Pravidlo determinizmu
Na tejto strane
Prečo je determinizmus povinný
Determinizmus je najkritickejším obmedzením v pracovných postupoch Mistral a vyplýva priamo z mechanizmu opakovania (replay), o ktorom si sa učil vyššie. Keď worker obnoví prerušený pracovný postup, prehrá kód pracovného postupu od začiatku a porovná operáciu po operácii to, čo kód produkuje, s tým, čo zaznamenal histórický záznam (journal). Pokiaľ sa obe sekvencie zhodujú, obnovenie je neviditeľné. V momente, keď sa rozídu, platforma nemá spôsob, ako zistiť, kde skončila: zistí nekonzistenciu a zlyhá pracovný postup s chybou nedeterminizmu.
V praxi deterministický pracovný postup produkuje presne rovnakú sekvenciu operácií zakaždým, keď sa spustí s rovnakými vstupmi. Všimni si nuansu: výsledky aktivít sa môžu medzi spusteniami líšiť, keďže pochádzajú z journalu. Je to poradie volaní, ktoré musí zostať identické.
Ako to vyzerá v kóde
Zoberme si pracovný postup, ktorý odosiela report používateľovi na základe stavu jeho predplatného.
@workflows.workflow.define(name="deterministic_workflow")
class DeterministicWorkflow:
@workflows.workflow.entrypoint
async def run(self, user_id: str) -> dict:
# Vždy rovnaká sekvencia volaní pre rovnaký vstup
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"}
Tento pracovný postup je deterministický, hoci obsahuje vetvenie. Dôvod spočíva v zdroji podmienky: profile["premium"] pochádza z výsledku aktivity, takže pochádza z journalu. Počas opakovania (replay) vráti get_profile presne rovnakú hodnotu ako pri prvom spustení a zvolí sa rovnaká cesta.
Teraz to porovnaj s touto verziou, ktorá vyzerá neškodne, ale všetko pokazí.
import datetime
import random
@workflows.workflow.define(name="non_deterministic_workflow")
class NonDeterministicWorkflow:
@workflows.workflow.entrypoint
async def run(self, user_id: str) -> dict:
# ZAKÁZANÉ: datetime.now() sa mení pri každom spustení
if datetime.datetime.now().hour < 12:
await send_morning_email(user_id)
else:
await send_afternoon_email(user_id)
# ZAKÁZANÉ: random.random() zakaždým vráti iný výsledok
if random.random() > 0.5:
await send_notification(user_id)
return {"status": "completed"}
Predstav si, že worker zlyhá o 11:58 dopoludnia a reštartuje sa o 12:03 popoludní. Pri opakovaní vráti datetime.now() čas popoludnia, zatiaľ čo história obsahuje volanie send_morning_email. Pracovný postup zlyhá. random.random() produkuje rovnaký efekt, len ťažšie sa diagnostikuje.
Náhrady v SDK
SDK nielen zakazuje tieto volania, ale poskytuje deterministické ekvivalenty pre tri najbežnejšie operácie.
from mistralai.workflows import workflow
# Získanie aktuálneho času (deterministické počas replay)
current_time = workflow.now() # Namiesto datetime.now()
# Generovanie unikátneho ID (deterministické počas replay)
request_id = workflow.uuid4() # Namiesto uuid.uuid4()
# Získanie náhodného čísla (deterministické počas replay)
rand_value = workflow.random() # Namiesto random.random()
Princíp je rovnaký ako pri aktivitách: hodnota sa vypočíta a zaznamená do journalu pri prvom spustení a následne sa len prehrá. Predchádzajúci príklad sa tak stane úplne bezpečným.
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:
# SPRÁVNE: workflow.now() je deterministické počas replay
current_hour = workflow.now()
if current_hour.hour < 12:
await send_morning_email(user_id)
else:
await send_afternoon_email(user_id)
# SPRÁVNE: workflow.random() je deterministické počas replay
if workflow.random() > 0.5:
await send_notification(user_id)
# SPRÁVNE: workflow.uuid4() je deterministické počas replay
trace_id = workflow.uuid4()
await log_trace(str(trace_id), user_id)
return {"status": "completed", "trace_id": str(trace_id)}
Hranica, ktorú si treba pamätať
Nasledujúce prvky sú v kóde pracovného postupu zakázané: datetime.now(), datetime.utcnow() a time.time(); uuid.uuid4() a uuid.uuid1(); random.random(), random.randint() a random.choice(); akékoľvek priame sieťové volanie (httpx, aiohttp, requests); akékoľvek čítanie alebo zápis súboru (open(), aiofiles); akýkoľvek prístup k databáze; os.environ, pretože premenné prostredia sa môžu medzi opakovaniami meniť; a nakoniec threading a multiprocessing, keďže platforma rieši interný paralelizmus.
Všetko reprodukovateľné zostáva povolené: volanie aktivít cez await, používanie workflow.now(), workflow.uuid4() a workflow.random(), písanie podmienených logík alebo slučiek, ktorých podmienky závisia od výsledkov aktivít, manipulácia s dátami v pamäti (výpočty, reťazce) a logovanie – logovanie sa považuje za prijateľný vedľajší efekt.
Diagnostika chyby nedeterminizmu
Keď táto chyba nastane, na jej lokalizáciu zvyčajne stačia štyri kontroly.
- Prítomnosť nedeterministických volaní – Hľadaj
datetime.now,uuid.uuid4,random.randomv kóde pracovného postupu - Priame I/O – Akékoľvek sieťové alebo súborové volanie musí byť v aktivite
- Premenné prostredia – Ak používaš
os.environna vetvenie, presuň čítanie do aktivity - Knižnice tretích strán – Niektoré knižnice vykonávajú sieťové volania alebo interne používajú náhodnosť
Tento posledný bod je najzáludnejší: serializačná knižnica, ktorá triedi podľa náhodne generovaného ID, alebo HTTP klient inštancovaný pri načítaní modulu, môže spôsobiť zlyhanie opakovania, hoci sa v tvojom pracovnom postupe neobjaví ani jeden podozrivý riadok.
Najúčinnejšou obranou je udržiavať pracovný postup čo najjednoduchší a presunúť všetku komplexnú logiku do aktivít. Pracovný postup, ktorý jednoducho reťazí tri volania, nemá mechanicky žiadnu príležitosť byť nedeterministický.
# OSVEDČENÝ POSTUP: jednoduchý pracovný postup, logika v aktivitách
@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
Kľúčové poznatky
- Kód pracovného postupu musí byť deterministický: rovnaké vstupy = rovnaká sekvencia operácií
- Používaj
workflow.now(),workflow.uuid4(),workflow.random()namiesto štandardných ekvivalentov v Pythone - Všetky operácie I/O (sieť, súbory, DB) musia byť v aktivite, nikdy nie v pracovnom postupe
- Podmienené vetvenia sú povolené, ak závisia od výsledkov aktivít
- Porušenie determinizmu spôsobí zlyhanie pracovného postupu počas opakovania (replay)
- Ak máš pochybnosti, presuň logiku do aktivity