Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Duurzaamheid en betrouwbaarheid van workflows

Les 2 van 14 Bijgewerkt op 29 juli 2026 Gevorderd
Op deze pagina
  1. Waarom duurzaamheid alles verandert
  2. Event sourcing: het kernprincipe
  3. Automatische replay: herstel na fouten
  4. Fouttolerantie: gedekte scenario’s
  5. De beperking van determinisme
  6. Vergelijking met traditionele benaderingen
  7. Precies één keer: een logische garantie
  8. Belangrijkste punten

Waarom duurzaamheid alles verandert

Stel u een pijplijn voor met tien stappen die een batch facturen verwerkt: extractie, validatie, modelaanroep, database-schrijfbewerking, notificatie. In een standaard Python-script dwingt een crash bij stap 7 u terug naar stap 1. De eerste zes stappen worden opnieuw uitgevoerd, wat ernstige problemen veroorzaakt als een van hen al naar de database heeft geschreven of een bericht heeft verzonden. Met een duurzame workflow hervat het systeem exact bij stap 7. Het slaat de eerste zes stappen over, voorkomt dubbele acties en verliest geen gegevens.

Deze mogelijkheid berust op een specifiek mechanisme genaamd event sourcing. Het begrijpen van dit concept is essentieel omdat het de beperkingen verklaart die u later zult tegenkomen.

Event sourcing: het kernprincipe

Event sourcing legt elke workflow-actie vast als een onomkeerbaar event in een logboek. Het verschil met een traditionele aanpak komt neer op één zin: in plaats van alleen de huidige status op te slaan (bijvoorbeeld “bezig, stap 7”), bewaart het platform een volledige geschiedenis van bewerkingen en hun resultaten. Een workflow-uitvoering met twee activiteiten laat het volgende spoor na:

  1. De workflow start en ontvangt invoerparameters → event vastgelegd
  2. De workflow roept Activiteit A aan → event vastgelegd
  3. Activiteit A wordt voltooid met een resultaat → event vastgelegd
  4. De workflow roept Activiteit B aan → event vastgelegd
  5. Activiteit B wordt voltooid → event vastgelegd
  6. De workflow geeft zijn eindresultaat terug → event vastgelegd

Het systeem persisteert elke stap voordat het naar de volgende gaat. Er is geen moment waarop een actie plaatsvindt zonder dat het logboek daarvan weet. Dit logboek wordt de enige bron van waarheid; de workflow-status bestaat nergens anders.

Automatische replay: herstel na fouten

Wanneer een worker crasht, neemt een nieuwe worker het over, haalt het event-logboek op en speelt de workflow-code opnieuw af vanaf het begin. Het woord “replay” verrast mensen vaak: de code start inderdaad opnieuw vanaf regel één, maar voor elke activiteit die al is voltooid, roept de engine uw functie niet opnieuw aan. In plaats daarvan substitueert het het vastgelegde resultaat uit het logboek. De workflow vordert op leessnelheid totdat deze de eerste onvoltooide activiteit bereikt. Pas dan wordt het echte werk hervat.

Activiteiten die al succesvol zijn voltooid, worden nooit opnieuw uitgevoerd tijdens een replay. Het onderstaande voorbeeld maakt deze garantie tastbaar voor het meest gevoelige geval: het verzenden van een e-mail.

import mistralai.workflows as workflows

@workflows.activity()
async def send_email(recipient: str, content: str) -> dict:
    """This activity runs only once,
    even if the workflow replays multiple times."""
    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:
        # If the workflow crashes AFTER sending the email,
        # the email will NOT be resent during replay.
        email_result = await send_email(recipient, "Your report is ready")

        # The workflow resumes here
        log_result = await log_notification(recipient, email_result)
        return log_result

Fouttolerantie: gedekte scenario’s

Het platform behandelt vier soorten incidenten zonder dat u ook maar één regel code hoeft te schrijven. Ten eerste een worker-crash: het Python-proces stopt abrupt door een geheugenfout, een kill-signaal of een serverherstart. Een andere worker pikt de workflow precies op waar deze gebleven was. Ten tweede een tijdelijke netwerkfout: een API-aanroep mislukt door een time-out. Het retry-beleid start de activiteit automatisch opnieuw op met exponentiële backoff, waarbij toenemende vertragingen worden gebruikt om een worstelende service niet plat te leggen.

Ten derde fouten in uw eigen code: een uitzondering die in een activiteit wordt gegenereerd, wordt een bepaald aantal keren opnieuw geprobeerd op basis van het geconfigureerde beleid voordat deze definitief faalt. Ten vierde tijdelijke onbeschikbaarheid van een service van derden. Het effect hiervan is dramatisch: als een partner-API tien minuten uitvalt, faalt uw nachtelijke pijplijn niet langer. In afwachting zijnde activiteiten worden opnieuw gestart wanneer de service weer beschikbaar is, en de verwerking wordt slechts tien minuten later voltooid.

De beperking van determinisme

Replay heeft een prijs. Om ervoor te zorgen dat de log-replay de oorspronkelijke uitvoering getrouw reproduceert, moet de workflow-code (niet de activiteiten) deterministisch zijn. Gegeven dezelfde inputs moet deze dezelfde reeks bewerkingen produceren. Als uw workflow vertakt op basis van if datetime.now().hour < 12, kan een replay vanavond de andere tak nemen, waardoor het logboek volledig uit sync raakt.

Daarom mag u het volgende nooit doen in workflow-code:

  • Gebruik datetime.now() → gebruik workflow.now()
  • Gebruik uuid.uuid4() → gebruik workflow.uuid4()
  • Gebruik random.random() → gebruik workflow.random()
  • Doe netwerk- of I/O-aanroepen direct → verplaats deze naar een activiteit

Deze drie substituties retourneren waarden die tijdens de eerste doorgang zijn vastgelegd en daarna identiek worden afgespeeld. We zullen deze beperking in detail behandelen in Les 8, die zich richt op determinisme.

Vergelijking met traditionele benaderingen

BenaderingHerstel bij foutenUitvoeringsgarantieComplexiteit
Eenvoudig Python-scriptNeeGeenLaag
Message Queue (Celery, RQ)GedeeltelijkMinstens één keer (At-least-once)Gemiddeld
Cron + DatabaseHandmatigAfhankelijk van implementatieHoog
Mistral Workflows (Temporal)AutomatischPrecies één keer (logisch)Laag (SDK)

Let goed op de kolom complexiteit. Een message queue lijkt eenvoudig om mee te beginnen, maar het gedeeltelijke herstel dwingt u om logica voor statusbeheer te schrijven die de SDK standaard biedt.

Precies één keer: een logische garantie

Het platform garandeert dat uw workflow-logica precies één keer wordt uitgevoerd. Als een activiteit slaagt, legt het systeem het resultaat vast en voert het deze nooit opnieuw uit. Als deze faalt, probeert het systeem deze opnieuw volgens het geconfigureerde beleid.

Het woord “logisch” is niet decoratief. Op netwerkniveau kan een aanroep feitelijk twee keer worden verzonden: uw verzoek om een klant aan te maken bereikt het CRM, maar de bevestiging raakt onderweg kwijt. Vanuit uw perspectief is de activiteit mislukt en zal deze opnieuw worden geprobeerd, ook al bestaat de klant al. Dit creëert de behoefte aan idempotente activiteiten, die hetzelfde resultaat produceren, zelfs als ze meerdere keren met dezelfde parameters worden aangeroepen. In de praktijk betekent dit dat u de voorkeur geeft aan een PUT op een stabiele ID boven een POST die bij elke aanroep een nieuwe rij aanmaakt.

Belangrijkste punten

  • Event sourcing legt elke stap vast als een onomkeerbaar event in een logboek
  • Automatische replay stelt u in staat een onderbroken workflow te hervatten zonder voltooide activiteiten opnieuw uit te voeren
  • Het platform behandelt automatisch crashes, netwerkfouten en service-uitval
  • Workflow-code moet deterministisch zijn om replay mogelijk te maken
  • Activiteiten moeten idempotent zijn om consistentie tijdens retries te waarborgen
  • De uitvoeringsgarantie is logisch precies één keer