如何设计高可靠的分布式工作流编排模式
解决复杂分布式事务和长周期任务的可靠性问题：通过将编排逻辑（Workflows）与外部交互（Activities）解耦，实现具备自动状态持久化和故障恢复能力的系统架构。
为什么需要这个技能
在微服务架构中，跨服务的业务流程（如订单支付、账户激活）经常面临网络波动、部分服务宕机或需要人工审批等挑战。传统的同步调用或简单的消息队列难以处理长达数小时甚至数年的复杂状态流转。
通过学习工作流编排模式（以 Temporal 为代表），开发者可以构建出即便在基础设施崩溃后也能从上次成功步骤无缝恢复的系统，将“重试逻辑”和“状态管理”从业务代码中抽离，交给底层引擎处理。
适用场景
- 多步跨服务流程：涉及多个数据库或微服务的分布式事务。
- 长周期任务：需要运行数天、数月甚至数年的工作流（如订阅管理、审批流）。
- 需要强可靠性的业务：如支付结算、订单履约、基础设施自动化部署。
- 人机交互系统：需要等待外部信号或人工干预才能继续的流程。
核心工作流
1. 关键设计决策：Workflow vs Activity
这是编排模式的核心分水岭：
- Workflows (编排层)：负责决策和逻辑协调。必须是确定性的（相同输入必有相同输出），严禁直接调用 API、使用随机数或系统时间。
- Activities (执行层)：负责所有外部交互（API 调用、数据库写）。允许非确定性，但必须实现幂等性，确保多次执行结果一致。
2. 核心设计模式
- Saga 模式 (补偿机制)：为每个步骤注册对应的补偿操作。一旦某步失败，按 LIFO（后进先出）顺序执行补偿，实现最终一致性。
- 实体工作流 (Entity Workflows)：将一个 Workflow 实例映射为一个业务实体（如一个购物车），通过信号（Signal）更新状态。
- 扇出/扇入 (Fan-Out/Fan-In)：并行启动多个子工作流处理任务，并在最后汇总结果。
- 异步回调 (Async Callback)：工作流发送请求后进入等待状态，直到收到外部信号才继续执行。
3. 状态与确定性管理
- 状态持久化：引擎自动记录所有事件历史，崩溃后通过“重放（Replay）”还原状态。
- 确定性约束：在 Workflow 中禁止使用
datetime.now()或多线程，必须使用框架提供的workflow.now()等确定性 API。
下载和安装
下载 workflow-orchestration-patterns 中文版 Skill ZIP
解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。
你可能还需要
暂无推荐