Contexto: por que mais um workflow engine?
Processos de negócio com múltiplas etapas — principalmente os que cruzam serviços, esperam input humano ou misturam passos síncronos e assíncronos — precisam de estado persistente. Quando o servidor reinicia, o processo tem que saber o que já rolou, o que deve ser retentado e o que ainda está pendente. Implementar isso processo a processo significa resolver de novo os mesmos problemas de falha parcial, timers e recovery — com testes e debug associados.
A maioria dos engines resolve isso com um serviço de orquestração central (self-hosted ou gerenciado). Isso dá uma plataforma unificada, mas adiciona uma dependência compartilhada. O Airbnb queria outro modelo: cada serviço dono dos seus workflows, dentro do deployment e do banco que já existem. Foi isso que moldou o Skipper, agora open source sob Apache 2.0.

Arquitetura: runtime dentro das suas réplicas
Com o Skipper, as réplicas do seu serviço também rodam o runtime e o scheduler de workflows. Elas compartilham um banco que guarda o estado dos workflows e o trabalho agendado. O scheduler faz polling de tarefas executáveis e usa leases pra coordenar ownership — se uma réplica morre, outra assume. O timing de takeover depende das configurações de scheduling e lease.
Isso elimina uma camada de orquestração separada. O tradeoff: agora é o seu time que cuida de execução de workflow, capacidade do banco e recovery.
Um workflow é só uma classe
Duas abstrações principais:
- Workflow — orquestração (decisões, ordem, esperas)
- Action — trabalho com efeito colateral (chamada de API, escrita no banco); resultados são checkpointados pra replay
class PublishListing : Workflow() {
private val listing = actions()
@StateField var reviewApproved: Boolean? = null
@WorkflowMethod
suspend fun publish(request: PublicationRequest): Boolean {
if (request.requiresReview) {
// Espera sem segurar thread; sobrevive a 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
}
}
O waitUntil hiberna o workflow; o recordReview é um signal vindo de um handler de API ou consumer de fila. Cada action precisa ser idempotente (por exemplo, deduplicando por request ID estável) — o Skipper não torna chamadas downstream transacionais.
Recovery via checkpoints e replay
Ao retomar, o Skipper reexecuta o método do workflow do topo. Actions com checkpoints persistidos retornam o resultado salvo. Isso exige código determinístico: leitura de relógio, aleatoriedade e I/O ficam nas actions, não no corpo do workflow. Por padrão, os checkpoints são batched até a conclusão ou uma espera/retry — reduz escritas no banco mas aumenta a janela de replay em caso de crash. Actions podem pedir checkpoint imediato pra reduzir essa janela.

Onde o Skipper encaixa — e onde não encaixa
| Dimensão | Orquestrador central (Temporal, Cadence, Step Functions) | Skipper (embarcado) |
|---|---|---|
| Deployment | Cluster/serviço separado | Dentro das réplicas do seu serviço |
| Dono da operação | Time de plataforma | Time do serviço |
| Latência por passo | Round-trip pro orquestrador | In-process (só banco + downstream) |
| Plataforma multi-time | Forte | Mais fraca (por serviço) |
| Suporte de linguagem | Poliglota | JVM (Java/Kotlin) |
| Storage | Gerenciado | MySQL, SQLite (Postgres/DynamoDB no roadmap) |
Bom fit: serviços Java/Kotlin com operação madura, donos de um processo multi-etapa, que querem execução durável sem subir um cluster novo. Especialmente quando a alternativa é manter jobs de retry, tabelas de estado e loops de polling feitos na mão.
Fit ruim: orgs poliglotas querendo plataforma única compartilhada, ou times sem disciplina de capacity planning no banco.
Pontos de atenção
- At-least-once, não exactly-once. Efeitos colaterais e checkpoints não são atômicos — capriche na idempotência.
- Determinismo é requisito duro. Qualquer não-determinismo no workflow quebra o replay.
- O banco é seu. Capacidade, migrações e timing de recovery (lease settings) caem no seu colo.
- Só JVM hoje. Sem Python/Go/Node.
- Maturidade do ecossistema. Admin UI e tooling existem, mas debug de replay e evolução ainda estão amadurecendo.
O que vem no release
Engine core, adapters MySQL e SQLite, utilitários de teste (WorkflowTest com tempo controlável), admin UI, signals/queries/retries/compensation, e uma DSL Kotlin chamada Skipper State Machine pra processos no estilo state/event/transition.

Próximos passos e o que esperar
O Airbnb planeja adicionar plugins de storage (Postgres, DynamoDB) e melhorar o tooling de evolução de workflow e debug de replay. Contribuições da comunidade em compatibilidade automatizada e visualização de replay são bem-vindas.
Se você for avaliar o Skipper:
- Audite seu código atual de retry/tabela de estado — é aí que mora a migração.
- Prototipe com
WorkflowTestantes de mexer no banco de produção. - Force determinismo com lint rules ou checklist de code review.
- Planeje capacidade do banco e tuning de lease junto com o rollout.
Leia também: