kodu tijeka rada: datetime.now(), datetime.utcnow() i time.time(); uuid.uuid4() i uuid.uuid1(); random.random(), random.randint() i random.choice(); bilo koji izravan mrežni poziv (httpx, aiohttp, requests); bilo koje čitanje ili pisanje datoteke (open(), aiofiles); bilo koji pristup bazi podataka; os.environ, jer se varijable okruženja mogu promijeniti između ponovnih izvršavanja; i konačno threading i multiprocessing, budući da platforma rukuje internom paralelizacijom.

Sve što je reproducibilno ostaje dopušteno: pozivanje aktivnosti putem await, korištenje workflow.now(), workflow.uuid4() i workflow.random(), pisanje uvjetne logike ili petlji čiji uvjeti ovise o rezultatima aktivnosti, manipulacija podacima u memoriji (izračuni, nizovi) i bilježenje u dnevnik (logging) – bilježenje se smatra prihvatljivom nuspojavom.

Dijagnosticiranje pogreške nedeterminizma

Kada se pojavi pogreška, četiri provjere obično su dovoljne da je lociraš.

  1. Prisutnost nedeterminističkih poziva — Potraži datetime.now, uuid.uuid4, random.random u kodu tijeka rada
  2. Izravni U/I — Bilo koji mrežni poziv ili poziv datoteci mora biti u aktivnosti
  3. Varijable okruženja — Ako koristiš os.environ za grananje, premjesti čitanje u aktivnost
  4. Biblioteke trećih strana — Neke biblioteke interno vrše mrežne pozive ili koriste slučajnost

Ova posljednja točka je najpodmuklija: biblioteka za serializaciju koja sortira prema nasumično generiranom ID-u ili HTTP klijent instanciran pri učitavanju modula mogu uzrokovati neuspjeh ponovnog izvršavanja, a da se u tvom tijeku rada ne pojavi niti jedna sumnjiva linija.

Najučinkovitija obrana je održavanje tijeka rada što jednostavnijim i prebacivanje sve složene logike u aktivnosti. Tijek rada koji jednostavno povezuje tri poziva mehanički nema priliku biti nedeterministički.

# NAJBOLJA PRAKSA: jednostavan tijek rada, logika u aktivnostima
@workflows.workflow.define(name="simple_pipeline")
class SimplePipeline:
    @workflows.workflow.entrypoint
    async def run(self, params: dict) -> dict:
        step1 = await prepare_data(params)
        step2 = await process_data(step1)
        step3 = await finalize(step2)
        return step3

Ključne točke

  • Kod tijeka rada mora biti deterministički: isti ulazi = isti niz operacija
  • Koristi workflow.now(), workflow.uuid4(), workflow.random() umjesto standardnih Python ekvivalenata
  • Sve U/I operacije (mreža, datoteka, baza podataka) moraju biti u aktivnosti, nikada u tijeku rada
  • Uvjetna grananja su dopuštena ako ovise o rezultatima aktivnosti
  • Kršenje determinizma uzrokuje neuspjeh tijeka rada tijekom ponovnog izvršavanja
  • Ako si u nedoumici, premjesti logiku u aktivnost