Vytvorenie workflow
Na tejto strane
Úloha workflow
Workflow predstavuje vrstvu orchestrácie tvojej aplikácie. Definuje, čo sa má stať, v akom poradí a za akých podmienok – bez toho, aby samotnú prácu vykonávalo. Konkrétne koordinuje aktivity, čaká na externé udalosti, spravuje časovače a podmienené vetvy, ale nikdy nepristupuje priamo k sieti ani disku.
Môžeš si to zhrnúť do jednej vety, ktorú si zapamätaj pri každej kontrole kódu: aktivity vykonávajú prácu, workflow ju riadi. Ak v triede workflow uvidíš httpx alebo open(), niečo musíš presunúť.
Štruktúra workflow
Workflow je Python trieda označená dekorátorom @workflows.workflow.define(), ktorá obsahuje vstupnú metódu označenú @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
Dekorátor @workflows.workflow.define(name="...") registruje triedu ako workflow. Parameter name, ktorý dostáva, je jedinečný identifikátor, ktorý použiješ na spustenie vykonania – práve tento reťazec, nie názov Python triedy, vidí volajúci. Dekorátor @workflows.workflow.entrypoint označuje metódu, ktorá sa volá pri štarte. Prvým parametrom zostáva self, čo je inštancia triedy ako pri každom Python objekte, a každé volanie aktivity používa await.
Kompletný príklad: spracovateľský pipeline
Tu je realistické workflow, ktoré orchestruje viacero aktivít na spracovanie dokumentu. Všimni si rozdelenie práce: tri funkcie hore obsahujú všetok kód, ktorý komunikuje s externým svetom, zatiaľ čo trieda dole iba reťazí volania await a zostavuje výsledok.
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"]
}
Každé await vo workflow predstavuje bod perzistencie. Stojí za to si to overiť v mysli na vyššie uvedenom príklade: ak proces zlyhá medzi krokom 2 a krokom 3, dokument sa znova nestiahne a model sa znova nevyvolá – žiadne dodatočné náklady za tokeny. Workflow sa obnoví priamo v kroku ukladania.
Odolnosť workflow
Workflow prežijú reštarty, zlyhania infraštruktúry a prechodné chyby, pretože platforma zaznamenáva každú udalosť a počas opätovného prehrávania obnoví stav workflow. Táto rekonštrukcia je spoľahlivá len za jednej podmienky, ktorú sme spomenuli skôr: kód workflow musí vždy produkovať rovnakú postupnosť operácií pre rovnaké vstupy. Toto je obmedzenie determinizmu. Podrobnosti si preberieme v lekcii 8.
Workflow s podmieneným vetvením
Workflow nie je obmedzené len na lineárnu postupnosť. Môže obsahovať podmienenú logiku, ako v tomto príklade spracovania objednávky, kde cesta závisí od stavu zásob:
@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"}
Vetvy if/else sú plne podporované. Jediné obmedzenie sa týka materiálu použitého na rozhodovanie: výsledok vetvy musí závisieť od návratovej hodnoty aktivity – hodnoty zaznamenanej v logu a identicky prehranej – nie od priameho volania externej služby z workflow. Tu verifier_stock dopytuje inventár v rámci aktivity a príkaz if číta iba slovník, ktorý už bol perzistentne uložený.
Vstupy s Pydantic
Workflow, ktoré prijíma šesť pozičných parametrov, sa rýchlo stane nečitateľným. Pre štruktúrované vstupy používaj modely Pydantic, ktoré zároveň poskytujú validáciu typov na začiatku vykonávania:
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"]}
Jedna dôležitá poznámka pri spúšťaní tohto workflow: keď použiješ BaseModel, polia sa stanú kľúčmi najvyššej úrovne v JSON vstupe odoslanom do workflow. Odošleš {"type_rapport": ..., "date_debut": ...}, nie objekt vnorený pod kľúčom params.
Osvedčené postupy
Štyri návyky robia v dlhodobom horizonte rozdiel. Po prvé, dodržuj jednu zodpovednosť na jedno workflow: miešanie fakturácie a následnej starostlivosti o predaj v tej istej triede znemožňuje opätovné prehratie jednej časti bez druhej. Ďalej dbaj na pomenovanie, keďže name workflow je verejný identifikátor volaný z iných systémov – "traitement_commande" je udržateľné, "workflow_1" nie. Nezavádzaj do workflow žiadne operácie I/O: každé volanie siete, prístup k súboru alebo dopyt do databázy patrí do aktivity. Nakoniec udržuj kód workflow jednoduchý presunutím komplexnej logiky – parsingu, transformácií, náročných výpočtov – do aktivít, kde ju možno testovať izolovane bez obmedzení determinizmu.
Kľúčové poznatky
- Workflow je trieda označená dekorátorom
@workflows.workflow.define(), ktorá orchestruje aktivity - Metóda
@workflows.workflow.entrypointje vstupným bodom volaným pri štarte - Každé
awaitaktivity je bodom perzistencie (automatické obnovenie pri zlyhaní) - Podmienené vetvy a cykly sú podporované
- Na štruktúrované vstupné parametre používaj modely Pydantic
- Workflow nesmie obsahovať žiadne priame operácie I/O