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.

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.

Dónde encaja Skipper — y dónde no
| Dimensión | Orquestador central (Temporal, Cadence, Step Functions) | Skipper (embebido) |
|---|---|---|
| Deployment | Cluster/servicio separado | Dentro de las réplicas de tu servicio |
| Dueño de la operación | Equipo de plataforma | Equipo del servicio |
| Latencia por paso | Round-trip al orquestador | In-process (solo DB + downstream) |
| Plataforma multi-equipo | Fuerte | Más débil (por servicio) |
| Soporte de lenguaje | Políglota | JVM (Java/Kotlin) |
| Storage | Gestionado | MySQL, 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.

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:
- Audita tu código actual de retry/tabla de estado — ahí está la migración.
- Prototipa con
WorkflowTestantes de tocar la DB de producción. - Fuerza determinismo con lint rules o checklist de code review.
- Planea capacidad de DB y tuning de lease junto con el rollout.
Lee también: