Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Pravidlo determinizmu

Lekcia 8 z 14 Aktualizované 2. novembra 2026 Pokročilý
Na tejto strane
  1. Prečo je determinizmus povinný
  2. Ako to vyzerá v kóde
  3. Náhrady v SDK
  4. Hranica, ktorú si treba pamätať
  5. Diagnostika chyby nedeterminizmu
  6. Kľúčové poznatky

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.

  1. Prítomnosť nedeterministických volaní – Hľadaj datetime.now, uuid.uuid4, random.random v kóde pracovného postupu
  2. Priame I/O – Akékoľvek sieťové alebo súborové volanie musí byť v aktivite
  3. Premenné prostredia – Ak používaš os.environ na vetvenie, presuň čítanie do aktivity
  4. 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