Contexto: ¿por qué otro workflow engine?

Los procesos de negocio con múltiples pasos — sobre todo los que cruzan servicios, esperan input humano o mezclan pasos síncronos y asíncronos — necesitan estado persistente. Cuando el servidor reinicia, el proceso debe saber qué ya pasó, qué se debe reintentar y qué sigue pendiente. Implementar esto proceso por proceso significa resolver una y otra vez los mismos problemas de falla parcial, timers y recovery, con su testing y debugging.

La mayoría de los engines resuelven esto con un servicio de orquestación central (self-hosted o gestionado). Eso da una plataforma unificada, pero agrega una dependencia compartida. Airbnb quería otro modelo: cada servicio dueño de sus workflows, dentro del deployment y la base de datos que ya tiene. Eso moldeó Skipper, ahora open source bajo Apache 2.0.

근거자료: Airbnb Engineering — Skipper is now open source

Embedded workflow engine running inside Java service replicas with shared database System Abstract Visual

Arquitectura: runtime dentro de tus réplicas

Con Skipper, las réplicas de tu servicio también corren el runtime y el scheduler de workflows. Comparten una base de datos que guarda el estado de los workflows y el trabajo agendado. El scheduler hace polling de tareas ejecutables y usa leases para coordinar ownership — si una réplica muere, otra toma el trabajo. El timing de takeover depende de la configuración de scheduling y lease.

Esto elimina una capa de orquestación separada. El tradeoff: ahora tu equipo es dueño de la ejecución de workflows, la capacidad de la base y el recovery.

Un workflow es solo una clase

Dos abstracciones principales:

  • Workflow — orquestación (decisiones, orden, esperas)
  • Action — trabajo con efecto secundario (llamada a API, escritura a DB); los resultados se checkpointan para replay
class PublishListing : Workflow() {
    private val listing = actions()
    @StateField var reviewApproved: Boolean? = null

    @WorkflowMethod
    suspend fun publish(request: PublicationRequest): Boolean {
        if (request.requiresReview) {
            // Espera sin retener thread; sobrevive redeploys
            val reviewed = waitUntil(
                { reviewApproved != null },
                Duration.ofDays(1)
            )
            if (!reviewed || reviewApproved != true) return false
        }
        listing.publish(request.listingId, request.requestId)
        listing.notifyHost(request.listingId, request.requestId)
        return true
    }

    @SignalMethod
    fun recordReview(approved: Boolean) {
        reviewApproved = approved
    }
}

El waitUntil hiberna el workflow; recordReview es un signal desde un handler de API o consumer de cola. Cada action debe ser idempotente (por ejemplo, deduplicando por request ID estable) — Skipper no hace transaccionales las llamadas downstream.

Recovery vía checkpoints y replay

Al reanudar, Skipper reejecuta el método del workflow desde arriba. Las actions con checkpoints persistidos devuelven el resultado guardado. Esto exige código determinístico: lecturas de reloj, aleatoriedad e I/O van en las actions, no en el cuerpo del workflow. Por defecto, los checkpoints se batchean hasta la conclusión o una espera/retry — reduce escrituras a la DB pero amplía la ventana de replay en caso de crash. Las actions pueden pedir checkpoint inmediato para reducir esa ventana.

Skipper architecture diagram showing workflow runtime and scheduler in service process Software Concept Art

Dónde encaja Skipper — y dónde no

DimensiónOrquestador central (Temporal, Cadence, Step Functions)Skipper (embebido)
DeploymentCluster/servicio separadoDentro de las réplicas de tu servicio
Dueño de la operaciónEquipo de plataformaEquipo del servicio
Latencia por pasoRound-trip al orquestadorIn-process (solo DB + downstream)
Plataforma multi-equipoFuerteMás débil (por servicio)
Soporte de lenguajePolíglotaJVM (Java/Kotlin)
StorageGestionadoMySQL, SQLite (Postgres/DynamoDB en roadmap)

Buen fit: servicios Java/Kotlin con operación madura, dueños de un proceso multi-paso, que quieren ejecución duradera sin levantar un cluster nuevo. Sobre todo cuando la alternativa es mantener a mano jobs de retry, tablas de estado y loops de polling.

Mal fit: orgs políglotas que quieren una plataforma única compartida, o equipos sin disciplina de capacity planning en la DB.

Ojo con esto

  • At-least-once, no exactly-once. Efectos secundarios y checkpoints no son atómicos — cuida la idempotencia.
  • Determinismo es requisito duro. Cualquier no-determinismo en el workflow rompe el replay.
  • La DB es tuya. Capacidad, migraciones y timing de recovery (lease settings) caen en tu cancha.
  • Solo JVM hoy. Sin Python/Go/Node.
  • Madurez del ecosistema. Admin UI y tooling existen, pero debug de replay y evolución aún están madurando.

Qué viene en el release

Engine core, adapters MySQL y SQLite, utilidades de test (WorkflowTest con tiempo controlable), admin UI, signals/queries/retries/compensation, y una DSL Kotlin llamada Skipper State Machine para procesos estilo state/event/transition.

Comparison of embedded orchestration vs central workflow cluster for durable execution Dev Environment Setup

Próximos pasos y qué esperar

Airbnb planea agregar plugins de storage (Postgres, DynamoDB) y mejorar el tooling de evolución de workflows y debug de replay. Contribuciones de la comunidad en compatibilidad automatizada y visualización de replay son bienvenidas.

Si vas a evaluar Skipper:

  1. Audita tu código actual de retry/tabla de estado — ahí está la migración.
  2. Prototipa con WorkflowTest antes de tocar la DB de producción.
  3. Fuerza determinismo con lint rules o checklist de code review.
  4. Planea capacidad de DB y tuning de lease junto con el rollout.

Lee también:

Este contenido fue redactado con la asistencia de herramientas de IA, basándose en fuentes confiables, y fue revisado por nuestro equipo editorial antes de su publicación. No reemplaza el asesoramiento de un profesional especializado.